Can we predict vividness from the characteristics of imagined images? A novel database featuring vividness judgments of the Natural Scene Dataset
Notice bibliographique
Résumé
What makes an image easy to imagine? Previous research on mental imagery mostly used very limited samples, which prevented establishing a direct association between image characteristics and vividness ratings (i.e., the clarity and detail level of imagined images). Here, we present a large-scale database of vividness judgments associated with the natural scenes from the Natural Scenes Dataset (NSD; Allen et al., 2021), which consists of 73,000 annotated natural images. During each trial, participants sequentially view two NSD images and are then randomly asked to imagine one or the other (i.e., retro-cued target image) for 4 s. Participants then rate the vividness of their mental image (on a continuous scale from 0 to 100), followed by a test to ensure that they imagined the correct target. Participants (n = 1825), recruited from Prolific, are directed to the Meadows platform for online experiments. Each complete 120 trials of our vividness task, for a total of 219,000 vividness ratings across participants. They also complete the Vividness of Visual Imagery Questionnaire (Marks, 1973) to measure their visual imagery ability. Overall, preliminary data reveals excellent performance on the task (average accuracy of 95.83% correct target identification), as well as substantial interimage (M = 0.65 ± 0.25) and interindividual (M = 0.66 ± 0.17) variability in average vividness scores. This large-scale dataset of vividness ratings will offer invaluable insights into visual imagery by allowing to train predictive models of subjective imagery experiences. It will enable a deeper understanding of the visual and cognitive factors influencing mental image vividness, and serve as a guiding resource for future experiments. Furthermore, integrating these vividness judgments with neural data from the NSD will allow for an exploration of the relationship between subjective experience and objective brain responses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».