MétaCan
Menu
Retour à la cohorte
Enregistrement W4404728467 · doi:10.3389/fcogn.2024.1436351

Detecting multiple simultaneous and sequential feature changes

2024· article· en· W4404728467 sur OpenAlexafffund
Richard D. Wright, Amelia C. Pellaers, Ryan T. deKergommeaux

Notice bibliographique

RevueFrontiers in Cognition · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueTime Series Analysis and Forecasting
Établissements canadiensSimon Fraser University
Organismes subventionnairesSimon Fraser University
Mots-clésFeature (linguistics)Computer scienceArtificial intelligencePattern recognition (psychology)LinguisticsPhilosophy

Résumé

récupéré en direct d'OpenAlex

The failure to notice changes to objects is called change blindness, and it is often studied with the flicker task. Observers performing this task see two rapidly alternating but slightly different stimulus displays that are usually photos of real-world scenes. In order to detect the change, they must compare objects in the pre-change scene with objects at the same locations in the post-change scene to determine whether they are the same or different. It has been proposed that change blindness can occur when the memory representation of a pre-change object is incomplete and thereby impairs the same/different comparison with the post-change object at the same location. It has also been proposed that even with intact pre-change object memory representations, failure of same/different comparisons for other reasons can cause change blindness. The goal of the current study was to conduct flicker task experiments to examine both proposals. We conducted the current experiments with non-photographic stimuli, varied the degree of feature-based change of colored lines and found that the greater degree of change, the faster the same/different comparisons, and the faster that changes were detected. We also examined the representation integrity account of change blindness by comparing detection times of target objects that underwent a single feature change with those that underwent multiple sequential feature changes. The latter were detected faster, which suggests that multiple identities of these sequentially changing objects were stored in memory and facilitated change detection. In another experiment we found that objects that underwent multiple sequential feature changes were not detected as fast as those that underwent multiple simultaneous feature changes. This is consistent with the representation account of change blindness and suggests that memories of multiple sequentially changing object identities are transient and may become less complete over time. And more generally that multiple simultaneous and multiple sequential feature-based changes to these stimuli can show the extent to which memory is involved when searching for flicker task targets. The results of the current study indicate that both the comparison failure and the representation integrity proposals can account for change blindness.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,996
Score d'incertitude au seuil0,329

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,221
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in CognitionMême sujetTime Series Analysis and ForecastingTravaux en français237 207