Disentangling the contributions of spatiotopic, retinotopic, and configural frames of reference to the filtering of probable distractor locations.
Notice bibliographique
Résumé
Human observers can allocate their attention to locations likely to contain a target and can also learn to avoid locations likely to contain a salient distractor during visual search. However, it is unclear which spatial frame of reference such learning is applied to. As such, our aim was to systematically disentangle the contributions of spatiotopic, retinotopic, and configural frames of reference to provide a comprehensive account of how the probabilistic distractor filtering effect comes about. We first demonstrate that the filtering effect is better determined by the probability of a salient distractor appearing at a relative location (i.e., in relation to one's eye position or an item's position in relation to other items within a display) rather than a fixed (spatiotopic) location, by varying the position of visual search arrays (along with fixation) across spatial contexts. We then separate retinotopic and configural reference frames by varying the configural but not retinotopic properties of biased (i.e., displays containing a probable distractor location) and unbiased visual search arrays and vice versa. In doing so, we find the filtering effect to be restricted to biased contexts when retinotopic positions are maintained, but configural properties are varied. In contrast, when the configural properties of visual search arrays are maintained, we show the transfer of the filtering effect across retinotopic positions. Thus, we demonstrate that probabilistic distractor filtering primarily emerges via a configural representation that codes the relative positions of items within search displays independent of spatiotopic and retinotopic coordinates. (PsycInfo Database Record (c) 2025 APA, all rights reserved).
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».