How do relative features guide attention in visual search?
Notice bibliographique
Résumé
Research has shown that attention is often biased to the relative feature of the target in visual search (e.g., redder / larger / darker) rather than its absolute feature values, in line with a Relational Account of Attention (Becker, 2010). However, it is currently unknown how tuning to relative features is achieved. If we know the feature value of the target (e.g., orange), can the visual system rapidly assess the dominant feature in the visual scene (e.g., red or yellow) and compute the relative feature of the target prior to selection (e.g., yellower or redder)? Or do we need on-task experience to learn how the target differs from the context? Another important question is how search progresses through the search items when there are multiple distractors. When an orange target is redder than the majority of other items, do we first select the reddest item, then the next-reddest item and so forth, until we find the target? The present study tested these questions in a 36-item search display with multiple differently coloured distractors and variable target and non-target colours. The first fixations on a trial showed that these displays still reliably evoked relational search, even when observers had no knowledge of the context or relative feature of the target. This indicates that information about the relative target feature can be rapidly extracted and guide attention prior to the first eye movement. Moreover, the first five fixations within a trial revealed that we tend to select the most extreme items first (e.g., red), followed by the next-extreme (e.g., red-orange), etc., until the target is found. This shows that attention is first guided by relative features and only hones in on the exact target colour after multiple fixations on relatively more extreme distractors.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».