Linearizing Screen Gamma for Precise Psychophysical Online Studies in Less Than 5 Minutes
Notice bibliographique
Résumé
Online data collection has multiple advantages, including access to larger, more diverse samples as well as fast data collection. However, a particular challenge for vision science studies is that they require visual stimuli to be standardized. We propose measuring perceived brightness at different luminance values to estimate screen Gamma, thus creating a luminance lookup table so researchers can correct their stimuli when running online experiments. Participants adjust the luminance of a uniform square to match the perceived brightness of flanker stimuli, lines alternating between two luminance levels on every pixel across stimulus width. We validated this task, based on an adaptation of the code included in the PsyCalibrator package (Lin et al., 2023), in an online sample of 19 participants recruited through Prolific and tested using VPixx Pack & Go (VPixx Technologies, 2021). Participants completed five 1-parameter Gamma curve measurements (nPoints= 1, 3, 7, 15 and 31 equally spaced luminance levels between 0 and 1, each measured once), twice to assess test/retest reliability. As 0 and 1 necessarily correspond to minimal and maximal luminance respectively, the estimated Gamma curve is fit using nPoints + 2 data points. The best speed/accuracy tradeoff is found using 31 luminance measurements, allowing for a precise estimate in around 3 minutes . Comparing luminance lookup tables, extrapolated to 256 luminance levels, across measurements reveals the absolute value error between measurements is on average .008 (sd = .012). Corrections applied on the 31 measured luminance levels fit a linear model with an average R2 of .999. We find this short and simple task to be a very robust measure of screen Gamma for online participants. Using it will allow vision scientists to account for varying gray level rendering of participant display configurations in their online studies, increasing their control on the presented visual stimuli.
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 | 0,005 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,076 | 0,024 |
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 ».