Active manipulation promotes predictive gaze strategies during virtual object exploration
Notice bibliographique
Résumé
Actively manipulating novel objects rather than passively observing them can facilitate object recognition, but the mechanisms behind this effect still remain largely unknown. One potential explanation is that active learning facilitates an iterative process of generating and testing hypotheses about the effects of actions on the objects. We investigated how the gaze strategies utilized during active learning differ from those utilized during passive learning. Of particular interest was the question of whether participants would display any preference for the “leading edge” (the edge of a rotating object where previously unseen features are becoming visible) or the “trailing edge” (the edge of a rotating object where previously visible features are disappearing from view) of an object and whether such a preference would differ between learning conditions. Participants (n = 26) learned novel virtual objects either actively or passively while eye tracking data was collected, then completed an old/new discrimination task. Results indicated that during active learning, participants spent significantly more time looking at the leading than trailing edge (53%:47%). In contrast, participants spent equal amounts of time looking at the leading and trailing edges during passive learning (50%:50%). These results suggest that people may indeed be more likely to generate and test hypotheses about objects that are being learned actively rather than passively. However, no effect of active versus passive learning on recognition accuracy or speed was observed, likely because the objects we used had less distinctive parts than those used in prior studies did (Harman et al., 1999; Curr Biol). Thus, further investigation is needed to determine what role such predictive behavior plays in the “active learning effect” observed in past studies.
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 | 0,002 |
| 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 ».