Position Specificity of Learning Using Complex Visual Stimuli
Notice bibliographique
Résumé
Visual perceptual learning (PL) is characterized by long-lasting, stimulus-specific improvements in simple visual tasks. One explanation for stimulus specificity is that PL causes changes in early cortical areas; an alternative explanation is that PL is due to a higher-level process, reflecting what is learned rather than where it occurs in the visual pathway. One method to evaluate this hypothesis is to test if PL occurs in a task using complex stimuli encoded later in the visual pathway. We measured response accuracy with a 1-of-5 identification task using complex stimulus types (textures and faces) encoded by mechanisms in the inferotemporal cortex. In the training phase, participants saw one of the two stimulus types above or below a central fixation point. In the test phase, Group 1 identified the same stimuli in the same position; Group 2 identified the same stimuli in a new position; Group 3 identified new stimuli of the same type at the same position; and Group 4 identified new stimuli of the same type in a new position. For both stimulus types, we found evidence of both generalized and stimulus-specific learning: changing the stimuli and/or stimulus position significantly reduced accuracy but not to the level shown at the start of training. In addition, for textures (but not faces), accuracy was significantly lower in Group 4 than in Groups 2 and 3. Therefore, stimulus- and position-specific PL occurs in an identification task using complex 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 | 0,001 | 0,005 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».