The impact of binocular depth cues and movement direction on grasping and placement behaviours
Notice bibliographique
Résumé
We typically rely on binocular vision to understand the spatial layout and physical properties of objects in the visual world. This information is essential both for perception and action-based behaviours and there is evidence that when adults have access to binocular depth cues, they make faster and more accurate grasps towards objects. However, most studies examining this topic have used tasks in which participants reach for objects at a distance and place them closer towards them. Conversely, real-world movements occur in different directions and distances relative to the observer. Here we evaluate the contribution of binocular depth information (e.g., disparity, vergence) to a range of grasp characteristics for bidirectional movements (i.e., towards vs. away from the body). In a within-subjects design, participants grasped 3D discs of varying sizes (3.5 - 5.5 cm diameter) at two distances (18 and 36 cm from observer). Viewing was binocular or monocular with the non-dominant eye patched. On each trial, participants grasped an object and placed it on a peg positioned closer or further away from their body as quickly and accurately as possible. Our results show that binocular depth information improves both components of the task (grasping the object and positioning the object at the new location). In particular, under the binocular condition the velocity of the grasping movement was higher and the time to reposition the objects shorter. These effects were consistent for both movement directions. We observed minimal interactions between depth, distance, and size, suggesting mostly independent effects of these variables on visuomotor behaviour. Additional analyses of the grasp trajectories, including machine learning approaches, will provide insight into the contribution of 3D cues to multi-dimensional visually guided movements.
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 | 0,006 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».