The geometry of working memory in action: Uncovering the latent structure of systematic and unsystematic errors with and without saccadic eye movements
Notice bibliographique
Résumé
Recent research emphasizes how working memory (WM) supports action in dynamic environments. But action almost always involves fast, "saccadic" eye movements that challenge WM representations, requiring spatial remapping and distorting spatial perception, especially along the saccade direction. To capture the impact of these distortions, we used a spatial WM task where participants, after a saccade or fixation, indicated remembered locations of memory items with a mouse. From the responses we extracted multiple measures of spatial error: response variability, shifts relative to the fixation point, rotations, compression and nonlinear distortions of space. These measures submitted to a principal component analysis (PCA) yielded two components: systematic and unsystematic spatial error both of which were correlated with established WM tasks, showing their relevance for WM fidelity. Systematic error revealed a centripetal shift, pulling towards spatial anchors like the fixation point and the memory array's centre of mass. This suggests that systematic error reflects a spatial scaffold that encodes relational information but is inherently imprecise. Saccades increased both error components and amplified WM load effects. Notably, we found that distortions of systematic error were especially pronounced along saccade direction for items that were remapped across visual fields, implying that WM fidelity is more vulnerable when information needs to pass through the corpus callosum. Together, our findings are consistent with the idea of WM actively reconstructing spatial information. They offer new insights into how saccades and spatial remapping shape WM in a dynamic world.
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 | 0,000 |
| 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 ».