Geçici sipariş Hüküm Model tabanlı Analizi ile Dikkat ve Görsel İşleme Hızı Ölçme
Summary
Temporal-order judgments can be used to estimate processing speed parameters and attentional weights and thereby to infer the mechanisms of attentional processing. This methodology can be applied to a wide range of visual stimuli and works with many attention manipulations.
Abstract
Bu protokol, görsel işleme hızı ve dikkat kaynak dağılımını ölçmek için zamansal-sipariş deneyler açıklamaktadır. Önerilen yöntem üç bileşenden yeni ve sinerjik kombinasyonu dayanmaktadır: zamansal sipariş kararları (TOJ) paradigma, Görsel Dikkat Bundesen teorisini (TVA) ve hiyerarşik bir Bayes tahminleri çerçeve. yöntem TVA teorik ve nörofizyolojik temellerinin tarafından desteklenen kolayca yorumlanabilir parametreleri sağlar. TVA ile kullanılan geleneksel paradigmalar ağırlıklı harf ve rakamlardan sınırlıdır oysa Tojs kullanarak, TVA tabanlı tahminler, uyaranların geniş bir aralığı için elde edilebilir. Son olarak, önerilen modelin anlamlı parametreler hiyerarşik Bayes modelin kurulması için izin verir. Böyle bir istatistiksel model bir tutarlı konuda analiz hem de grup düzeyinde sonuçlarını değerlendirmek sağlar.
fizibilite ve v göstermek içinBu yeni yaklaşımın ersatility, üç deney sentetik pop-out ekranlar, doğal görüntüler dikkat manipülasyonlar ile bildirilen ve bir cued mektup rapor paradigması vardır.
Introduction
dikkat uzay ve zaman içinde nasıl dağıldığını insan görsel algı en önemli faktörlerden biridir. nedeniyle barizlik veya önemli dikkatini çekmek Nesneler genellikle hızlı işlenir ve daha yüksek doğrulukta vardır. davranışsal araştırmada, bu tür performans faydaları deneysel paradigmalar çeşitli gösterilmiştir. Örneğin, hedef konuma dikkat tahsis prob algılama görevleri 1 reaksiyonu hızlandırır. Benzer şekilde, raporlama harflerin doğruluğu dikkat 2 artırıldı. Bu bulgular dikkat işleme artırır kanıtlamak, ama onlar bu geliştirme kurulur nasıl umutsuzca dilsiz kalır.
Mevcut kağıt dikkat avantajlar arkasında düşük seviyeli mekanizmaları model tabanlı için ölçümler ilgilidir çerçevesinde ince taneli componen bireysel uyaranların işlem hızını ölçerek değerlendirilebilir gösterirdikkat ts. Böyle bir model ile, uyaranlara arasında genel işleme kapasitesi ve dağıtım işleme hızı ölçümleri anlaşılabilir.
Görsel Dikkat Bundesen Teorisi (TVA) 3 bu çaba için uygun bir model sağlar. Genellikle mektup rapor görevlerine verilerine uygulanır. Aşağıda, TVA temelleri açıklanmış ve onlar (neredeyse) keyfi uyaranlara elde edilen zamansal-sipariş kararı (TOJ) veri modeli uzatılabilir nasıl gösterilmiştir. Bu yeni yöntem, kolaylıkla yorumlanabilir işleme hızı ve kaynak dağılımının tahmin sağlar. Bu makaledeki protokol veri analiz edilebilir nasıl böyle deneyler ve ayrıntıları planlamak ve yürütmek açıklar.
Yukarıda belirtildiği gibi, TVA-tabanlı modelleme ve dikkat parametrelerinin tahmininde olağan paradigma mektup rapor iştir. Katılımcılar harfler kümesi kimliklerini rapor hangiKısaca yanıp ve tipik olarak değişen bir gecikmenin ardından maskelenir. Diğer parametreler arasında, görsel öğeler görsel kısa süreli belleğe kodlanır hızdır tahmin edilebilir. yöntemi başarıyla temel ve klinik araştırmalarda sorulara tatbik edilmiştir. Örneğin, Bublak ve arkadaşları 4 dikkat parametreler yaşa bağlı bilişsel bozuklukların farklı aşamalarında etkilenen hangi değerlendirildi. Temel ilgi araştırmada, Petersen, Kyllingsbæk ve Bundesen 5 dikkat bekleme süresi etkisi, belirli zaman aralıklarında iki hedef ikincisini algılamada gözlemcinin zorluk modellemek için TVA kullanılır. mektup raporu paradigmanın önemli bir dezavantajı yeterince overlearned ve maskable uyaranlara gerektirir. Bu gereklilik harf ve rakamlardan yöntemi sınırlar. Diğer uyaranlar katılımcıların yoğun bir eğitim gerektirir.
TOJ paradigma ne özel STIMUL gerektiriri ne maskeleme. Bu görünüm sırası yargılanabileceği için uyarı herhangi bir kullanılabilir. Bu uyaran aralığı genişletir direkt cross-modal karşılaştırmalar 6 dahil ilgi olabilir hemen hemen her şeyi için.
Tojs ile dikkat araştıran çok daha erken bir katıldığı uyaran bir katılımsız bir oranla nasıl algılandığı bir ölçüsüdür dikkat giriş öncesinde olgusu dayanmaktadır. Ne yazık ki, TOJ verileri (örneğin kümülatif Gauss veya lojistik fonksiyonları gibi) uydurma gözlemci performansı psikometrik fonksiyonları analiz için olağan yöntem, dikkat katıldığı uyaranın işleme oranını artırır olup olmadığını ayırt edemez veya bu 7 katılımsız uyaran oranını azalır. Bu belirsizlik soru uyaranın algılanması gerçekten gelişmiş olup olmadığını, çünkü büyük bir sorun olduğu ya da çünkü bir rakip Stimul kaynakların çekilmesi faydaları ise bize de temel ve pratik alaka bir sorudur. Örneğin, insan-makine arayüzleri tasarımı için bir elemanın önem artan başka bir pahasına çalışıp çalışmadığını bilmek büyük önem taşımaktadır.
aşağıdaki gibi TOJ görev genellikle ilerler: Bir tespit işareti genellikle, kısa bir gecikme için sunulan rastgele bir saniyeden daha kısa aralık çizilir. Sonra, birinci hedef sunulmuştur, ikinci hedefin bir değişken uyaran başlangıçlı asenkroni (SOA) takip etti. Negatif SOAS at, sonda, katıldığı uyaran, ilk olarak gösterilir. Pozitif SOAS anda, referans, sahipsiz uyaran, yol açar. sıfır bir SOA, her iki hedefler aynı anda gösterilir.
Tipik olarak, hedef sunmaya uyarıcı geçiş anlamına gelir. Belirli koşullar altında, bu gibi bir zaten mevcut hedef veya bir ofset titreme gibi zamansal olaylar, 8 kullanılır.
_content "(" ilk kare ilk "ve diğeri" elmas> Tojs, yanıtlar genellikle uyaran kimlikleri ve sunum siparişleri eşleştirilmiş tuşları ile, bir unspeeded şekilde toplanan uyaranlar kareler ve elmas ise, örneğin, bir anahtar olduğunu gösterir ") . Daha da önemlisi, değerlendirme için, bu kararlar "ilk prob" dönüştürülmesi gerekir (ya da "referans ilk") yargıları.Bu çalışmada, TVA ve TOJ deneysel paradigma işleme modelinin bir kombinasyonu ya bireysel alanda sorunları gidermek için kullanılır. Bu yöntemle, kolayca yorumlanabilir hız parametreleri gözlemcinin dikkatini görsel öğelerin rakip tahsis nasıl anlaması sağlayan, neredeyse keyfi görsel uyaranlara için tahmin edilebilir.
Model kısa aşağıda açıklanacaktır bağımsız uyaranların işleme Tva denklemlerinin dayanmaktadır. olasılık bu bir stimülasyonDiğer ilk görünen bu uyaranı yargılamak olasılığı olarak yorumlanır önce bize görsel kısa süreli belleğe kodlanır. Bireysel kodlama süreleri katlanarak 9 dağıtılır:
(1)
Maksimum etkisiz maruziyet süresi t 0 şey hiç kodlanmış önce hangi bir eşik. TVA, oran v x göre, ben hangi nesne x (örneğin renk veya bir şekil gibi) bir algısal kategori i üyesi olarak kodlanmış, oran denklemi ile verilir
. (2)
X i η x, i ifade edilir kategoriye ait ve i ß o duyusal kanıtların gücü kategorisinde i üyeleri olarak uyaranlar kategorize etmek için bir karar önyargı olduğunu. Bu çarpılırttentional ağırlıklar. X w Bireysel dikkat ağırlıklar görme alanında tüm nesnelerin dikkat ağırlıkları ile ayrılır. Bu nedenle, görece dikkat ağırlığı olarak hesaplanır
(3)
R Tüm kategoriler ve η x temsil ettiği i nesne x j kategorisinde ait olduğunu duyusal bir delil teşkil etmektedir. Değer π j j kategorisindeki uygunluk denilen ve j kategorilerini yapmak için bir önyargı yansıtır. genel işleme kapasitesi C tüm uyaranlara ve sınıflandırmalar tüm işlem hızlarının toplamıdır. TVA daha ayrıntılı bilgi için, Bundesen ve Habekost kitabı 9 bakın.
Bireysel uyaranların kodlama açıklayan yeni bir yöntemle, Denklem 1 'de, Tojs bir model haline dönüştürülür. Seçim önyargıları ve rapor kategorileri aralıklarla yaptığı olduklarını varsayarsakdeneysel görevi içinde t, iki hedef uyarıcı prob (P) ve bir referans (R) işlem oranları hacim p ve h R ° ve p ve h r = C w Form V, p = C dikkat ağırlıkları · bağlıdır · sırasıyla r, w. Yeni TOJ modeli katılımcı hakimler sonda uyarıcı SOA ve işleme oranlarının bir fonksiyonu olarak birinci olmak bu başarı olasılığı P p 1st ifade eder. Aşağıdaki gibi resmiyet edilebilir:
(4)
Bu denklem, temel TVA denklemlerinden türetilmiştir nasıl daha ayrıntılı bir açıklaması Tünnermann, Petersen ve Scharlau 7 ile tanımlanır.
Basitlik için, parametre t 0 orijinal TVA göre Denklem 1'de modelde ihmal, t 0 bo aynı olmalıdırinci TOJ görev hedefleri ve bu nedenle, dışarı iptal eder. Ancak, bu varsayım bazen (bölüm Tartışma) ihlal edilebilir.
TOJ verilerine Bu denklemi uydurmak için, hiyerarşik Bayes tahminleri şeması 11 önerilmektedir. Bu yaklaşım, p W ve prob ve referans uyaranlara ve genel işleme oranı C Bu parametreler, elde edilen alım hızları V P ve R v ve aralarında dikkat bağlı farklılıkların WR dikkat ağırlıkları tahmin sağlar değerlendirilebilir tahmini belirsizliklerle birlikte konu ve grup seviyelerinde. Hiyerarşik model deney için planlama aşamasında Şekil 1'de gösterilmiştir, uygun Bayes güç analizi yapılabilir.
Aşağıdaki protokol TOJ deneyler yürütmek ve analiz, planlama açıklamaktadır hangi görsel uyaranlara için işleme hızı parametreleri ve dikkat ağırlıkları canelde edilmek. protokol araştırmacı bir dikkat manipülasyon ilgi bazı hedeflerin işleme hızları nasıl etkilediğini ilgilenen olduğunu varsayar.
Şekil 1: Bayes tahminleri prosedüründe kullanılan grafiksel modeli. Daireler tahmini dağılımları göstermektedir; çift çevreler deterministik düğümleri gösterir. Kareler verileri göstermektedir. ilişkiler şeklin sağ tarafında verilmiştir. yuvarlak çerçeveler dışında düğümler ( "plakaları") grubu düzeyinde TVA parametreleri (bkz) ortalama ve dağılım tahminleri temsil etmektedir. dikkat ağırlıklar (ağırlık) kişinin düzeyde teşvik işlem oranları (V) 'den genel işlem oranları (C) ile birlikte nasıl "j Konular" plaka olarak, görülebilir. Plaka "i SOA'lar &# 8221; Bu TVA parametreler daha sonra her SOA de binomially dağıtılan yanıtlar için başarı olasılığı (θ) içine (Giriş bölümünde anlatılan fonksiyonu P p 1 ile) dönüştürülür gösterir. Bu nedenle, araya SOA (n) tekrarına sahip θ veri noktaları (y) tarif eder. Notasyonu ve grafiksel modellerin yorumlanması hakkında daha fazla bilgi için, Lee ve Wagenmakers 23 bakın. Netlik sağlamak için kullanılmayan parametrelerinin farklarını temsil düğümleri çıkarılmıştır. Bu deterministik parametreler yerine deney sonuçlarının şekillerde gösterilir. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.
Protocol
Representative Results
Discussion
Bu makaledeki protokol basit Tojs yapmak ve temel uyaran kodlama dayalı modelleri ile veri sığdırmak açıklamaktadır. Üç deney sonuçları son derece farklı uyarıcı malzemede dikkat etkisini değerlendirmek için bir hiyerarşik Bayes tahminleri çerçevesinde değerlendirilebilir nasıl gösterdi. pop-out görüntüler çıkıntı artmış dikkat ağırlıkları yol açtı. Ayrıca, artan ağırlıklar doğal görüntüler eylem alanı nesneler için tahmin edilmiştir. Ancak, mekansal ilişkiler ters tür g…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Parts of this work have been supported by the German Research Foundation (DFG) via grants 1515/1-2 and 1515/6-1 to Ingrid Scharlau.
Materials
| Personal Computer |
| (Open Source) Experimentation and evaluation software |
Riferimenti
- Posner, M. I. Orienting of attention. Quarterly Journal of Experimental Psychology. 32 (1), 3-25 (1980).
- Van der Heijden, A., Wolters, G., Groep, J., Hagenaar, R. Single-letter recognition accuracy benefits from advance cuing of location. Perception & Psychophysics. 42 (5), 503-509 (1987).
- Bundesen, C. A theory of visual attention. Psychological Review. 97 (4), 523-547 (1990).
- Bublak, P., et al. Staged decline of visual processing capacity in mild cognitive impairment and Alzheimer’s disease. Neurobiology of Aging. 32 (7), 1219-1230 (2011).
- Petersen, A., Kyllingsbæk, S., Bundesen, C. Measuring and modeling attentional dwell time. Psychonomic Bulletin & Review. 19 (6), 1029-1046 (2012).
- Vroomen, J., Keetels, M. Perception of intersensory synchrony: A tutorial review. Attention, Perception, & Psychophysics. 72 (4), 871-884 (2010).
- Tünnermann, J., Petersen, A., Scharlau, I. Does attention speed up processing? Decreases and increases of processing rates in visual prior entry. Journal of Vision. 15 (3), 1-27 (2015).
- Krüger, A., Tünnermann, J., Scharlau, I. Fast and conspicuous? Quantifying salience with the Theory of Visual Attention. Advances in Cognitive Psychology. 12 (1), 20 (2016).
- Bundesen, C., Habekost, T. . Principles of Visual Attention: Linking Mind and Brain. , (2008).
- Plummer, M. JAGS: A program for analysis of Bayesian graphical models using Gibbs sampling. Proceedings of the 3rd international workshop on distributed statistical computing. , 124-125 (2003).
- Kruschke, J. K., Vanpaemel, W., Busemeyer, J., Townsend, J., Wang, Z. J., Eidels, A. Bayesian estimation in hierarchical models. The Oxford Handbook of Computational and Mathematical Psychology. , 279-299 (2015).
- Mathôt, S., Schreij, D., Theeuwes, J. OpenSesame: An open-source, graphical experiment builder for the social sciences. Behavior Research Methods. 44 (2), 314-324 (2012).
- Kruschke, J. K. . Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan. , (2015).
- Rensink, R. A., O’Regan, J. K., Clark, J. J. To see or not to see: The need for attention to perceive changes in scenes. Psychological Science. 8 (5), 368-373 (1997).
- Tünnermann, J., Krüger, N., Mertsching, B., Mustafa, W. Affordance estimation enhances artificial visual attention: Evidence from a change-blindness study. Cognitive Computation. 7 (5), 525-538 (2015).
- Shore, D. I., Klein, R. M. The effects of scene inversion on change blindness. The Journal of General Psychology. 127 (1), 27-43 (2000).
- Scharlau, I., Neumann, O. Temporal parameters and time course of perceptual latency priming. Acta Psychologica. 113 (2), 185-203 (2003).
- Schneider, K. A., Bavelier, D. Components of visual prior entry. Cognitive Psychology. 47 (4), 333-366 (2003).
- Scharlau, I., Neumann, O. Perceptual latency priming by masked and unmasked stimuli: Evidence for an attentional interpretation. Psychological Research. 67 (3), 184-196 (2003).
- Shore, D. I., Spence, C., Klein, R. M. Visual prior entry. Psychological Science. 12 (3), 205-212 (2001).
- Alcalá-Quintana, R., García-Pérez, M. A. Fitting model-based psychometric functions to simultaneity and temporal-order judgment data: MATLAB and R routines. Behavior Research Methods. 45 (4), 972-998 (2013).
- Hoffman, M. D., Gelman, A. The No-U-turn sampler: adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research. 15 (1), 1593-1623 (2014).
- Lee, M. D., Wagenmakers, E. J. . Bayesian cognitive modeling: A practical course. , (2014).
- Vangkilde, S., Bundesen, C., Coull, J. T. Prompt but inefficient: Nicotine differentially modulates discrete components of attention. Psychopharmacology. 218 (4), 667-680 (2011).
- Tünnermann, J., Scharlau, I. Peripheral Visual Cues: Their Fate in Processing and Effects on Attention and Temporal-order. Front. Psychol. 7 (1442), (2016).
