시간적 순서 심판의 모델 기반 분석에 의해주의 및 Visual 처리 속도를 측정
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
이 프로토콜은 시각 처리 속도 및 주의력 자원 분포를 측정하는 시간 차 실험을 수행하는 방법을 설명한다. 제안 된 방법은 세 부품의 새로운 시너지 조합에 기초되어 시간적 순서 판단 (TOJ) 패러다임 시선의 Bundesen 이론 (TVA), 및 계층 베이지안 추정 프레임 워크. 상기 방법은 TVA의 이론적 토대 신경 생리 지원하는 용이하게 해석 가능한 파라미터들을 제공한다. TVA 사용할 전통적인 패러다임은 주로 문자와 숫자로 한정되는 반면 TOJs를 이용하여 TVA 기반 추정은 자극의 폭 넓은 범위에서 얻을 수있다. 마지막으로, 제안 된 모델 파라미터의 의미는 계층 베이지안 모델의 확립을 허용. 이러한 통계 모델은 하나의 일관된 주제에 대한 분석을 모두와 그룹 수준의 결과를 평가 할 수 있습니다.
타당성 및 v을 보여주기 위해이 새로운 접근 방식의 ersatility, 세 가지 실험을 합성 팝 아웃 표시, 자연 이미지에 관심을 조작하여보고하고, 큐 레터 보고서 패러다임된다.
Introduction
관심은 시간과 공간에 분포되는 방법 인간의 시각적 인식에 가장 중요한 요소 중 하나이다. 때문에 외연 또는 중요한 관심을 끄는 객체는 일반적으로 빠른 처리와 높은 정확도로되어있다. 행동 연구에서, 이러한 성능 향상은 실험 패러다임 다양한 입증되었다. 예를 들면, 목표 위치에주의를 할당하는 프로브 검출 작업 (1)에서의 반응 속도. 마찬가지로, 문자보고의 정확성은 관심이 향상된다. 이러한 연구 결과는 관심이 처리를 강화 것을 증명하지만,이 향상이 설정 방법에 대한 희망 음소거 남아있다.
본 논문은 주의력 장점 뒤에 로우 레벨의 메커니즘 모델 기반하는 측정에 관한 틀 세밀한 componen 개별 자극의 처리 속도를 측정함으로써 평가 될 수 있다는 것을 보여준다관심의 TS. 이러한 모델은 자극 사이의 전체적인 처리 능력 및 그 분포는 처리 속도의 측정으로부터 추론 될 수있다.
비주얼주의의 Bundesen의 이론 (TVA)는 3이 노력에 적합한 모델을 제공합니다. 이것은 일반적으로 문자 리포트 작업의 데이터에 적용된다. 이하, TVA의 기본 원리를 설명하고 그것은 (거의) 임의의 자극 얻어 시간적 순서 판단 (TOJ) 데이터 모델로 확장 될 수있는 방법을 도시한다. 이 새로운 방법은 용이하게 해석 될 수있는 처리 속도 및 자원 분포의 추정치를 제공한다. 이 문서의 프로토콜은 데이터를 분석 할 수있는 방법 등 실험과 세부 사항을 계획하고 수행하는 방법에 대해 설명합니다.
전술 한 바와 같이, TVA 기반 모델링 및 관심 파라미터 추정 일반적인 패러다임 문자 보고서 작업이다. 참가자는 문자 집합의 ID를보고하는잠시 번쩍 일반적으로 가변 지연 후 마스크입니다. 다른 파라미터들 중에서, 시각적 요소가 시각적 단기 메모리에 인코딩되는 레이트를 추정 할 수있다. 이 방법은 성공적 기초 및 임상 연구에서 질문에 적용되었다. 예를 들어, Bublak와 동료 4 주의력 매개 변수는 연령 관련인지 적자의 다른 단계에 영향을받는 평가했다. 기본주의 연구에서, 피터슨 Kyllingsbæk 및 Bundesen 5 주의력 체류 시간 효과, 특정 시간 간격에서 두 타겟의 제 지각에서 관찰자의 어려움 TVA 모델을 사용했다. 문자 리포트 패러다임의 주요 단점은 충분히 overlearned 및 마스크 가능한 자극을 필요로한다는 것이다. 이 요구 사항은 문자와 숫자의 방법을 제한합니다. 다른 자극은 참가자의 무거운 훈련을 필요로한다.
TOJ 패러다임은 어느 특정 STIMUL이 필요합니다내가 나 마스킹. 이는 외관의 순서를 판정 할 수있는 자극의 종류와 사용될 수있다. 이 자극 범위를 확장 직접 크로스 모달 비교 (6)을 포함하여 관심을 가질 수있는 거의 모든 것을한다.
TOJs와 관심을 조사하는 것은 훨씬 이전에 유인 자극이 무인 일에 비해 인식 방법의 측정은 주의력 이전 항목의 현상을 기반으로합니다. 불행히도 TOJ 데이터 (예 누적 정규 또는 로지스틱 함수와 같은) 피팅 관찰자 성능 심리 함수를 분석하기위한 통상적 인 방법은 관심이 참석 자극의 처리 속도를 증가 여부를 구별 할 수 없거나 그것을 7 무인 자극의 속도를 감소하는 경우. 이 모호함이 문제는 자극의 인식이 진정으로 향상 여부 있기 때문에 큰 문제이거나 때문에 경쟁 STIMUL에서 자원의 철수의 혜택을 경우 우리는 모두 근본적이고 실제적인 관련성의 문제이다. 예를 들어, 인간 – 기계 인터페이스의 설계는 하나의 요소의 돌기의 증가는 다른 것의 희생 동작하는지 아는 것이 매우 적합하다.
다음과 같이 TOJ 작업은 일반적으로 진행 : 정착 마크가 일반적으로 짧은 지연을 제시 임의로 초 이상 간격을 짧게 그려집니다. 그리고, 제 1 타겟이 제시되고, 제 2 타겟에 의해 가변 자극 개시 비동기 (SOA) 후에 하였다. 마이너스의 SOA에서, 프로브 착안 자극, 제 나타낸다. 양의 SOA에서, 참조, 무인 자극, 리드. 제로의 SOA에서 두 목표를 동시에 표시됩니다.
일반적으로 목표를 제시하기에 자극 전환을 의미한다. 특정 조건 하에서, 그러나, 이미 존재하는 대상 또는 오프셋의 시간적 플리커와 같은 다른 이벤트는,도 8을 사용한다.
_content "("첫 번째 사각형 먼저 "와 다른"다이아몬드> TOJs에서 응답은 일반적으로 자극 ID 및 프리젠 테이션 주문에 대응 키함으로써, unspeeded 방식으로 수집은 자극이 사각형 및 다이아몬드 인 경우 예를 들어, 하나의 키를 나타냅니다 ") . 중요한 것은, 평가, 이러한 판단은 "첫 번째 프로브"으로 변환해야합니다 (또는 "참조 첫 번째") 판단.본 연구에서는 TVA 및 TOJ 실험 패러다임 처리 모델의 조합이 하나의 개별 영역에서 문제를 제거하기 위해 사용된다. 이 방법으로 쉽게 해석 속도 파라미터는 관찰자의 시선이 시각적 요소를 경쟁에 할당되는 방법을 유추 할 수 있도록 거의 임의의 시각적 자극에 대해 추정 될 수있다.
모델은 곧 이하에 설명한다 개별적인 자극의 처리 TVA의 방정식에 기초한다. 확률 하나 STIMUL다른 첫번째 나타나는 바와 같이 자극이 판정의 확률로 해석되기 전에 미국 시각적 단기 메모리에 인코딩된다. 개별 인코딩 기간은 기하 급수적으로 9 배포됩니다
(1)
최대 효과가 노출 지속 시간 t 0 것도 전혀 부호화되지 않은 이전 임계치이다. TVA, 속도 V (X)에 따르면, 나는이되는 객체 X가 (예 : 색이나 모양 등) 지각 범주 I의 구성원으로 인코딩, 속도 식으로 주어진다
. (2)
x는 내가 η X, 내가 표현된다 범주에 속하는, 그리고 난을 β하는 감각 증거의 강도는 등급 I의 구성원으로 자극을 분류하기위한 의사 결정 편견이다. 이것은 곱ttentional 무게. X w 개별 주의력 가중치는 시야에있는 모든 개체의 주의력 무게에 의해 구분된다. 따라서, 상대 주의력 중량은 다음과 같이 계산된다
(삼)
R은 모든 카테고리와 η의 X를 나타냅니다, 내가 개체 x는 카테고리 J에 속하는 감각 증거를 나타냅니다. 값 π j를 카테고리 j의 적절라는와 j에 범주화를 만들 수있는 편견을 반영한다. 전체 처리 용량 C는 모든 자극하고 범주화 모든 처리율의 합이다. TVA에 대한 자세한 설명은, Bundesen 및 Habekost의 책 (9)을 참조하십시오.
각각의 자극의 인코딩을 설명 우리 신규있어서, 수학 식 1에서, TOJs의 모델로 변환된다. 선택 편견 및 보고서 범주 constan 있다고 가정실험적인 작업 내에서 t는이 목표 자극 프로브 (p)를 참조 (R)의 처리 속도의 V p와 V r은 C 및 P 및 V R = C w 양식 V P는 = C의 주의력 무게 ·에 따라 달라집니다 · 각각 R, w 새로운 TOJ 모델 참가자 판단 프로브 자극은 SOA 및 처리 비율의 함수로서 제 될 것을 성공 확률 P P는 1을 나타낸다. 그것은 다음과 같이 공식화 될 수있다 :
(4)
이 방정식은 TVA의 기본 방정식으로부터 유도되는 방법의보다 상세한 설명은 Tünnermann, 피터슨 및 Scharlau (7)에 의해 설명된다.
간략화를 위해, 파라미터 t 0 일본어 TVA에 따르면, 수학 식 1의 모델을 생략 t 0 보 동일되어야번째 TOJ 태스크의 타겟과, 따라서, 상쇄. 그러나이 가정은 때때로 (섹션 토론 참조)에 위반 될 수있다.
TOJ 데이터에이 식 피팅의 경우, 계층 적 베이지안 추정 기법 (11)는 좋습니다. 이 방법은 P (W)와 프로브와 기준 자극 전체적인 처리 속도 C. 이러한 파라미터 생성 흡수율 브이 P 및 V (R), 그리고 그들 사이의 관심 유도 차이 R 승 주의력 가중치를 추정 할 수있게 평가할 수있다 추정 불확실성과 함께 피사체와 그룹 차원에서. 계층 모델이 실험을 위해 계획 단계 동안도 1에 도시되어 편리 전력 베이지안 분석이 수행 될 수있다.
다음 프로토콜은 TOJ 실험을 실행하고 분석하고 계획하는 방법에 대해 설명하는에서 시각적 자극에 대한 처리 속도 매개 변수 및 주의력 무게 수얻을 수. 프로토콜은 연구자가 주의력 조작 관심 대상 일부의 처리 속도에 영향을 미치는 방법에 관심이 있다고 가정한다.
그림 1 : 베이지안 추정 절차에 사용되는 그래픽 모델입니다. 원 추정 분포를 나타냅니다; 이중 원은 결정 노드를 나타냅니다. 사각형 데이터를 나타냅니다. 관계는 도면의 우측에 나타내었다. 둥근 프레임 외부 노드는 ( "판") 그룹 수준에서 TVA 매개 변수 (소개 참조)의 평균과 분산 추정을 나타냅니다. 주의력 가중치 (w)가 될 수준의 자극 처리 속도 (V)에서의 전체 처리 속도 (C)와 결합하는 방법은 "J 과목"판에서는 볼 수있다. 플레이트 "난의 SOA &# 8221; 이러한 TVA 매개 변수는 각 SOA의 binomially 분산 응답에 대한 성공 확률 (θ)에 (소개에 설명 된 기능 P p를 1로) 변환되는 방법을 보여줍니다. 따라서, 함께 SOA (N)의 반복과 θ의 데이터 요소 (Y)를 설명한다. 표기법 및 그래픽 모델의 해석에 대한 자세한 내용은 리와 Wagenmakers (23)을 참조하십시오. 명확성을 위해 것을 유의 파라미터의 차이를 나타내는 노드는 생략 하였다. 이들 결정 변수 대신에 실험 결과를 도면에 표시되어있다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
Protocol
Representative Results
Discussion
이 문서의 프로토콜은 간단한 TOJs를 수행하고 기본적인 자극 인코딩에 따라 모델 데이터를 맞게하는 방법에 대해 설명합니다. 세 실험 결과는 매우 다양한 자극 물질에의 관심의 영향을 평가하기 위해 계층 적 베이지안 추정 틀에서 평가 될 수 있는지 보여 주었다. 팝 아웃 표시의 돌출이 증가 주의력 무게되었다. 또한, 증가 가중치는 자연 이미지에 작업 공간 객체에 대한 추정되었다. 그러나, 공…
Disclosures
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 |
References
- 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).
