Abstract
このプロトコルは、視覚処理速度と注意資源の分布を測定するための時間的順序の実験を行う方法について説明します。時間的順序判断(TOJ)パラダイム、視覚的注意のBundesenの理論(TVA)、および階層ベイズ推定の枠組み:提案された方法は、3つのコンポーネントの新しいと相乗的な組み合わせに基づいています。この方法は、TVAの理論的および神経生理学的基盤によってサポートされて容易に解釈可能なパラメータを、提供します。 TVAで使用される伝統的なパラダイムは、主に文字と数字に限定されているのに対し、TOJsを使用して、TVAベースの推定値は、刺激の広い範囲のために取得することができます。最後に、提案したモデルの意味のあるパラメータは、階層ベイズモデルの確立を可能にします。このような統計モデルは、1コヒーレントテーマに関する分析の両方とグループレベルで結果を評価することができます。
実現可能性とvを実証するために、この新しいアプローチのersatility、3つの実験は、合成飛び出し表示され、自然画像の注目操作で報告され、手掛かり手紙レポートパラダイムされています。
Introduction
注意が空間と時間に配布されてどのように人間の視覚の中で最も重要な要素の1つです。なぜなら彼らの誘目または重要で注目を集めるオブジェクトは通常より速く処理され、より精度の高いされています。行動研究では、このような性能上の利点は、実験パラダイムの様々な実証されています。例えば、ターゲットの場所に注意を割り当てることプローブ検出タスク1での反応をスピードアップします。同様に、文字の報告の精度が注目2によって改善されます。このような所見は注意が処理を増強することを証明するが、彼らはこの拡張が確立された方法については絶望的にミュートのまま。
本稿では、注目の利点の背後にある低レベルのメカニズムがきめ細かいするcomponenを測定に関するモデルベースの枠組みの中で個々の刺激の処理速度を測定することによって評価することができることを示しています注目のTS。このようなモデルを用いて、刺激間の全体的な処理能力とその分布は、処理速度測定値から推測することができます。
視覚的注意のBundesenの理論(TVA)3は、この試みに適したモデルを提供します。それは、典型的には、文字レポートタスクからのデータに適用されます。以下では、TVAの原理を説明すると、(ほとんど)任意の刺激を用いて得られた時間的な順序を判定(TOJ)データをモデル化するために拡張することができる方法を示しています。この新規な方法は、容易に解釈可能な処理速度やリソース配分の推定値を提供します。この記事のプロトコルは、そのような実験を計画し、実施する方法を説明し、データを分析することができる方法を詳しく説明します。
前述したように、TVAベースのモデリングと注意パラメータの推定における通常のパラダイムは、文字のレポートタスクです。参加者は、一連の文字のIDを報告します簡単にフラッシュし、一般的に様々な遅延の後にマスクされています。他のパラメータの中でも、視覚的な要素は視覚短期記憶に符号化される速度を推定することができます。メソッドが正常に基礎・臨床研究の質問に適用されています。例えば、Bublakや同僚4は注意パラメータは加齢に関連する認知障害の異なる段階で影響を受けるかを評価しました。基本注目研究において、ピーターセン、Kyllingsbæk、及びBundesen 5は 、一定の時間間隔で二つの標的の第二の知覚における観察者の困難を注意滞留時間の効果をモデル化するためにTVAを用います。手紙レポートパラダイムの主な欠点は、それが十分にoverlearnedマスカブル刺激を必要とすることです。この要件は、文字と数字にメソッドを制限します。他の刺激は、参加者の重いトレーニングを必要とするであろう。
TOJパラダイムは、特定のstimulも必要としません私もマスキング。これは、出現順序を判断することができるために、刺激の任意の種類で使用することができます。これは、直接クロスモーダル比較6を含む関心の可能性がほとんどすべてに刺激範囲を拡張します。
TOJsと注意を調査することはかなり早い時期に出席した刺激が無人の1に比べて認識されているかの尺度である注意前のエントリの現象に基づいています。残念ながら、(例えば累積ガウスまたはロジスティック関数など)観察性能心理関数をフィッティングTOJデータを解析するための通常の方法は、注意が参加し、刺激の処理速度を増加させるか、無人の刺激7の速度を減少する場合かどうかを区別することができません。この曖昧さは、刺激の知覚は本当に強化されているかどうかのための質問の主要な問題であるか、それがために、競合stimulからのリソースの撤退の利点場合私たちは、両方の基本的かつ実用的な関連性の問題です。例えば、ヒューマン・マシン・インターフェースの設計のためには、一つの要素の隆起の増加は別の犠牲に動作するかどうかを知るために非常に適切です。
次のようにTOJタスクは通常進行する:固定マークは一般的に、短い遅延のために提示ランダム秒より短い間隔描かれています。そして、第1の目標が提示され、第二の標的によって可変刺激開始の非同期(SOA)の後に続きます。負のSOAでは、 プローブ 、出席した刺激は、最初に示されています。正のSOAでは、 参照 、無人の刺激は、リード。ゼロのSOAでは、両方のターゲットが同時に示されています。
一般的に、目標を提示することに刺激を切り替えることをいいます。特定の条件下では、しかし、そのような既に存在する標的またはオフセットのちらつきなどの他の一時的なイベントは、8に使用されます。
_content "("最初の正方形の最初の"と別の1"ダイヤモンド> TOJsでは、応答は通常、刺激アイデンティティとプレゼンテーションの注文にマッピングされたキーによって、unspeeded方法で採取されたが、刺激が正方形と菱形である場合、例えば 、一つのキーを示し") 。重要なことは、評価のために、これらの判断は、「最初のプローブ」に変換されなければならない(または「参照最初の ")の判断。本研究では、TVAとTOJ実験パラダイムの処理モデルの組み合わせは、個々のドメイン内の問題点を解消するために使用されます。この方法では、容易に解釈可能な速度パラメータは、観察者の注意は視覚要素競合に割り当てられているかを推測することを可能にする、ほとんど任意の視覚刺激のために推定することができます。
モデルは、まもなく以下に説明する個々の刺激を処理するためのTVAの方程式に基づいています。確率は1 stimul他が最初に現れるように、この刺激を判断する確率として解釈される前に、私たちは視覚的短期記憶に符号化されます。個々の符号化期間が指数関数的に9配布されます。
(1)
最大効果のない露光持続時間t 0は何もすべてでエンコードされていない前に、閾値です。 TVA、速度v xに応じて、私はこれに物体xが(例えば、色や形状など)知覚カテゴリーIのメンバーとして符号化され、 レート方程式で与えられます。
。 (2)
xは、iはiは、ηxに発現しており、 私は 、カテゴリIのメンバーとして刺激を分類するための意思決定バイアスであるβれるカテゴリに属していることを感覚的証拠の強さ。これは、乗算されますttentional重み。 Xワット個々の注意重みは視野内のすべてのオブジェクトの注意の重みによって分割されています。したがって、相対的な注意重量は次のように計算され
(3)
Rは、すべてのカテゴリとηxを表し、私は、オブジェクトxはカテゴリjに属することを感覚的な証拠を示しています。値πjは 、カテゴリjの妥当性と呼ばれるとjに分類を行うためのバイアスを反映しています。全体の処理容量Cは、すべての刺激と分類のためのすべての処理速度の合計です。 TVAの詳細については、BundesenとHabekostの本9を参照してください。
個々の刺激の符号化を説明我々の新規な方法、式(1)において、TOJsのモデルに変換されます。選択バイアスおよびレポートカテゴリががconstanあると仮定すると、Pワット実験タスク内で、処理速度のV pとV 2つのターゲットの刺激プローブ(p)のrと参照(r)は、CとフォームのV P = Cでの注意の重みに依存トン・とv R = C・それぞれR、ワット新しいTOJモデルは、参加者がSOAと処理速度の関数として最初になるようにプローブの刺激を判断することが、成功の確率P pが第一を表します。これは次のように定式化することができます。
(4)
この方程式は、基本的なTVA方程式から導出される方法のより詳細な説明はTünnermann、ピーターセン、及びScharlau社7に記載されています。
簡略化のために、パラメータt 0は 、元TVAによると、式1のモデルでは省略され、時刻t 0が boのために同一である必要がありますしたがって、それは番目のTOJタスクでターゲットとし、相殺します。しかし、この仮定は時々(セクションの説明を参照)に違反することができます。
TOJデータにこの式をフィッティングするために、階層ベイズ推定方式11が提案されています。このアプローチは、pとプローブと基準刺激のW rと全体の処理速度C.これらのパラメータは、得られる吸収速度V pおよびV rを、それらの間に注意誘導性の差W注意重みを推定することができ、評価することができます推定の不確実性とともに、被写体とグループレベルで。階層モデルは実験の計画段階で、図1に示されている、便利なベイジアン電力解析を行うことができます。
以下のプロトコルは、TOJ実験を実行し、分析し、計画する方法について説明しているから、視覚刺激のための処理速度パラメータと注意ウエイトことができます得られます。プロトコルは、研究者が注意操作が興味のあるいくつかのターゲットの処理速度にどのように影響するかに関心があることを前提としています。
図1:ベイズ推定手順で使用されるグラフィカルモデル。円は推定分布を示しています。二重丸は、確定ノードを示しています。四角はデータを示しています。関係は図の右側に示されています。丸いフレーム(「プレート」)外のノードは、グループレベルで(概要を参照してください)TVAパラメータの平均と分散の推定値を表します。 「J科目」板では、それがどのように注意の量(ワット)見ることができ、被写体のレベルで刺激処理速度(V)からに、全体的な処理速度(C)と組み合わされます。プレート「私のSOA”これらのTVAパラメータは、各SOAでの二項分布する応答の成功確率(θ)へ(はじめに説明関数P pが第一を介して)変換される方法を示しています。したがって、SOAの繰り返しと共にθ(n)は、データ点(y)を説明します。表記法とグラフィカルモデルの解釈の詳細については、リーとWagenmakers 23を参照してください。明瞭にするため、パラメータの差を表すノードが省略されていることに留意されたいです。これらの決定論的パラメータは、代わりに、実験結果の図に示されています。 この図の拡大版をご覧になるにはこちらをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
注:このプロトコルのいくつかのステップがhttp://groups.upb.de/viat/TVATOJで(インストール手順と一緒に)提供されるカスタム・ソフトウェアを使用して達成することができます。プロトコルでは、プログラムやスクリプトのこのコレクションは「TVATOJ」と呼ばれています。
刺激材料の1選定
- 研究課題に応じて刺激を選択します。
注:一般的に、二つのターゲットが画面上の異なる位置に示されています。本発明の方法で使用されてきた刺激は、例えば、形状、数字、英字、ポップアウト・ディスプレイでのシングルトン、および自然画像内のオブジェクトが含まれています。後者の3つのタイプは、このプロトコルで使用しました。
注:いくつかの異なる刺激タイプが実験ビルダーOpenSesame 12 TOJプラグイン(TVATOJで提供される「psylab_toj_stimulus」)に含まれています。 - 新しい刺激タイプを作成する場合は、することを確認してくださいintereの性質stは関心の特性が自動的にエンコードされているタスクまたは選択刺激のためにそれらが重要行うことで、判断のために符号化されなければならない( 例えば 、ポップアウトディスプレイでシングルトン)。
2.電力見積もりと計画
- 選択されたモデルとデータセットをシミュレートすることによりベイジアン電力解析を実行し、計画された設計(SOA分布および反復)、サンプルサイズ、およびパラメータを仮定しました。 (例えば、パラメータの特定の差)研究目標に到達する可能性があるかどうかを推定します。電力が十分でない場合、SOAのか、繰り返しを追加またはシフトすることにより、設計を変更し、分析を繰り返します。
- オープン提供TVATOJソフトウェアを使用し、スクリプト「EXP1-power.R」を編集します。特定の分析のためにそれを調整するために、ファイル内のコメントに従ってください。ベイズ電力推定に関する一般的な情報についてはクラスチケ13を参照してください。
- 実験を実施するための実験ビルダーや心理物理プレゼンテーションライブラリを使用してください。
- TVATOJで提供OpenSesame TOJプラグインを使用するには、トライアルプレゼンテーションのループに「psylab_toj_stimulus」プラグインをドラッグします。また、OpenSesameで「単純toj.osexp「例の実験を開きます。
- psylab_toj_stimulus構成のドロップダウンメニュー「刺激の種類」から目的の刺激の種類を選択します。必要に応じて新たな刺激の種類を追加するためのTVATOJの指示に従ってください。
- 次の手順で説明するように試験を指定します。
- すべての実験条件については、計画のSOAとの比較試験を作成します。 psylab_toj_stimulusプラグインとOpenSesameを使用する場合は、トライアルループ( 例えば、「SOA」)への変数として、すべての様々な要因を追加します。
- 実現するために、テーブルに行を追加します。すべての要因の組み合わせは、( 例えば 、-100〜100ミリ秒7のSOAは、実験条件「注意」と「ニュートラル」と交配しました)。十分な繰り返しを作成するために、ループの "繰り返し"属性を調整(のSOAの分布と繰り返しを決定するためのプロトコルのステップ2を参照)。
注:典型的には、最大で800の試験は1時間以内に提示することができます。以上の繰り返しが必要な場合は、複数のセッションに実験を分割することを検討してください。ループの「注文」属性は、実験を実行する前に、「ランダム」に設定されていることを確認します。 - psylab_toj_stimulusプラグイン設定では、プレースホルダを追加する( 例:「[SOA]」)は、それぞれの分野における様々な要因のために。変化していない要因の分野で一定の値を入力します。
注:この実験を実行する前に、正確なタイミングが保証されていることを確認します。新しいモニターの適切なタイミング動作が確認されなかった場合は、使用CRTモニタと垂直帰線信号12と同期。
4.実験手順
- 歓迎し、参加者のブリーフィング
- 参加者を歓迎し、実験(コンピュータベースの知覚実験)の一般的な形式について知らせます。実験の将来の期間について参加者に通知してください。実験に参加する参加者のインフォームドコンセントを取得します。
- 参加者は、通常の表示または(最適に短い視力検査を実施することにより)を補正ツー正常な視力いることを確認してください。彼らは刺激材料の特定の型の研究課題に干渉しない場合は、このような色覚異常などの一部の欠損は、許容することができます。
- 実験が行われている静かなブースを提供します。椅子、顎受け、キーボードの位置を調整し、というように、experimeのための最適な表示と応答条件を確保するためにNT。
- 実験は注意と集中力を必要とし、疲労することができますことを、参加者に認識させます。必要なときに短い休憩を取るためにそれらを確認して下さい。強力な注意の歪みの下でこれらの単純なタスクを実行するのではなく、しかし、同様に重要です。いくつかのエラーを作ることも大丈夫であることを参加者に知らせます。
- 命令とウォームアップ
- プレゼンテーションの順序と応答収集手順を詳細タスクの現在の画面に表示される指示に従って、。タスクはターゲットが到着し、これは、いくつかの臨床試験では困難であろうと順序を報告することであることを参加者に通知します。彼らは、特定の注文を伝えることができないときに彼らの第一印象を報告し、参加者に依頼し、彼らは全くそのような印象を持っていない場合はそれらを推測してみましょう。
注:ここで使用されるバイナリTOJsでは、同時性の認識を示すためのオプションはありません。過度の推測を避けるために、SIMUと試験の存在を指摘していませんltaneously明示的に目標を提示しました。これらは単に、上記説明した手順では難しい試験とします。 - 試験中に眼球運動を回避するために、画面の中央に表示されたマークを固定するよう参加者に依頼します。顎当てに自分の頭を休ませるよう依頼してください。
- 必要に応じて、短い休憩をとるよう、参加者に依頼します。ブレークが許可されているときにそれらを知っていると彼らは( 例えば 、標的プレゼンテーション中に、応答前に)避けなければならないとき。
- 参加者がタスクに慣れることができる短いトレーニングを含めます。このため、実験的試験(プロトコールのステップ3.2を参照)のランダムなサブセットを提示します。
注:タスク自体はかなり単純であるため、1020年に試験が、通常は十分です。このタスクのそれらの性能における参加者の信頼を高めるために有利であり得ます。このプレゼンテーションを減速し、フィードバックを提供することによって行うことができます。 - 参加者のconfirmatiを取得彼らは、タスクを理解していることに、彼らはそれ以上の質問を持っていないこと(彼らはそれを説明しましょう)。
- プレゼンテーションの順序と応答収集手順を詳細タスクの現在の画面に表示される指示に従って、。タスクはターゲットが到着し、これは、いくつかの臨床試験では困難であろうと順序を報告することであることを参加者に通知します。彼らは、特定の注文を伝えることができないときに彼らの第一印象を報告し、参加者に依頼し、彼らは全くそのような印象を持っていない場合はそれらを推測してみましょう。
- 主な実験を実行しています
- 主な臨床試験のプレゼンテーションで実験的なソフトスタートをしてみましょう。主な実験のためのブースを残します。
TOJデータの5モデルベース分析
- すべてのSOAのための「プローブの最初の "判断のカウントに生データファイルを変換します。例えば、TVATOJで提供されるスクリプト」os2toj.py」を実行します。
- pおよびCワットの主なパラメータを推定するベイズ推定手順を実行して、誘導されたものは、pとv rとパラメータの違いをV。この目的のために、「実行evaluation.Rを "ファイルに記載されている手順に従って、それを編集した後にスクリプトを実行します。
- サンプリングが完了すると、調査の質問のために関心の違いを評価することができます。 ExamplESは、次のセクションで見つけることができます。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
以下では、提案された方法を用いて得られた結果が報告されています。 3つの実験は、刺激材料の3高度の異なる種類の異なる注意操作の影響を測定しました。刺激は、単純なポップアウトパターンの線分、自然画像における行動空間のオブジェクト、および手掛かり文字の標的です。
実験1:ポップアウト・ディスプレイで顕著
合成パターンにおける線分の処理速度の視覚的顕著性の影響を測定することを目的とした実験1。指向線分の背景パターンにおける2つの標的線分(左または右)の判断対象は、最初の点滅しました。試験の半分では、プローブは、色ポップアウト( 図2aを参照)でした。ポップアウトのTOJベースの評価に関する詳細な背景には、ローカルORIENTAクルーガーや同僚8での研究で見つけることができますション顕著性ではなく、色の操作されました。 SOAの分布および頻度は、図2bに示されています。
アテンション状態で顕著な目標のために、約7ヘルツから典型的なグループ全体のレートC(M = 70 Hzで、= 20 SD)および仮想的な利点については、プロトコルのステップ2で説明したようにベイジアン電力解析を行った(から生じますM = 0.55、SD = 0.02)の注意重量は、200のシミュレーションを行いました。利点を検出するための成功率は95%HDI(最高密度の間隔)の下限は4 Hz以上であり、かつ制御条件に差異に関する追加要件を満たすために計算した(のためTVATOJ例「パワーexp1.R」を参照してください。すべての詳細)。 25参加者との仮定の条件の下で、この目標に到達するための成功率は、と0.88であることが判明しました0.82から0.92までの範囲の95%のHDI。
実際の実験では、30の参加者を募集しました。彼は指示に従ったが、常に同じキーを押されていなかったので、一人の参加者は分析から除外しました。
図2: 実験1(a) はニュートラル(上部)にあると注意(下部)条件(イラスト用丸印)ターゲット。 (b)は、SOA分布。 (c)の 3つの例示的な主題レベルの応答数(点)と事後予測曲線(斜線部分;強度は、ファイングレインのSOAで100シミュレートされた繰り返しに関して可能性を表しています)。青コントロールと緑のアテンション状態を示しています。 ( pおよびワットrのワット注目重みの(e)の事後分布。 (f)は 、V pおよびV pおよびそれらの違いの事後分布。 この図の拡大版をご覧になるにはこちらをクリックしてください。
データはぎざぎざ10に実装された階層ベイズの手順を使用して(はじめに記載されているように)TVA由来TOJモデルを取り付けました。 図2cは 、生データと当てはめモデルの対象レベルのサンプルから得られた事後予測推定値の3つの例示的な主題レベルのプロットを示します。グループ・レベルの事後予測曲線は、図2eに図2dとパラメータ推定値に示されており、
提案された階層ベイズ推定手順は、結果の富を提供しています。たとえば、すべてのパラメータは、被験者のレベルで参加者ごとに評価することができます。一般的に、集団内の傾向に関心が寄せられています。したがって、グループレベルでの結果が議論されています。ヒストグラムは、パラメータ空間にわたる分布を示します。分布のモードは、パラメータ「中央の傾向を示すと述べられています。 95%のHDIとは、範囲をマーク真の値は、モデルとデータ(ベイズ統計の解釈方法の詳細については、クラスチケ11、13を参照)によると95%の確率でうそをつきます。
図2eは 、重量と全体的な速度パラメータの被験者全体の手段の推定値を示しています。顕著な刺激のための注意の利点は、アテンション状態で見ることができます。 Pワットパラメータの中心傾向は0.59であり、その95%HDIは0.55から0.63の範囲です。そのため、顕著性は、0.5の中立値から注意の重量離れてシフトしました。ターゲットのいずれも顕著ではなかった対照条件では、W Pの中性重量= 0.5(95%のHDIを:0.48 0.51する)を得ました。対応する行の「比較」は、条件にわたってW pの重みの差は0.09であることを示し、この差の95%のHDIが鳴っ-0.11から0.07エス。そのため、顕著な刺激を支持する2つのウェイトの間に信頼性の違いがあります。
しかし、これは顕著なターゲットが速く処理されたことを意味するのでしょうか?アテンション状態で一緒に共有し、全体的な速度Cとの重量の差は、それが速く、この状態では非突極目標よりも処理されたことを示しています。しかし、重要な問題は、それはまた、制御条件の目標よりも速く処理されたかどうかです。アカウントに処理速度の推定値をとると、答えはノーである必要があります。 図2Eに示すCの推定値は、ほぼ17ヘルツの差により、注目状態に低いです。対応する「比較」のプロット、0、差がないで、ちょうど95%のHDIのフリンジです。したがって、それは非常に低いです。両方の状態で個々のプローブ(V pの)のレートと基準(V Rを)刺激を考慮するとS( 図2F)は、注意状態の非突極刺激の処理速度の16 Hzの減少から顕著な刺激の結果の利点は明らかです。これらの結果の可能な解釈は、顕著なターゲットが注目条件で非突極ターゲットの抑制との関係で、それによって恩恵をもたらすことです。
プローブおよび参照の出現が中立状態で同一であったにも関わらず、この実験ではなお、トライアル開始とプローブイベント間の遅延は一定でした。そのため、参加者は、このようにニュートラル値0.5から離れて注意の体重をシフトする、この時点に向けて注目している可能性があります。その結果、制御条件におけるプローブ刺激の実際の注意重量は0.5と推定さと固定されなければなりません。参加者があるあっても原則的に言うことができないときに、パラメータを固定することは可能ですプローブとその実験3における制御条件である基準刺激、。
実験2:自然画像における行動空間の利点
第二の実験は、自然画像における行動空間内のオブジェクトのための注意の利点を測定しました。変化の見落としの研究からは、中央の関心物体が自然画像に意味主導の配向から14に利益をもたらすことが知られています。画像が上下逆提示によって覆い隠されている場合、この効果は存在しません。未公開の変更失明の実験では、我々は行動空間と背景オブジェクトの変化に伴う画像の組で行動空間の利点を発見した(参照15で同様の刺激材料と公開レプリケーションがあります)。私たちは、観察者に近く、おそらく把持可能であるこれらの行動空間のオブジェクトは、その処理速度で同様の効果を発揮すると仮定しました。
電力推定は、実験群および対照条件の間に被験者間の比較を行ったことを除いて、正確に実験1と同様に行きました。詳細はfoをすることができます(条件当たり35シミュレート参加者と:目標を達成するための成功率は、0.92(0.96から0.88 95%HDI)と推定しましたTVATOJ例でウント「パワーexp2.R」)。
39アテンション状態の被験者と実際の実験の制御条件で38がありました。 (一部の被験者は、両方の条件に参加した。我々の知る限り、これはベイズ統計分析を損なうことはありません。被験者間として混合データを処理することは、被験者内の差異を考慮に比べて消費電力を低減します。)ここでも、一人の参加者(同じ人を両方の条件)に起因する実験を通じて意図的にランダムな応答を与えたために、各条件の分析から除去しました。
図3: 実験2(a) の アクションスペース(白arroでマークWS)と背景(黒矢印)ニュートラル(左)と注意(右)状態で標的とします。 (b)は、SOA分布。 (c)はニュートラル(青)の状態から2つの例示的な主題レベルのプロットと応答数(点)と事後予測曲線の斜線部で注意を要する状態(緑)から二つのグラフ。強度)は、ファイングレインのSOAで100シミュレートされた繰り返しに関して可能性を表しています。全体的な速度C pおよびワットrのワット注目重みの(d)の事後分布。 (e)は 、グループ・レベルの事後予測曲線。 (f)は 、V pおよびV rと、その差の事後分布。 この図の拡大版をご覧になるにはこちらをクリックしてください。
このデータは、同じマンに取り付けましたえー、最初の実験のように。唯一の違いはあるため、被験者間デザインで、二つの条件間のパラメータの違いは、対象レベルでのサンプリング時に計算することができなかったということでした。これは、被験者内の差異に比べて消費電力を低減します。
典型的な対象レベルとかろうじて互いに対してずれている。図3cはショーのディストリビューションではグループレベルの事後予測分布。注目の操作が全く働いていなかったかのように見えるかもしれませんように、2つの条件は、グループレベルの事後予測プロット( 図3E)でほぼ完全に重なっています。パラメータの事後分布を検査するが、実際に行動空間オブジェクトの利点があることがわかります。アテンション状態でワットpの推定値は、わずか95%のHDIの非常に左端にある0.5のニュートラル状態からシフトしています。不思議なことに、しかし、それはまた、HDIがあっても、画像の反転は潜在的な行動空間の優位性を削除しなかったことを示唆し、0.5を除く95%で、対照条件にシフト。
個々の刺激の処理速度の比較( 図3F、「比較」)を考慮すると、注目の効果は、基準刺激V rの速度のために見ることができます。 (:0.66 -3.36 95%HDI)しかし、差仮説とは逆方向にポイントとは、わずか2ヘルツの速度変化を反映し、小さいです。
したがって、行動空間オブジェクトの(a)の注意利点のいずれかがこのような顕著性や視認性として、シーンの反転によって影響されない要因によるものであると結論しなければなりません。あるいは、(b)は、意図したように、シーン反転行動空間効果を低下させない、または(c)は、本実験のパワーがEFFEを検出するには小さすぎましたCT。説明(a)および(b)、またはそれらの組み合わせは、おそらくものです。 (縮小が)同じ画像を用いて行った先に述べた当社の未公開の変化失明の実験では、利点が反転シーンで行動空間オブジェクトのためにまだありました。
この方法中心論文の文脈では、しかしながら、代替の(c)は、最も興味深いものであってもよいです。したがって、おそらく見落とし効果の大きさを簡単に説明します。注意重みの比較を見ると、仮定の方向を反映して95%HDIの下限は、-0.01です。したがって、0.01によって重みだけ大きい対照条件と比較して出席した可能性があります。この違いは、他の実験に比べて小さく、オッズはあっても、このような小型の効果に反対しています。これは0.04に達し上限HDIによって反射されます。 Hz単位で料金が容易にproceとして解釈することができるので、処理速度を見ると便利ですssingスピード。
二つの条件の違いは、図3Fに「比較」の行に示されています。参照刺激との間の差Δvをrは 、負である-2.03 Hzで、95%のHDIは0です。負の差があまりにもアクションスペースの利点仮説に対してである基準ターゲット、背景オブジェクトの処理速度の増加を反映して除外します。小さな注意利点は、それらの差のΔVpがゼロに近いと推定され、プローブ対象の処理速度ではまだ可能ですが、95%のHDIは-1.64ヘルツから1.51 Hzの範囲です。ゼロに近い値が最も可能性の高いですが、仮説を支持して、それに対して1.51ヘルツまで1.64ヘルツまでのレートの影響は、95%のHDIに関する可能なままです。全体的に、これらの結果は、元の仮説に有利ではありませんが、彼らの議論は、おそらく逃した効果の意味の大きさが詐欺であることができる方法を説明しました都合よく結果から抽出されました。そのような画像を回転させることにより、行動空間の優位性の欠け削減nullとして結果を、受け入れるための、実用的な等価の領域を定義することができ、95%のHDIとの重なりが11をテストすることができることに注意してください( ディスカッションセクションを参照してください)。
実験3:文字認識の空間頭出し
第三の実験は、提案されたTVAベースTOJモデルの限界を調査し、モデルがこれらの困難に対処するように拡張することができる方法を示しています。
それがトラブルに提案された方法を取得することは何ですか?前の2つの実験では、参加者は2時間的なイベントを判断しなければなりませんでした。今、私たちは第三の時間的なイベント、それに向かって直接注意するプローブ刺激の前に110ミリ秒を示している周辺のキューを追加します。この第三のイベントには、単純TVAベースTOJカ月に困難をもたらしますデル、2つだけの刺激を明示的にモデル化されています。
図4: 知覚潜時の合図の典型的な効果。注目の影響の大きさは、通常、周辺手がかり(水平線)とTOJsで見つかりました。プローブ刺激(曲線)の注意重みを増加させるためのTVAベースTOJモデルによって予測される大きさ。実線の曲線は、一般的に観察されたパラメータに対応しています。 この図の拡大版をご覧になるにはこちらをクリックしてください。
TOJの文献で報告され、注目メリットの大きさは、既にこれらの困難をほのめかします。周辺手がかりによって誘発される待ち時間の差は、多くの場合、50%と同じくらい高いとキューイング間隔19の80%として、時にはとして高いです。 図4に示すように 、このような大規模なシフトは、典型的な処理速度で近いP W = 0.9そう注意重みを必要とするであろう。また、このような極端な重みは非常に歪んだ精神測定分布につながります。これらは、一端に急勾配と他端に浅い傾斜を有することになります。弱い発現では、これは、最初の実験(図2cおよびd)の後方予測プロットで見ることができます。このような強く歪んだ曲線はほとんど報告されていません。現在の周辺キューイング実験からのデータはTVAベースTOJモデルに装着されている場合には、事後予測曲線が強く、実際のデータパターンから外れます。
しかし、重要なことには、周辺手がかりは心理物理TOJ 20で注目の最強かつ最も信頼性の高い効果を生み出します。したがって、worthwhあります提案モデルの拡張版でモデルベースの評価を適用するILE。アルカラ・キンタナとガルシア・ペレス21は、指数関数的な刺激エンコーディングの一般的な仮定に基づいてTOJモデルを提案しました。このモデルは、心理測定曲線の傾斜を変更することなく、大規模なシフトを可能にする追加のパラメータが含まれています。アルカラ・キンタナとガルシア・ペレスは、このようなシフトはモダリティ間の遅延に由来するクロスモーダルTOJs、のためにそれを使用しました。したがって、手掛かりTOJsからデータをモデル化するために、我々は彼らのパラメータτを含みます。符号化処理の開始との間の遅延が予想される大きな横方向のシフトを説明することができます。パラメータτもTVA互換の解釈を有することができます。しかし、これは全く問題のないものではなく、後述します。倹約モデルを維持するために、他のパラメータは、アルカラ・キンタナとガルシア・ペレス(応答バイアス、経過、および最小可能時間的によって提案します解像度)が含まれていませんでした。
正式には、式4の元の精神測定モデルは、調整された用語SOAの影響調整後 = SOA +τによって用語SOAを置き換えることによって変更されます。この調整はまた、τの解釈を反映している:指数符号化処理の開始は、現在、SOAによって分離されているだけでなく、追加の一定の遅延が追加されます。階層ベイズモデルでは、対象レベルτは、グループレベルの正規分布からサンプリングされます。
明示的な電力解析は、この実験のために実行されませんでした。被験者内デザインはExpriment 1から1に似ているので、同様の電力が速度と注意重量の効果が期待されています。全く電源の問題が電子になることはできませんように、τパラメータによって捕捉することが予想される大規模な横ずれは、はるかに大きいと速度と重量の影響は、典型的により安定していますどちらかそれを検出するためのxpected。
データは4.参加者は、2つの文字の順序を報告しなければならなかったプロトコルのステップで説明した実験手順に従って、32の参加者(そのうちの3人の著者)のために回収しました。周辺4ドットキューによるプローブ刺激が先行された臨床試験(110ミリ秒)の半分に( 図5aを参照)。刺激材料の詳細な説明はTünnermann、ピーターセン、およびScharlau社の研究7に記載されています。 SOAとその周波数は図5bに示されています。各参加者は、一つまたは二つのセッションを行いました。
図5: 実験3(a) の目標、任意のデプローブと中立状態(上部)に参照としてsignated。アテンション状態(下部)には、プローブ刺激が4ドットキューによって(110ミリ秒)を先行されました。 (c)の 3つの例示的な主題レベルの応答数(点)と事後予測分布(斜線部分;強度は、ファイングレインのSOAで100シミュレートされた繰り返しに関して可能性を表しています)。ブルーニュートラルと緑のアテンション状態を表します。 (d)のグループ・レベルの事後予測曲線。全体的な速度C pおよびワットrのワット注目重みの(e)の事後分布。 (f)は τとゼロとの差の事後分布を。 V pおよびV rと、その違いの(g)の事後分布。 番目の拡大版をご覧になるにはこちらをクリックしてください。図です。
上記のように拡張されたモデルは、階層的ベイズ推定法で塗布しました。 (最初のセッションに非常に急峻な心理曲線を生成参加するために、小さいのSOAは、第2のセッションで使用された。これは、小さいのSOAに追加のデータポイントを含む最も左のプロット図5cにおいて、例えば、見ることができる。)のためより複雑なモデルが、スタン・ソフトウェア・パッケージからの強力なNUTSサンプラーは、この分析22で使用しました。
他の実験では、プローブ刺激も制御状態では、基準刺激とは異なる処理速度を有することができます。参加者は裁判の開始に時間的にその予測可能な点に注意が割り当てられている可能性があるため、実験1では、これがありました。実験2では、画像の反転はに期待されていませんでした完全に行動空間オブジェクトの利点を削除します。この手紙ベースのキューイングの実験では、しかし、参加者があっても、原理的には同じランダムな文字を使用し、試験とターゲット発症までの時間が結論することはできませんでしたので、プローブおよび参照刺激であるかを識別することができないであろうターゲット・タイプ。したがって、真にニュートラル制御条件は、期待とワットpが中立状態で0で0.5、τに固定されています。
図5cおよび5dに見られるように、キューは、他の実験と比較して、心理機能の実質的なシフトをもたらします。さらに、 図5Fショーで事後プロットはτは、頭出しのターゲットの53.27ミリ秒の利益と推定されていること。差に95%のHDI(「比較」の行)は、非常にありそうもない、それらをレンダリングし、47.56(または57.73より大きい)より小さいすべての違いを除外します。
">興味深いことに、uncuedターゲット( 図5E)の賛成で注意重量の変化があったトン。ワットのpの事後分布は0.42で、そのモードを備えています。0.5の中立weigthが95%のHDIには含まれていません。についてCパラメータは、アテンション状態のための4.69ヘルツによって増加がある。V-パラメータ( 図5F)で表すと、それは注目条件増加の参照刺激の速度v rのことが最も注目すべきです。前の2つの実験では、注目操作は、プローブ刺激の注意量を増加することが観察されました。今回の実験では、しかし、パターンは、それによって符号化のためのレースでそのレートを低減し、目標を持つキューの干渉を反映することができます。同時に、原因τパラメータへのより高速な処理から頭出し対象の恩恵を受けています。後者は、前にキューさターゲットの遅延の減少にリンクすることができ、または指数関数的なレースの後。 τについて、uncued刺激に伴う遅延の延長は等しく十分相対的な差を説明すること、しかし、注意してください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
この記事のプロトコルは、単純なTOJsを実施し、基本刺激エンコーディングに基づいてモデルをデータにフィットする方法について説明します。 3つの実験の結果は非常に異なった刺激材料における注目の影響を評価するために、階層的ベイズ推定の枠組みの中で評価することができる方法を実証しました。ポップアウトディスプレイの顕著性が向上注意重みにつながりました。また、増加した重みは自然画像における行動空間のオブジェクトのために推定されました。しかし、空間的な関係を上下逆さまにこのような画像を表示することによって乱された持続効果に起因し、他のローカル注意利点は、体重増加につながる可能性があります。周辺キューは、実験3で使用されるように、注意量に負の影響を示します。しかし、符号化処理の開始時刻との間のモデルの遅延τパラメータで大きな効果をもたらします。
プロトコルのほとんどは、一般的な手順に従います一般にTOJsと知覚実験を行いました。 TVAの点で、結果の解釈が視覚短期記憶に刺激をコードに縛られていること、しかし、注意してください。純粋な発症検出によってTOJを行う可能性を極力低減されるべきです。プロトコルのステップ1.2で述べたようにそのため、またはエンコーディング(特定の刺激、 例えば 、顕著性ポップアウトのために想定することができる)、関心の属性は、自動的にエンコードされていることが重要である報告、 例えば (タスクを介して容易にする必要があります刺激アイデンティティ)。
最終的な分析を実行する前にまとめた生データ(繰り返し回数で割っのSOA全体の「プローブの最初の "カウントを)検査することをお勧めします。代表的な結果セクションの図に精神測定機能に示すように、このデータは、S字カーブに従ってください。それにより二項分布する回答に、データポイントランダムに注意してください。lyが理想の経路から外れ。偏差は繰り返し数の減少に伴って増加します。いくつかの繰り返しで、偏差は、理想的なS字状を不明瞭、しばしば比較的大きいです。パターンが明らかに通常の曲線から外れる場合は、数学的モデルを調整する必要があるかもしれません。大きな横方向シフトが(この記事の実験3のように)が観察されている場合たとえば、アルカラ・キンタナとガルシア・ペレスのτパラメータを含めることができます。曲線は、その末端に1と0に収束しない場合には、付加的な経過は、21を添加することができるパラメータ。
アルカラ・キンタナとガルシア・ペレス21で提案されているように異なるモデル間で決定するために、正式なモデル比較を行うことが可能です。はじめに概説されたものとは異なるモデルを使用して、しかし、結果はTVAの観点で解釈することができるかどうかに影響する場合があります。
そこでこの記事で報告sultsは、我々は彼らの95%のHDIと一緒に推定差異の中心傾向を述べました。しかしながら、ベイズのフレームワークでは、2つの推定値の間に差がないことを承認または拒否することが可能です。この目的のために、ROPE(実用的な関連性の領域)は11、13を指定する必要があります。 ROPEはゼロの周りの小さな範囲を示しています。この範囲内の値がゼロに実質的に等しいと見なされます。 ROPEは、HDIと重なっていない場合は、帰無仮説は拒否されます。意味のあるROPE限界は、研究の質問やアプリケーションに依存します。伝統的な手段でTOJ分析とは対照的に、TVAベースのアプローチは、意味のあるROPE制限の確立を導くことができます。それらの意味のある単位に、パラメータは、他のTVAパラダイムからの推定値に関連させることができる( 例えば 、全体のレポート、リファレンス3を参照してください) 。また、処理速度が符号化デュに変換することができます配給はROPE限界を知らせるために(刺激xのエンコード時間のE xの期待値は1 / V xは、参照7を参照してください)。研究者が注目操作は、運転シミュレーションの参加者の反応時間の削減に寄与するかどうかに興味がある場合たとえば、次のように、彼らは理由ができた:(モータ部品を含む)反応時間は数百ミリ秒の範囲であり、したがって、注目の操作が全体の反応ほんの数ミリ秒を変更した場合、変更は実質的にゼロになります。従って-2 +2ミリ秒からロープが参照プローブ符号持続時間の差に適用することができる(E R -E P)。この差のロープが完全にHDIを含む場合、差がないという結果を受け入れることができます。 HDIとロープが重複しない場合は、帰無仮説は拒否することができます。いずれの場合であれば、このような点の決定を行うことができません。ベイジアンエヴァに関するさらなる詳細一般的にluationアプローチはクラスチケの本13で、例えば、見つけることができます。
より一般的な問題に目を向けると、このプロトコルの成功のためには、目標位置に一時的な信号を生成する2つだけの刺激があることが重要です。例えば、(実験3のように)、末梢キューまたは現在のTVAベースのモデルによって説明することができない大きな横方向のシフトにマスク7のリード。このような状況は珍しいことではないと彼らはアルカラ・キンタナとガルシア・ペレス21によって提案されたパラメータを組み込むことによってモデル化されました。この拡張モデルでは、τコンポーネントが明らかにTVA機構にリンクすることはできません。 τとTVAの間の暫定的な接続がありますが、いくつかの未解決の問題があります。確かに、TVAは開始をコードする前に、短い遅延を想定しています。はじめに議論されたパラメータt 0は 、最大の効果がない露光DURです何もすべてでエンコードされていない前にエーション。違いトン0R -t 0Pは τとして理解することができました。ただし、T 0は 10〜20ミリ秒の周りに、一般的に小さいです。さらに、理論は、それが注目の影響を受けていることを前提としていません。それにもかかわらず、トン0削減は、文字認識7、24で観察されています。 1は、この可能性を受け入れた場合、さらなるコミットメントがなされなければなりません。パラメータτは、50ミリ秒の周りを測定しました。それが最初の場所で大きくないので、きっかけと刺激のトン0Pが最大10〜20ミリ秒に減少することができるという事実を考えると、τのほとんどは50〜60ミリ秒にuncuedの増加トンの0Rから来ます。この大きさは、時々(10ミリ秒程度)が観察されたもの以外の方法です。 TVAにτの不明瞭な関係の結果として、いくつかの重要な質問はお答えできません。例えば、それは出席STIMUの遅延かどうかを決定することはできません(観察されたτの差をもたらす)のLiが低減されるか、または無人の刺激のそれらを長くしている場合。
上記の手法の限界は2つだけ刺激が明示的にTVAでモデル化されているという事実から生じます。これを改善するために、今後の研究は、二つ以上の刺激にTVAベースのモデルを拡張することを目的としています。具体的には、明示的にTVAで頭出しTOJにキューをモデル化することは、その後の研究25の重要な目的です。
プロトコルの利点は、ほぼ任意の刺激、TVAによって徹底的に理論的基礎、およびベイズ評価スキームを利用することができTOJタスクのシンプルさです。 TVAベースのモデルは、従来のモデルフリーなアプローチから大きく前進です。過去には、主に一般的な精神測定機能はTOJのデータに適合されています。の尺度;それらの要約パラメータPSS(主観的同時性の点)とDL(差閾の変更判別性能)が注意操作にリンクされています。時には、これらのパラメータは、過剰解釈されます。例えば、頻繁にも無人刺激が7を遅くした場合であってもよい一方、注意が、出席刺激の処理を促進すると主張されています。この弱点に加えて、これらのパラメータではなく、間接的です。彼らは、タスクでのパフォーマンスを記述し、それを生産するプロセスを特徴付けるません。 TOJsのモデルベースの分析では、TVAに基づいて、意味のあるパラメータを提供することにより、これらの欠点を改良します。
Subscription Required. Please recommend JoVE to your librarian.
Materials
Name | Company | Catalog Number | Comments |
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. , Oxford University Press. Oxford, UK. (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. Bayesian estimation in hierarchical models. The Oxford Handbook of Computational and Mathematical Psychology. Busemeyer, J., Townsend, J., Wang, Z. J., Eidels, A. , 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. , 2nd, Academic Press. Boston, MA. (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. , Cambridge University Press. Cambridge, UK. (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).