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.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
참고 :이 프로토콜의 일부 단계는 http://groups.upb.de/viat/TVATOJ에 (설치 지침에 따라) 제공 사용자 정의 소프트웨어를 사용하여 수행 할 수 있습니다. 프로토콜에서 프로그램 및 스크립트의이 컬렉션은 "TVATOJ"라고합니다.
자극 물질의 1. 선택
- 연구 문제에 따라 자극을 선택합니다.
주 : 일반적으로, 두 개의 타겟이 스크린의 다른 위치에 표시된다. 본 발명의 방법에 사용 된 자극은 팝 아웃 표시 예를 들면, 모양, 숫자, 문자, 싱글, 자연 이미지의 개체 포함한다. 후자의 세 가지 유형이 프로토콜에 사용되었다.
참고 : 여러 다른 자극 유형은 실험 빌더의 TOJ 플러그인 (TVATOJ 제공 "psylab_toj_stimulus")에 포함되어 있습니다 (12)를 OpenSesame. - 새로운 자극 유형을 만들 때 있는지 확인하십시오 intere의 특성세인트 관심의 속성이 자동으로 인코딩 작업을 선택하거나 자극하기에 중요하여 판단 인코딩되어야한다 (예를 들어, 팝 아웃 표시에 싱글).
2. 전원 평가 및 계획
- 선택된 모델 데이터 세트 계획된 설계 (SOA 분포 및 반복), 샘플 크기 및 가정 된 파라미터를 시뮬레이션하여 베이지안 전력 분석을 수행한다. (예를 들어, 매개 변수의 특정 차이) 연구 목표를 달성 할 가능성이 있는지 여부를 추정한다. 전력이 충분하지 않은 경우, 또는 SOA를 반복 추가나 이동하여 설계 변경과 분석을 반복한다.
- 열린 제공 TVATOJ 소프트웨어를 사용하고 스크립트 "EXP1-power.R"를 편집 할 수 있습니다. 구체적인 분석을 조정하기 위해 파일의 주석을 따르십시오. 베이지안 전력 추정에 대한 일반 정보 Kruschke (13)을 참조하십시오.
- 실험을 구현하는 실험 빌더 또는 정신 물리학 프리젠 테이션 라이브러리를 사용합니다.
- TVATOJ에서 제공하는 OpenSesame TOJ 플러그인을 사용하려면, 시험 프리젠 테이션 루프에 "psylab_toj_stimulus"플러그인을 끕니다. 또한, OpenSesame에서 "단순 toj.osexp"예를 실험을 엽니 다.
- psylab_toj_stimulus 구성의 드롭 다운 메뉴 "자극 유형"에서 원하는 자극 유형을 선택합니다. 필요한 경우 새로운 자극 유형을 추가하는 TVATOJ의 지시 사항을 따르십시오.
- 다음 단계에 설명 된대로 시험을 지정합니다.
- 모든 실험 조건의 경우, 계획의 SOA와 시련을 만들 수 있습니다. psylab_toj_stimulus 플러그인 및 OpenSesame를 사용하는 경우, 시험 루프 (예 : "SOA")에 변수로 모든 다양한 요소를 추가합니다.
- 실현하기 위해 테이블에 행을 추가모든 요소 조합 (-100에서 100 밀리 초에 예를 들어, 일곱의 SOA는 실험 조건 "주의"와 "중립"교차). 충분한 반복을 만들 수있는 루프의 "반복"속성을 조정합니다 (의 SOA의 분포 및 반복을 결정하기위한 프로토콜 2 단계 참조).
주 : 일반적으로 최대 800 시험 한 시간 내에 제공 할 수있다. 더 많은 반복이 필요한 경우, 여러 개의 세션으로 실험을 분할 고려한다. 루프의 "주문"속성이 실험을 실행하기 전에 "임의"로 설정되어 있는지 확인합니다. - psylab_toj_stimulus 플러그인 구성에서 자리를 추가합니다 (예 : "[SOA]") 각각의 분야에서 다양한 요인. 변화되지 않는 요소의 분야에서 상수 값을 입력합니다.
참고 : 실험을 실행하기 전에, 정확한 타이밍이 보장되어 있는지 확인합니다. 새로운 모니터 적절한 타이밍 동작이 확인되지 않은 경우, 사용CRT 모니터와는 수직 귀선 신호 (12)와 동기화.
4. 실험 절차
- 환영 참가자의 브리핑
- 참가자를 환영하고 실험 (컴퓨터 기반의 지각 실험)의 일반적인 형태에 대해이를 알려줍니다. 실험의 예상 지속 기간에 대해 참가자에게 알리십시오. 실험에 참여하는 참가자들의 동의를 얻습니다.
- 참가자 (최적의 짧은 시력 검사를 실시하여) 정상 또는 수정-에 정상 시력 보여 있는지 확인합니다. 그들은 자극 물질의 특정 유형에 대한 연구 문제를 방해하지 않으면 이러한 색맹 같은 일부 결손은 허용 될 수있다.
- 실험이 실시 조용한 부스를 제공합니다. 의자, 턱 받침대, 키보드 위치를 조정 등의 experime을위한 최적의보기 및 응답 조건을 보장하기 위해NT를.
- 실험 관심과 집중력을 요구하고 피로 할 수 있다는 참가자인지 확인. 필요한 경우 짧은 휴식을 취하도록 요청합니다. 그것은 그러나, 동등하게 중요 강한 주의력 변형에 따라 다음의 간단한 작업을 수행 할 수 없습니다입니다. 약간의 오차가 만들어 괜찮 참가자에게.
- 수업 내용과 워밍업
- 프리젠 테이션 순서 및 응답 수집 절차를 자세히 작업에 대한 현재 화면의 지시. 작업의 대상이 도착하고,이 일부 실험에서 어려울 것이라는 순서를보고임을 참가자에게 알린다. 그들은 확실히 순서를 알 수 없을 때 첫 인상을보고하는 참가자에게 물어, 그들은 전혀 그런 느낌이없는 경우이를 추측 할 수 있습니다.
참고 : 여기에 사용되는 이진 TOJs에서 동시성의 인식을 표시하는 옵션이 없습니다. 과도한 추측을 방지하기 위해, SIMU와 시험의 존재를 지적하지 않는다ltaneously 명시 적 목표를 제시했다. 이 단순히 위에서 설명한 지침에 어려운 시험하자. - 재판 동안 안구의 움직임을 방지하기 위해 화면의 중앙에 도시 된 마크를 흥분시키는 참가자에게. 턱 받침대에 머리를 휴식을 요청합니다.
- 필요한 경우 짧은 휴식을 취할 참가자를 요청합니다. 휴식이 허용 될 때 그들을 알게하고 (예를 들어, 대상 프레젠테이션 중에하고 응답하기 전에) 회피해야 할 때.
- 참가자가 작업에 익숙해 질 수있는 짧은 훈련을 포함합니다. 이를 위해, (프로토콜 단계 3.2 참조) 실험 시험의 임의의 서브 세트를 제시한다.
참고 : 작업 자체가 비교적 간단하기 때문에, 10-20 시험은 일반적으로 충분하다. 이 작업에서의 성능 참가자들의 신뢰를 증가하는 것이 유리할 수있다. 이것은 프레젠테이션을 둔화와 피드백을 제공하여 수행 할 수 있습니다. - 참가자들의 confirmati를 얻그들이 작업을 이해했는지에 그들은 더 이상 질문이 없다는 것을 (그들에게 그것을 설명하자).
- 프리젠 테이션 순서 및 응답 수집 절차를 자세히 작업에 대한 현재 화면의 지시. 작업의 대상이 도착하고,이 일부 실험에서 어려울 것이라는 순서를보고임을 참가자에게 알린다. 그들은 확실히 순서를 알 수 없을 때 첫 인상을보고하는 참가자에게 물어, 그들은 전혀 그런 느낌이없는 경우이를 추측 할 수 있습니다.
- 주요 실험을 실행
- 주요 시험의 프리젠 테이션과 실험 소프트웨어 시작하자. 주요 실험 부스를 남겨주세요.
TOJ 데이터 5. 모델 기반 분석
- 모든 SOA에 대한 "프로브 최초의"심판의 카운트에 원시 데이터 파일을 변환합니다. 예를 들어, TVATOJ와 함께 제공되는 스크립트 "os2toj.py"를 실행합니다.
- p와 C 승 주요 매개 변수를 추정하기 위해 베이지안 추정 프로 시저를 실행, 파생 사람의 V p와 V R과 매개 변수의 차이. 이를 위해 "실행 - evaluation.R를"파일에 제공된 지침에 따라 편집 한 후 스크립트를 실행합니다.
- 샘플링이 완료되면, 연구 문제에 대한 관심의 차이가 평가 될 수있다. ExamplES는 다음 섹션에서 확인할 수 있습니다.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
이하에서는 제안 된 방법으로 얻은 결과가보고된다. 세 실험 자극 물질의 세 가지 매우 다양한 종류의 다른 주의력 조작의 영향을 측정 하였다. 자극은 간단 팝 아웃 패턴의 선 세그먼트, 자연스러운 이미지의 작업 공간 객체, 큐 편지 쓰기 대상입니다.
실험 1 : 팝 아웃 표시에 돌출
실험 1은 합성 패턴 선분의 처리 속도에 시각적 돌출의 영향을 측정하는 목적. 주제 지향 선분의 배경 패턴이 타겟 선분 (왼쪽 또는 오른쪽) 중 어느 것이 먼저 점멸 판정. 재판의 절반에서, 상기 프로브는 색 팝 아웃 (도 2a 참조)였다. 팝 아웃의 TOJ 기반 평가에 대한 자세한 배경은 어디에 크루거와 동료 (8), 지역 ORIENTA에 의해 연구에서 찾을 수 있습니다기의 돌출 대신 컬러의 조작되었다. 의 SOA의 분배 및 주파수는도 2b에 도시된다.
주의 집중 상태에서 두드러진 대상에 대해 약 7 Hz에서에서 전형적인 그룹 전체 등급 C (M = 70 Hz에서, = 20 SD)과 가상의 이점에 대한 프로토콜 2 단계에 설명 된대로 베이지안 전력 분석을 실시 하였다 (AN의 결과 M = 0.55, SD = 0.02)의 주의력 중량 200 시뮬레이션을 수행 하였다. 이점 검출 성공 확률이 95 % HDI의 하부 경계 (최밀 간격) 4 Hz에서 상술되는 상기 제어 조건의 차이에 대한 추가적인 요구를 만족하는 (TVATOJ 예 "파워 exp1.R"를 참조 계산 하였다 모든 세부 사항). (25) 참가자 가상 조건이 목표를 달성하기위한 성공율과 0.88로 판명0.82에서 0.92의 범위의 95 % HDI.
실제 실험을 위해, 30 참가자 모집 하였다. 그가 지시 사항을 따르하지만 항상 동일한 키를 누르지 않았기 때문에 한 참가자는 분석에서 제외 하였다.
그림 2 : 실험 1. (가) 중립 (상부)와주의 (하부) 조건 (그림 동그라미로 표시) 대상. (b) SOA 분포. (다) 세 가지 예시적인 주제 수준의 응답 카운트 (점) 및 후방 예측 곡선 (지역을 음영, 강도는 세분화 된 SOA를 100 시뮬레이션 반복에 관한 가능성을 나타낸다). 블루 제어 및 녹색주의 상태를 나타냅니다. (
데이터는 장애가 있었던 10에서 구현 계층 적 베이지안 절차를 사용하여 (소개의 설명 참조) TVA에서 파생 된 TOJ 모델을 장착했다. 도 2c는 피팅 모델의 적용 수준 샘플로부터 얻어진 원시 데이터 및 후방 예측 추정 세 실시 될 수준의 플롯을 나타낸다. 그룹 수준의 후방 예측 곡선 그림 2E에 그림 2D 및 매개 변수 추정에 표시되며,
제안 된 계층 적 베이지안 추정 절차는 결과의 풍부한을 제공합니다. 예를 들어, 모든 파라미터는 자기 수준에서 각 참가자에 대해 평가 될 수있다. 일반적으로 인구 경향에 대한 관심이있다. 따라서, 그룹 수준의 결과를 설명합니다. 히스토그램은 파라미터 공간에 걸쳐 분포를 나타낸다. 분포의 모드 매개 변수 중앙 경향을 나타 내기 위해 평가하고 있습니다. 95 % HDIS는 범위를 표시하는실제 값은 모델과 데이터에 따라 95 %의 확률로 거짓말 (베이지안 통계를 해석하는 방법에 대한 자세한 내용은, Kruschke 11, 13 참조).
그림 2E는 무게와 전체 속도 매개 변수에 대한 주제를 통해 수단의 추정치를 보여줍니다. 돌출 자극에 대한 주의력 이점주의 상태로 볼 수있다. P w 파라미터의 중심 경향이 0.59이고, 0.55에서 0.63까지의 95 % 범위 HDI. 따라서, 돌출 0.5의 중간 값에서 주의력 무게 멀리 이동했다. 타겟 중에 두드러진 없었다 제어 상태에서, W (P)의 중립 중량 = 0.5 (95 %를 HDI : 0.48 0.51)를 얻었다. 해당 행 "비교"조건 걸쳐 w 피 무게의 차이는 0.09 인 것을 나타내고, 이러한 차이의 95 % HDI는 둥글게-0.11에서 0.07 말이지. 따라서, 두드러진 자극에 찬성 두 개의 무게와 안정적인 차이가있다.
그러나,이 두드러진 대상이 빨리 처리 된 것을 의미 하는가? 함께주의 상태에서 공유 전반적인 레이트 C와 무게의 차이가 빠른이 상태에서 비 돌출 타겟보다 처리 된 것을 나타낸다. 그러나, 중요한 문제는 또한, 제어 조건의 대상보다 빠른 처리했는지 여부이다. 계정에 처리 속도의 추정을 복용, 대답은 전혀 없어야합니다. 도 2e에 도시 된 C 추정치는 약 17 Hz의 차이에 의한 주의력 상태 낮다. 해당 "비교"플롯, 0, 아니 차이에서, 단지 95 % HDI의 주변에있다; 따라서 그것은 매우 어렵다. 두 조건의 개별 프로브 (V p를) 참조 (V r에)의 비율 자극을 고려(S) (도 2F)이 그것을 클리어임을주의 상태의 비 돌출 자극의 처리 속도는 16 Hz로 감소로부터 돌출 자극 결과의 이용. 이러한 결과의 가능한 해석은 두드러진 대상이주의 상태에서 비 돌출 대상의 억제와 관련하여 혜택을 초래한다는 것이다.
프로브 및 기준의 모습이 중립 상태에서 동일했다하더라도,이 실험에서 그주의, 재판의 시작과 프로브 이벤트 사이의 지연은 일정이었다. 따라서, 참가자들은 따라서 중립 값 0.5에서 떨어져 주의력 무게를 이동,이 시점으로주의를 지시 할 수 있었다. 따라서, 상기 제어 조건의 검사 자극의 실제 중량 주의력 추정 0.5로 고정되어야한다. 매개 변수를 고정하는 참가자가있는 경우에도 원칙적으로 말할 수있을 때 가능하다 프로브 및 실험 예 3에서의 제어 상태와 기준 자극.
실험 2 : 자연 이미지에 작업 공간의 장점
두 번째 실험은 자연 이미지에 작업 공간 객체에 대한 주의력 장점을 측정 하였다. 변경에서 실명은이 센터의 관심 객체가 자연 이미지 (14)에 배향을 구동하는 의미 혜택을 누릴 것으로 알려져있다 연구. 이미지가 거꾸로 프리젠 테이션에 의해 가려 할 때이 효과는 존재하지 않는다. 게시되지 않은 변경 실명 실험에서, 우리는 작업 공간 및 배경 오브젝트의 변화와 이미지의 집합으로 작업 공간의 장점을 발견 (참조 (15) 유사한 자극 물질에 게시 된 복제있다). 우리는 관찰자에 가까운 가능성이 잡을 수있는이 작업 공간 객체는, 자신의 처리 속도에 동일한 효과를 나타내는 가설.
전력 추정이 수행 된 실험과 제어 상태 사이 간 비교 대상 제외 정확하게 실험 1과 같이 수행 하였다. 목적을 달성하기위한 성공률이 0.92로 추정 하였다 (95 % HDI : 0.88 0.96) 조건 당 35 시뮬레이션 참가자 (상세 fo를 할 수있다TVATOJ 예 "전원 exp2.R")의 싶게.
39주의 조건에서 주제와 실제 실험의 제어 상태 (38)이 있었다. (일부 과목이 두 조건에 참가했다. 우리의 지식에,이 베이지안 통계 분석을 손상하지 않습니다. 혼합 데이터를 치료 사이에-과목 내에서 피사체의 차이를 고려에 비해 전력을 줄일 수있다.) 다시 한 참가자 (같은 사람 두 조건)에 의한 실험을하는 동안 의도적으로 임의의 응답을 제공하는 데에, 각 조건의 분석에서 제거되었습니다.
그림 3 : 실험 2의 (a) 작업 공간 (흰색 arro 표시WS) 및 배경 (검은 색 화살표) 중립 (왼쪽)과 관심 (오른쪽) 상태를 목표로하고있다. (b) SOA 분포. (c) 상기 중립 (파란색) 상태에서 두 예시적인 주제 수준의 플롯과 응답 계수 (점) 및 후방 예측 곡선 음영 지역에 관심 조건 (녹색)에서 두 개의 플롯; 강도) 세분화 된 SOA를 100 시뮬레이션 반복에 관한 가능성을 나타냅니다. 전체 속도 C 및 P와 w R w 주의력 무게의 (d)는 후방 분포. (E) 그룹 수준의 후방 예측 곡선. (F) 브이 P 및 V (R) 및 후부 차의 분포. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
이 데이터는 동일한 MANN에 맞았다어 첫 번째 실험에서와 같이. 유일한 차이 때문에 간 과목 디자인의 두 상태 사이의 차이 파라미터가 될 수준의 샘플링 동안 계산 될 수없는 것이었다. 이것은 내-대상의 차이에 비해 전력을 줄일 수 있습니다.
예시적인 주제 레벨과 거의 서로 시프트 그림 3C 쇼 분포에서 그룹 수준 후방 예측 분포. 이주의 조작이 전혀 작동하지 않은 것처럼 보일 수 있도록 두 가지 조건은 그룹 수준 후방 예측 플롯 (그림 3E)에 거의 완벽하게 중첩된다. 매개 변수의 사후 분포를 검사하지만, 실제로 작업 공간 객체 이점이 있음을 보여준다. 관심 상태에서 w 피 추정치는 불과 95 % HDI의 가장 왼쪽 끝에 0.5의 중성 상태에서 시프트된다. 흥미롭게, 그러나, 그것은이다또한 95 % HDI도 0.5을 제외한 화상의 반전 전위 작업 공간 활용을 제거하지 않은 것을 시사하여 상기 제어 조건으로 시프트.
상기 각각의 자극의 처리 비율의 비교 (도 3F "비교")을 고려하면, 주목하는 효과 기준 자극 V (R)의 비율에 대해 알 수있다. (: 0.66 -3.36 95 % HDI) 단, 차분 가설 반대 방향으로 점 만이 Hz의 속도 변화를 반영 작다.
따라서, 하나의 (a) 작업 공간 객체의 주의력 장점 때문에 이러한 돌출이나 가시성 장면 반전의 영향을받지 않는 인자임을 체결되어야한다. 대안 적으로, (b) 의도 된 장면 반전 작업 공간 효과를 감소시키지 않거나, (c)는 본 실험의 전력은 EFFE을 검출하기에 너무 작았코네티컷. 설명은 (a) 및 (b), 또는 이들의 조합의 가능성들이다. 반전 장면에서 작업 공간 객체에 대한 (감소하지만) 같은 이미지 실시했다 앞에서 언급 한 우리의 게시되지 않은 변경 - 실명 실험에서, 여전히 장점이 있었다.
이 방법 중심 용지의 맥락에서, 그러나, 대안의 (c)는 가장 흥미로운 것일 수있다. 따라서, 아마도 간과 효과의 크기는 간단히 설명한다. 주의력 무게의 비교를 보면, 아래, 가정 된 방향을 반영 -0.01에있는 95 % HDI,의 결합. 따라서, 0.01들만 큰 가중치 제어 상태에 비해 참가 가능성이다. 이러한 차이는 다른 실험과 비교하여 작고, 확률은 심지어 작은 효과 반대. 이것은 0.04에 도달 바운드 위 HDI가 반영됩니다. Hz에서의 속도가 쉽게 proce을하는 것으로 해석 될 수 있기 때문에 처리 속도로 보면 도움이된다ssing 속도.
두 상태 사이의 차이는도 3F에서 "비교"행에 도시된다. 기준 자극의 차이 ΔV R은 음수 -2.03 ㎐, 및 95 % HDI 0 네거티브 차이가 너무 작업 공간 활용 가설에 대해 인 기준 목표, 배경 오브젝트의 처리 속도의 증가를 반영 제외 . 작은 주의력 장점은 차이 ΔV (P)가 제로에 가까운 추정되고, 검색 대상의 처리 속도에서 여전히 가능하지만, 95 % HDI는 -1.64 Hz에서의 1.51 Hz의 범위이다. 제로에 가까운 값이 가장 가능성이 있지만, 그것은 대해 1.51 Hz에서의 가설에 찬성 1.64 Hz에서, 및 최대 속도 효과는 95 % HDI와 관련된 가능한 남아있다. 전반적으로, 이러한 결과는 원래의 가설에 유리한 아니지만, 그들의 논의는 보여 주었다 가능성이 누락 된 효과의 의미있는 크기는 사기꾼이 될 수있는 방법veniently 결과로부터 추출 하였다. 이러한 이미지를 회전시켜 작업 공간 이용의 부족의 감소로서 null 결과를 수용하기위한 실질적인 등가의 영역을 정의 할 수 있고, 95 % HDI와의 오버랩 (11)을 테스트 할 수 있습니다 (토론 섹션 참조).
실험 3 : 문자 인식의 공간 큐잉
세 번째 실험은 제안 TVA 기반 TOJ 모델의 제한을 조사 모델이 이러한 문제에 대처하기 위해 확장 될 수있는 방법을 도시한다.
이 문제에 제안 된 방법을 얻는 것을 무엇입니까? 위의 두 실험에서, 참가자는 두 시간 이벤트를 판단했다. 이제 우리는 세 번째 시간 이벤트, 그것을 향해 직접주의에 프로브 자극하기 전에 110 밀리 초를받습니다 주변 큐를 추가합니다. 이 세 번째 이벤트는 단순 TVA 기반 TOJ 미주리에 어려움을 선물한다두 자극이 명시 적으로 모델링하는 델,.
그림 4 : 지각 대기 시간에 큐의 일반적인 효과. 주의 효과의 크기는 일반적으로 주변 단서 (수평 라인)와 TOJs에서 발견. 프로브 자극 (곡선)의 주의력 가중치를 증가 TVA 기반 TOJ 모델에 의해 예측 된 크기. 실선은 전형적으로 관찰 파라미터에 대응한다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
TOJ 문헌에보고 된 주의력 혜택의 크기는 이미 이러한 어려움을 암시. 주변 단서에 의해 유도되는 지연 시간의 차이는 종종 50 %로 높고큐잉 간격 (19)의 때로는 높은 80 %. 도 4에 도시 된 바와 같이, 이러한 큰 변화는 전형적인 처리 속도 가까운 P w = 0.9 가능성 주의력 가중치를 필요로한다. 또한, 이러한 극단적 인 가중치는 매우 괴상한 심리 분포로 이어집니다. 이들은 일단 가파른 기울기 타단 얕은 경사를 가질 것이다. 약한 징후, 이것은 첫 번째 실험 (도 2C 및 d)의 후방 예측의 플롯에서 볼 수있다. 이러한 강력하게 왜곡 곡선은 거의보고되지 않습니다. 본 주변 큐잉 실험으로부터의 데이터는 TVA 기반 TOJ 모델에 장착 될 때, 후방 예측 곡선 강하게 실제 데이터 패턴 일탈.
중요한 것은, 그러나, 주변 단서는 정신 물리학 TOJ (20)에 관심의 가장 강력하고 신뢰할 수있는 효과를 생산하고 있습니다. 따라서 worthwh은제안 된 모델의 확장 버전 모델 기반 평가를 적용 ILE. 알 칼라 - 킨과 가르시아 - 페레즈 (21)는 기하 급수적으로 자극 인코딩의 일반 가정을 기반으로 TOJ 모델을 제안했다. 이 모델은 심리 곡선의 기울기를 변경하지 않고 큰 변화를 허용 추가 매개 변수가 포함되어 있습니다. 알 칼라 - 킨과 가르시아 - 페레즈는 변화가 양식 사이의 지연에서 발생 crossmodal TOJs, 그것을 사용했다. 따라서, 큐 TOJs에서 데이터를 모델링하기 위해, 우리는 그들의 매개 변수 τ를 포함한다. 인코딩 프로세스의 개시 간의 지연은 예상 큰 폭의 변화를 설명 할 수있다. 매개 변수 τ 심지어 TVA 호환 해석이있을 수 있습니다. 그러나, 이것은 완전히에는 문제되지 않으며, 후술한다. 인색 알 칼라 - 킨과 가르시아 - 페레즈 (응답 편견, 경과 및 시간 최소 수에 의해 제안, 다른 매개 변수를 모델을 유지하려면해상도)는 포함되지 않았다.
공식적으로, 식 (4)의 원래 심리 모델은 조정 기간 SOA의 형용사 = SOA + τ에 의해 용어 SOA를 대체하여 수정됩니다. 지수 부호화 처리의 개시 해주기 만 SOA에 의해 분리되지 않고, 추가적인 일정 지연이 추가되어이 조정은 또한 τ의 해석을 반영한다. 계층 적 베이지안 모델에서, 주제 레벨 τ는 그룹 수준의 정규 분포에서 샘플링된다.
명시 적 전력 분석이 실험이 수행되지 않았습니다. 내의 피험자 설계 Expriment 1의 것과 유사하기 때문에, 동일한 전원이 요금 및 주의력 가중치의 효과를 기대된다. 전원이 문제가 E 될 수 없도록 τ 파라미터에 의해 포착 할 수있는 예상 횡 큰 변화가 훨씬 크고 중량 레이트 및 효과는 전형적으로보다 안정중 하나를 검출 xpected.
4. 데이터 참가자 두 글자의 순서를보고했다 프로토콜 단계에 설명 된 실험 과정에 따라 32 명 (이들 중 세 저자) 수집 하였다. 주변 네 점 큐에 의해 프로브 자극이 선행 된 시험 (110 밀리 초)의 절반 (그림 5a 참조). 자극 물질의 상세한 설명은 Tünnermann, 피터슨 검색된 및 Scharlau의 연구 칠 수있다. 의 SOA 및 주파수는도 5b에 도시된다. 각 참가자들은 하나 또는 두 세션을 수행 하였다.
그림 5 : 실험 3의 (a) 대상, 임의로 드프로브와 중립 조건 (상부)에서 참조로 signated. 주목 조건 (하부) 프로브 자극은 4 점에 의해 큐 (110 밀리 초)을 선행한다. (다) 세 가지 예시적인 주제 수준의 응답 카운트 (점) 및 후방 예측 분포 (지역을 음영, 강도는 세분화 된 SOA를 100 시뮬레이션 반복에 관한 가능성을 나타낸다). 블루 중립과 녹색주의 상태를 나타냅니다. (d) 그룹 수준의 후방 예측 곡선. 전체 속도 C 및 P와 w R w 주의력 무게의 (e)에 후방 분포. (바) τ 제로에서 그 차이의 후방 분포. V p와 V R과 자신의 차이 (g) 후방 분포. 일의 더 큰 버전을 보려면 여기를 클릭하십시오그림입니다.
전술 한 바와 같이 확장 모델은 계층 베이지안 추정 절차에 적용 하였다. (첫 번째 세션 매우 가파른 심리 곡선을 생성 참가자 소형의 SOA 번째 세션에 사용 하였다.이 볼 수있는, 예를 들면, 소형의 SOA에서 추가 데이터 지점을 포함하는 좌측의 플롯도 5c에서.) 때문에,의 더 복잡한 모델은 스탠 소프트웨어 패키지로부터 강력한 NUTS 샘플러이 분석 (22)에 사용 하였다.
다른 실험에서, 프로브 자극에도 제어 상태, 기준 자극 상이한 처리 속도를 가질 수있다. 참가자는 시험 시작에 상대적인 시간에 그 예측 점에주의를 할당 한 수 있기 때문에 실험 1에서이이었다. 실험 2에서는, 화상의 반전이 예상되지 전체 작업 공간 물체의 이점을 제거한다. 같은 임의의 문자가 사용되고 시험 사이의 시간과 체결 할 수 없었 발병 타겟팅 된 때문에 문자 기반 큐잉 실험 그러나 참가자 심지어 원칙적 프로브되는 기준 자극를 파악할 수있을 것이다 대상 유형. 따라서, 진정한 중립 제어 조건이 예상 w p는 중립 상태로 0에서 0.5 τ로 고정됩니다.
도 5c 및도 5d에 도시 된 바와 같이, 큐는 다른 실험과 비교 심리 기능의 상당한 변화를 이끈다. 53.27 MS가 큐 대상에 대해 혜택 게다가, 그 τ을 보여 5F 그림의 후방 플롯 추정된다. 차이 ( "비교"행)의 95 % HDI는 매우 황당한를 렌더링, 모든 차이 (57.73보다 이상)보다 작은 47.56 제외됩니다.
t는 "> 흥미롭게도, uncued 대상 (그림 5E)의 찬성 주의력 무게의 변화. 0.42에서 p는 그 모드가 승의 사후 분포있다. 0.5의 중성 weigth이 95 % HDI에 포함되지 않습니다. 들어 는 C 매개 변수,주의 집중 상태. V-매개 변수 (그림 5 층)에서 표현에 대한 4.69 Hz로하여 증가, 그것은 가장 주목할만한입니다주의 조건 증가 기준 자극의 속도 V r에.위의 두 실험에있어서, 상기 관심 조작 프로브 자극의 주의력 중량 증가 관찰 하였다. 본 실험에서, 그러나, 패턴함으로써 인코딩을위한 경쟁에서의 속도를 감소 목표와 큐의 간섭을 반영 할 수있다. 동시에 인해 τ 파라미터의 빠른 처리로부터 큐 대상 혜택. 후자 전에 큐 대상의 지연의 감소에 링크 될 수 있거나지수 경주 후. 참고 그러나, τ에 관한 것으로 상기 uncued 자극과 관련된 지연의 연장을 동일하게 상대적인 차이를 설명한다.
Subscription Required. Please recommend JoVE to your librarian.
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, 공간적 관계가 상하와 같은 화상을 표시하여 교란 된 지속 장점 때문에, 다른 로컬 주의력 이점은 체중 증가를 초래하는 것이 예상된다. 주변 큐는 실험 3에서 사용 된 바와 같이, 주의력 중량에 부정적인 영향을 나타낸다. 그러나, 모델링하는 인코딩 프로세스의 시작 시간 사이의 지연 시간을 τ 매개 변수에 큰 영향을 이끈다.
프로토콜의 대부분은 일반적인 단계를 따릅니다일반적으로 TOJs 및 인식 실험을 실시한다. TVA 환산 결과의 해석이 시각적 단기 메모리에 자극을 코딩에 묶여 있다는 점에 유의. 순수한 발병 검출하여 TOJ을 수행하는 가능성을 가능한 한 많이 감소되어야한다. 프로토콜 단계 1.2에서 언급 한 바와 같이 때문에, 그것이 관심있는 특성은 자동 또는 부호화 (특정 예 자극, 돌출 팝 아웃 상정 될 수있는)이 작업을 통해 용이해야 부호화하는 것이 중요하다 (예를 들어,보고 자극 정체성).
그것은 요약 원시 데이터를 검사하는 것이 바람직하다 (반복 횟수로 나눈 값의 SOA에 걸쳐 카운트 "첫 번째 조사") 최종 분석을 실행하기 전에합니다. 대표 결과 부의 도면에서 심리 기능에 도시 된 바와 같이이 데이터는 S 자형 곡선을 따라야한다. 그 때문에 binomially 분산 반응에, 데이터 포인트 랜덤 참고LY 이상적인 경로에서 이탈. 편차는 반복 감소 수 증가. 몇몇 반복에 의해, 편차 S 이상적인 형상을 불명료 종종 비교적 크다. 패턴이 명확 일반적인 곡선으로부터 벗어나는 경우, 수학적 모델은 조정할 필요가있다. 큰 측면 이동 (이 문서의 실험 3에서와 같이)이 관찰되는 경우 예를 들어, 알 칼라 - 킨과 가르시아 - 페레즈의 τ 매개 변수를 포함 할 수있다. 곡선의 끝에서 하나의 0으로 수렴되지 않으면, 추가적인 경과 (21)는 첨가 될 수있는 매개 변수.
다른 모델 사이에서 결정하는 알 칼라 - 킨과 가르시아 - 페레즈 (21)에 제안 된 공식 모델 비교를 수행 할 수있다. 도입부에서 설명 된 것과 다른 모델을 사용하지만, 결과는 TVA의 관점에서 해석 될 수 있는지에 영향을 미칠 수있다.
거기에sults이 문서에보고, 우리는 그들의 95 % HDIS와 함께 추정 차이의 중앙 경향을 밝혔다. 그러나, 베이지안 틀에서는, 수락 또는 두 예상치 사이에 차이가 있다는 것을 거부 할 수있다. 이를 위해, 로프 (실제 관련성 영역), 13 (11)을 지정한다. 로프는 제로 주위에 작은 범위를 나타냅니다. 이 범위 내의 값은 제로에 실질적으로 동일한 것으로 간주됩니다. 로프는 HDI와 오버랩하지 않는 경우, 귀무 가설은 거부된다. 의미있는 로프 제한은 연구 문제 나 응용 프로그램에 따라 다릅니다. 전통적인 수단 TOJ 분석 대조적으로, TVA 기반 접근법 의미 ROPE 한계의 설립을 안내 할 수 때문에, 파라미터는 다른 TVA 패러다임에서 추정치와 관련 될 수있는 그들의 의미 단위 (예를 들면, 전체 보고서, 참조 문헌 3) . 또한, 처리 속도는 인코딩 뒤로 변환 할 수있다배급량 ROPE 제한 알릴 (자극 (X)의 부호화 기간 E x의 기대 값은 참조 7을 참조 1 / V X입니다). 연구자가 주목 조작 구동 시뮬레이션에 참여하기위한 반응 시간 단축에 기여 여부에 관심이있는 경우, 다음과 같은 예를 들어, 그들이 추론 수 (모터의 구성 요소들을 포함하는) 반응 시간은 수백 밀리 초의 범위에 따라서 관심 조작이 전체 반응을 단 몇 밀리 초를 변경하는 경우, 변경 사항이 거의 제로가 될 것입니다. 따라서 -2 +2 밀리에서 로프가 참조 및 프로브 인코딩 시간의 차이에 적용 할 수있다 (E R -E 페이지). 이 차이의 ROPE 완전히 HDI를 포함하는 경우, 결과는 아무런 차이가 허용되지 않을 수있을 것이다. HDI 및 로프가 오버랩되지 않으면 귀무 가설을 거절 할 수있다. 어느 경우라면 이러한 점 결정을 할 수 없습니다. 베이지안 에바에 관한 더 자세한 사항일반 luation 접근 Kruschke 책 (13)에, 예를 들면, 발견 할 수있다.
이 프로토콜의 성공을 위해,보다 일반적인 문제로하면, 그 목표 위치에 시간적인 신호를 생성하는 두 자극이있는 것이 중요하다. 예를 들어, 주변 장치 (실험 3에서와 같이) 큐 또는 마스크 현재 TVA 기반 모델에 의해 설명 될 수없는 큰 좌우 이동 7 리드. 이러한 상황은 드문 일이 아니며, 그들은 알 칼라 - 킨과 가르시아 - 페레즈 (21)에 의해 제안 된 매개 변수를 통합하여 모델링 하였다. 이 확장 된 모델에서, τ 성분 명확 TVA기구에 결합 될 수 없다. τ와 TVA 사이의 임시 연결이 있지만 약간의 미해결 문제가있다. 사실, TVA는 시작을 인코딩하기 전에 짧은 지연을 가정합니다. 소개에서 논의 된 매개 변수 t 0, 지속 시간 최대 효과 노출입니다아무 것도 전혀 인코딩되지 않은 전에 ATION. 차이 t 뭣 -t 0P는 τ로 이해 될 수있다. 그러나, t 0는 10 ~ 20 밀리 주위에 일반적으로 작다. 또한, 이론이 관심에 의해 영향을 가정하지 않습니다. 그럼에도 불구하고, t 0 절감 문자 인식 (7), (24)에서 관찰되었다. 하나는이 가능성을 받아들이면, 더 헌신해야합니다. 매개 변수 τ는 50 밀리 주위를 측정 하였다. 이 애초에 크지 않기 때문에 큐 자극 0P t를 최대로 10 ~ 20 밀리 초만큼 감소 될 수 있다는 점을 감안할 때, τ의 대부분은 50 내지 60 밀리 초에 uncued의 t의 0R 증가 온 것이다. 이 크기는 때때로 (10 밀리 초 정도) 관찰되는 것 이상의 방법입니다. TVA에 명확 τ의 관계의 결과로서, 몇 가지 중요한 질문 답변 할 수 없다. 예를 들어, 참가 stimu의 지연 여부를 결정할 수 없다리는 감소 또는 무인 자극의 사람들이 연장되는 경우 (관찰 τ 차이 발생)된다.
상술 한 기술의 한계는 두 자극 명시 TVA 모델링된다는 사실로부터 발생한다. 이를 개선하기 위해, 장래의 연구는 두 개 이상의 자극에 TVA 기반 모델을 확장하는 것을 목적으로한다. 특히 명시 적으로 TVA TOJ 큐에서 큐를 모델링하는 후속 연구 (25)의 중요한 목적이다.
프로토콜의 장점은 거의 임의의 자극 TVA하여 철저한 이론적 토대 및 베이지안 평가 방식을 이용할 수 TOJ 작업의 단순함이다. TVA 기반 모델은 기존 모델이없는 접근 방식에서 앞으로 큰 단계입니다. 과거에는 주로 일반 심리 기능 TOJ 데이터에 장착되어있다. 그들의 요약의 변화는 PSS (주관적 동시성의 포인트) 및 DL (차이 limen 매개 변수;의 측정판별 성능) 주의력 조작에 연결되어있다. 때때로, 이러한 매개 변수는 과잉 해석됩니다. 예를 들어, 자주 또한 무인 자극 7 둔화되는 경우 일 수있는 반면 주목 착안 자극의 처리를 촉진한다는 주장된다. 이 약점 또한, 이들 파라미터는 다소 간접적이다. 그들은 작업의 성능을 설명하고 생산 공정의 특성을하지 않습니다. TOJs의 모델 - 기반 분석에 기초하여 의미 TVA 파라미터를 제공함으로써 이러한 문제점을 개선한다.
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.
- 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.
- 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).
