Geçici sipariş Hüküm Model tabanlı Analizi ile Dikkat ve Görsel İşleme Hızı Ölçme

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

NOT: Bu protokolde bazı adımlar http://groups.upb.de/viat/TVATOJ de (kurulum talimatları ile birlikte) sağlanan özel yazılım kullanılarak yapılabilir. Protokolde, programlar ve scriptler bu koleksiyonu "TVATOJ" olarak adlandırılır.

Stimulus Malzeme 1. Seçim

1. Araştırma sorusu göre uyaranlara seçin.
   Not: Genellikle, iki hedef ekranın farklı konumlarda gösterilmektedir. Mevcut yöntemle kullanılmıştır uyaranlara pop-out ekranlar örneğin, şekiller, rakamlar, harfler, singletons ve doğal görüntüler nesneler içerir. Son üç tip bu protokolü kullanılmıştır.
   NOT: Birkaç farklı uyaran tipi deney üreticisi için TOJ eklentisi (TVATOJ sağlanan "psylab_toj_stimulus") yer almaktadır ¹² OpenSesame.
2. Yeni teşvik türlerini oluştururken, emin olun intere özelliklerist ilgi özellikleri otomatik olarak kodlanmış görev seçin veya uyaranlara için onları önemli yaparak karar için kodlanmış gerekir (örneğin, pop-out ekranlarda singletons).

2. Güç Tahmin ve Planlama

1. Seçilen model ile veri setleri, planlı bir tasarım (SOA dağıtım ve tekrarlar), örneklem büyüklüğü, ve hipotez parametreleri simüle ederek Bayes güç analizi yapın. O (örneğin, parametreleri belirli bir fark) araştırma hedefine ulaşmak için muhtemel olup olmadığını tahmin ediyoruz. Güç yeterli değilse, SOAS veya tekrarları ekleyerek veya kaydırarak tasarımını değiştirebilir ve analiz tekrarlayın.
   1. açık sağlanan TVATOJ bir yazılım kullanmanız ve komut "exp1-power.R" düzenlemek için. Belirli analiz için onu ayarlamak için dosyada açıklamaları takip edin. Bayes güç tahmini hakkında genel bilgi için Kruschke ¹³ bakın.

<p class = "jove_title"> 3. Şartname veya Deney Programlama

1. Deney uygulamak için bir deney oluşturucu veya psiko-fiziksel sunum kitaplığı kullanın.
   1. TVATOJ sağlanan OpenSesame TOJ eklenti kullanmak için, bir deneme sunum döngü içine "psylab_toj_stimulus" eklentisi sürükleyin. Alternatif olarak, OpenSesame içinde "basit toj.osexp" örnek deney açın.
   2. psylab_toj_stimulus yapılandırmasında açılır menü "Uyarıcı tipi" istenen uyarıcı türünü seçin. Gerekirse yeni bir teşvik türlerini eklemek için TVATOJ yönergeleri izleyin.
2. Aşağıdaki adımlarda açıklandığı gibi denemeler belirtin.
   1. Her deneysel koşul için planlanan SOAS ile denemeler oluşturun. Psylab_toj_stimulus eklentisi ve OpenSesame kullanırken, deneme döngü (örneğin, "SOA") için değişkenler olarak tüm çeşitli faktörler ekleyin.
   2. gerçekleştirmek için tabloya satır eklemeTüm faktör kombinasyonları (-100 ila 100 milisaniye örneğin, yedi SOA'lar, deneysel koşullar "dikkat" ve "nötr" ile geçti). Yeterli tekrarlar oluşturmak için döngünün "Tekrar" özelliğini ayarlayın (SOAS dağılımını ve tekrarı belirlenmesi için protokol adım 2'ye bakınız).
      NOT: Tipik olarak, en fazla 800 denemeler bir saat içinde sunulabilir. Daha fazla tekrarlar ihtiyaç varsa, birkaç seans halinde deney bölme düşünün. döngünün "Sipariş" nitelik deney çalıştırmadan önce "Random" olarak ayarlanmış olduğundan emin olun.
   3. Psylab_toj_stimulus eklenti yapılandırmada, tutucuları eklemek (örneğin "[SOA]") kendi alanlarında çeşitli faktörlerin. değişiyordu olmayan faktörler konularında sabit değerleri girin.
      NOT: Denemeyi çalıştırmadan önce, doğru zamanlama garantili olduğundan emin olun. yeni monitörlerin uygun zamanlama davranışı doğrulanmadı ise, kullanımCRT monitörler ve dikey sinyali ¹² ile senkronize.

4. Deney Prosedürü

1. Konuksever ve katılımcıların brifing
   1. Katılımcılara hoş geldiniz ve deney (bilgisayar tabanlı algılama deneyi) genel form hakkında onları bilgilendirmek. Deneyin muhtemel süresi hakkında katılımcıları bilgilendirecek. deneyine katılan katılımcıların aydınlatılmış onam.
   2. Katılımcılar (optimal kısa görme testleri yaparak) normal veya düzeltilmiş-to-Normal görme gösteriyor emin olun. Onlar uyarıcı maddenin tipine özgü araştırma sorusuna müdahale yoksa renk körlüğü gibi bazı açıkları, tolere edilebilir.
   3. Deney yapılır sakin bir stand sağlamak. sandalye, çene dinlenme, klavye konumunu ayarlamak, ve böylece, experime için optimal görüntüleme ve yanıt koşulları sağlamak içinnt.
   4. Deney dikkat ve zihinsel odaklanmayı gerektirir ve yorucu olabilir katılımcıların farkında olun. gerektiğinde kısa molalar isteyin. Ancak, aynı derecede önemli, güçlü dikkat baskı altında bu basit görevleri yerine getirmek için değil, olduğunu. bazı hatalar yapmak tamam olduğunu söyleyin.
2. Talimat ve ısınma
   1. Sunum sırası ve tepki toplama işlemini ayrıntılı görev için mevcut ekrandaki yönergeleri. Görev hedefleri geldi ve bu bazı çalışmalarda zor olacağını sırayı rapor olduğunu katılımcıları bilgilendirmek. belli siparişi söyleyemem zaman ilk izlenim rapor Katılımcılara ve hepsi de böyle bir izlenim varsa onları tahmin edelim.
      Not: Burada kullanılan ikili Tojs olarak, eşzamanlılık algısını gösteren seçeneği yoktur. Aşırı tahmin önlemek için, Simu ile çalışmaların varlığını işaret etmemektedirltaneously açık hedefleri sunulmaktadır. Bu sadece yukarıda özetlenen talimatlara zor denemeler olalım.
   2. çalışmalar sırasında göz hareketleri önlemek için, ekranın ortasında gösterilen bir işareti sabitleşmek etmelerini isteyin. Bir çene geri kalanında kendi baş dinlenmek için isteyin.
   3. Gerekirse kısa molalar isteyin. Sonları izin verildiğinde onlara bildirmek ve onlar (örneğin, hedef sunum sırasında ve tepki öncesi) kaçınılmalıdır zaman.
   4. Katılımcılar görev alışmak hangi kısa bir eğitimi içerir. Bu amaçla, (protokol adım 3.2) Deneysel çalışmalarda rastgele bir alt sunulmaktadır.
      NOT: Görev kendisi oldukça basit olduğundan, 1020 için çalışmalar genellikle yeterlidir. Görevi kendi performans katılımcıların güveni artırmak için avantajlı olabilir. Bu sunum yavaşlatan ve geribildirim sağlayarak yapılabilir.
   5. Katılımcıların confirmati eldeOnlar görev anlamış ve onlar başka sorularınız varsa ki (onlara bunu anlatalım).
3. Ana deneme çalıştırırken
   1. Ana çalışmaların sunumu ile deneysel yazılım başlangıç ​​olsun. Ana deney için stand bırakın.

TOJ Verilerinin 5. Model tabanlı Analiz

1. Her SOA için "prob ilk" yargıların sayıları ham veri dosyalarını dönüştürün. Örneğin, TVATOJ birlikte verilen komut "os2toj.py" çalıştırın.
2. _P ve C w ana parametreleri tahmin etmek Bayes tahminleri yordamı çalıştırmak, elde edilen olanları v _p, v _r ve parametrelerin farklılıkları. Bu amaçla, "run-evaluation.R" dosyasında verilen talimatlara göre düzenledikten sonra komut dosyasını çalıştırın.
3. Örnekleme bittiğinde, araştırma soruları için ilgi farklılıklar tespit edilebilir. examples Aşağıdaki bölümde bulunabilir.

Representative Results

Aşağıda, önerilen yöntem ile elde edilen sonuçlar rapor edilmektedir. Üç deney uyarıcı maddenin üç derece farklı tipleri ile farklı dikkat manipülasyon etkisini ölçtü. uyaranlara basit bir pop-out desen çizgi parçaları, doğal görüntüler aksiyon uzay nesneleri ve cued mektup hedeflerdir.

Deney 1: pop-out görüntüler çıkıntı
Deney 1 sentetik desen hat kesimleri işleme hızı görsel salience etkisini ölçmeye yönelik. Denekler odaklı çizgi segmentleri bir arka plan desen iki hedef çizgi parçaları (sağ veya sol) hangi ilk çaktı değerlendirilecektir. Çalışmaların yarısında, sonda bir renk pop-out (Şekil 2a) idi. Pop-out TOJ tabanlı değerlendirme daha fazla arka plan nerede Krüger ve arkadaşları ^8, yerel Orienta tarafından yapılan bir çalışmada bulunabiliryon çıkıntı yerine renk manipüle edildi. SOA dağılımı ve frekans Şekil 2b'de gösterilmektedir.

Dikkat durumda belirgin hedef 7 Hz tipik grubu genel oranlar C (O = 70 Hz, = 20 SD) ve bir hipotetik avantaj için protokolün adım 2'de tarif edildiği gibi bir Bayesian güç analizi yapıldı (bir kaynaklanan M = 0.55, SD = 0.02) ve dikkat ağırlığı, 200 simülasyonlar yapılmıştır. avantaj tespiti için başarı oranı% 95 HDI alt sınırının (en yüksek yoğunluk aralığı) 4 Hz üstünde olmak ve kontrol koşulu farkı ile ilgili ek gereklerini yerine getiren (TVATOJ örneği "güç exp1.R" için bkz hesaplandı tüm ayrıntılar). 25 katılımcı ile varsayımsal koşullar altında bu hedefe ulaşmak için başarı oranı ile 0.88 olduğu ortaya çıktı0.82 den 0.92 arasında değişen bir% 95 İGE.

Gerçek deney için, 30 katılımcı alındı. o talimatları izleyin ama her zaman aynı anahtarı basılı yoktu çünkü bir katılımcı, analize dahil edilmiştir.

Şekil 2: Deney 1. (a) nötr (üst kısmı) ve dikkat (alt kısım) durumu (gösterim amacıyla çevreleri ile işaretli) Hedefler. (B) SOA dağılımları. (C) Üç örnek konu düzeyinde yanıt sayıları (puan) ve posterior öngörü eğrileri (alan gölgeli, yoğunluk ince taneli SOAS 100 simüle tekrarlar ile ilgili olasılığını gösterir). Mavi kontrol ve yeşil dikkat durumunu gösterir. ( P ve W _WR dikkat ağırlıkları (e) arka dağılımlar. (F) v _p ve v _p ve farklılıkları Posterior dağılımları. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Veri Jags ¹⁰ uygulanan hiyerarşik Bayes prosedür kullanılarak (Giriş bölümünde tarif edildiği gibi) TVA türetilen TOJ modeli ile monte edilmiştir. Şekil 2c takılan modelin konusu düzey örneklerinden elde edilen ham veriler ve posterior öngörü tahminlere üç örnek konu düzeyinde planlarını göstermektedir. Grup düzeyinde posterior tahmini eğrileri Şekil 2e Şekil 2d ve parametre tahminleri gösterilmiştir ve p ve w _r (Şekil 2e) ya da bireysel hız parametreleri v _p, v _r (Şekil 2f) w bağıl dikkat ağırlıkları tespit edilebilir parametreleri. genel işleme kapasitesi C manipülasyon değiştirilmişse, ikincisi parametreler bireysel uyarıcı işleme oranları değişip değişmediğini ve nasıl gösterebilir.

Önerilen hiyerarşik Bayes tahmin prosedürü sonuçlarının bir zenginlik sunuyor. Örneğin, tüm parametreler söz konusu düzeyinde her bir katılımcı için değerlendirilebilir. Tipik olarak, nüfusun eğilimleri ilgi var. Bu nedenle, grup düzeyinde sonuçları tartışılmıştır. histogramlar parametre uzayında üzerinde dağılımları göstermektedir. dağılımlarının modları parametrelerin merkez eğilimlerini göstermek için belirtilmiştir. % 95 HDI'lar aralıkları işareti olanGerçek değerler modeli ve verilere göre% 95 olasılık ile yalan (Bayes istatistikleri yorumlamak konusunda daha detaylı bilgi için, Kruschke ^{11, 13} bakınız).

Şekil 2e ağırlığı ve genel oran parametreleri için denekler genelinde araçların tahminlerini gösterir. belirgin uyarıcı bir dikkat fayda dikkat durumda görülebilir. _P w parametrenin merkezi eğilim 0.59 ve 0.55 0.63% 95 İGE aralıkları. Bu nedenle, çıkıntı 0.5 nötr değerinden dikkat ağırlık uzaklaşmıştır. Hedeflerin yok belirgin olarak kontrol koşulu, W, _p nötr ağırlığı = 0.5 (% 95 HDI: 0.48 0.51 kadar) elde edildi. İlgili satır "Karşılaştırma" koşullar karşısında w _p ağırlıkları arasındaki fark 0.09 olduğunu gösteriyor ve bu farkın% 95 HDI çaldı-0.11 Den 0.07 es. Bu nedenle, belirgin uyarıcı lehine İki ağırlık arasında güvenilir bir fark vardır.

Ancak, bu çarpıcı hedef hızlı işlendi anlamına mı geliyor? Birlikte dikkat durumda paylaşılan genel oran C ağırlıklarda farkı daha hızlı bu durumda olmayan belirgin hedeften daha işlendi olduğunu göstermektedir. Ancak, önemli bir soru da kontrol koşulu hedefleri daha hızlı işlendi olup olmadığıdır. dikkate işleme oranlarının tahminlerini alarak, cevap hayır olmalıdır. Şekil 2E'de gösterildiği gibi, Do tahmini yaklaşık 17 Hz'lik bir farkla dikkat durumda daha düşüktür. ilgili "Karşılaştırma" arsa, 0, hiçbir fark, sadece% 95 HDI saçak yer almaktadır; dolayısıyla son derece düşüktür. Her iki durumda bireysel prob (v _p) ve referans (v _r) oranları uyaran göz önüne alındığındas (Şekil 2f), bu açıktır ki dikkat durumda olmayan belirgin uyarıcı işleme oranının 16 Hz azaltma belirgin uyarıcı sonuçlarının avantajı. Bu sonuçların bir olası yorumlama, belirgin hedef dikkat durumda olmayan belirgin hedef bastırılması ve ilgili böylece yarar yol açmasıdır.

prob ve referans görünüşe nötr durumda aynı olsa bile, bu deneyde unutmayın, deneme başlangıç ​​ve sonda olayı arasındaki gecikme sabit oldu. Bu nedenle, katılımcılar ve böylece nötr değeri 0.5 uzağa dikkat ağırlık kaydırarak, zaman içinde bu noktaya doğru dikkat yönlendirilmiş olabilir. Sonuç olarak, kontrol koşulu prob uyaran gerçek dikkat ağırlık tahmini ve 0.5 sabitlenmelidir. parametre Tespit katılımcı olduğu bile prensip olarak söyleyemem zaman mümkündür Sonda ve hangi Deney 3 kontrol koşulu olarak referans uyarıcı.

Deney 2: doğal görüntüler Eylem alanı avantajları
İkinci deneme doğal görüntüler eylem uzayda nesnelerin dikkat avantajlar ölçtü. Değişimden körlük merkezinde-faiz nesneleri doğal görüntüler ¹⁴ yönlenmesini odaklı anlam yarar olduğu bilinmektedir inceler. görüntüleri ters sunum tarafından gizlenmiş zaman bu etki yoktur. Yayınlanmamış değişim körlüğü deneylerde, biz aksiyon alan ve arka plan nesnelerinin değişiklikler ile görüntülerin bir dizi ile bir eylem alanı avantaj bulundu (referans ¹⁵ benzer uyarıcı malzeme ile yayımlanmış bir çoğaltma vardır). Biz gözlemciye yakın ve muhtemelen açık seçik olan bu eylem uzay nesneleri, onların işleme oranları benzer bir üstünlüğe sahip olduğu varsayımında.

"Fo: keep-together.within-page =" 1 "> Böylece, önerilen TOJ merkezli yöntem doğal görüntüler ile test edilmiştir Eylem alanını (prob) ve doğal görüntüler aniden ortaya daha uzak (referans) nesneleri, oluşturdu. TOJ işlemi için hedefler (Şekil 3a bakınız). bir denekler arası kontrol durumda, aynı görüntülerin baş aşağı versiyonları kullanıldı. Bu değişim yakalama deneylerinde ^{15, 16} azalmış bağlam etkileri olduğu bilinmektedir. SOA arasında nota başlangıç bölgelerinin Şekil 3a'da gösterilen dağıtım göre değişiklik gösterir.

Bir güç tahmini yapılmıştır, deney ve kontrol durum arasında arasındaki denek karşılaştırmalar dışında tam olarak deney 1 için olduğu gibi yapıldı. amaca ulaşmak için başarı oranı 0.92 ile tahmin edilmiştir (% 95 HDI: 0.88 0.96) koşulu başına 35 simüle katılımcılarla (ayrıntılar fo olabilirTVATOJ Örneğin "power-exp2.R") olarak und.

39 dikkat durumda konular ve gerçek deney kontrol koşulunda 38 vardı. (Bazı konular her iki durumda da katıldı. Bildiğimiz kadarıyla, bu Bayes istatistiksel analiz ödün vermez. Karma veri Tedavisi arası konularda denek içi farklılıkları dikkate kıyasla gücü azaltır olarak.) Yine bir katılımcı (aynı kişi her iki durumda da) bağlı deney boyunca kasıtlı rastgele yanıt verilir olan, her bir durumda analizi çıkarıldı.

Şekil 3: Deney 2. (a) Eylem alanı (beyaz ARRO ile işaretlenmişws) ve arka plan (siyah ok) nötr (solda) ve dikkat (sağ) durumda hedeflemektedir. (B) SOA dağılımı. (C) nötr (mavi) durumundan iki örnek özne düzeyinde araziler ve tepki sayımı (puan) ve posterior öngörü eğrileri gölgeli alan ile dikkat koşulu (yeşil) iki parsel; yoğunluk) ince taneli SOAS 100 simüle tekrarlar ile ilgili olasılığını temsil eder. Genel oranda C ve _p ve w _r w dikkat ağırlıkları (d) Posterior dağılımları. (E) Grup düzeyinde posterior tahmini eğrileri. (F) v _p ve v _r ve farklılıkları Posterior dağılımları. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Bu veriler aynı mann takıldıer ilk deneyde olduğu gibi. Tek fark nedeniyle arası konuların tasarım, iki durum arasında parametre farklılıkları konu düzeyinde örnekleme sırasında hesaplanan olamayacağı idi. Bu denek içi farklılıklara göre gücünü azaltır.

Örnek konu düzeyinde ve zorlukla birbirine karşı kaydırılır Şekil 3c gösterisi dağılımları grubu düzeyindeki arka öngörü dağılımlar. O dikkat manipülasyon hiç çalışmamış sanki görünebilir böylece iki koşul, grup düzeyinde posterior tahmini arsa (Şekil 3e) neredeyse mükemmel bir örtüşüyor. Parametrelerin arka dağılımları incelenmesi Ancak gerçekten aksiyon alan nesneler için bir avantaj olduğu ortaya koymaktadır. Dikkat durumda w _p tahmini ise sadece% 95 HDI çok sol ucunda 0.5 nötr duruma gelen kaydırılır. İlginçtir ki, bununla birlikte, bununAyrıca% 95 HDI bile, 0.5 hariç görüntülerin inversiyon potansiyel aksiyon uzay avantajı kaldırmak olmadığını düşündüren ile kontrol koşulu kaymıştır.

Bireysel uyarıcı işleme oranlarının karşılaştırılması (Şekil 3f, "Karşılaştırma") göz önüne alındığında, dikkat bir etkisi referans uyaran v _r oranı görülebilir. (: 0.66 -3,36% 95 HDI) Bununla beraber, fark hipotezine ters yönde noktaları ve sadece 2 Hz bir oran değişikliği yansıtan küçük.

Nedenle, (a) hareket alanı nesnelerin dikkat avantajı, bu öne çıkma veya görünürlüğü, sahne ters çevirme etkisinde kalmış olmayan bir faktör olduğu sonucuna varılmalıdır. Alternatif olarak, (b) istendiği gibi sahne inversiyon eylem alanı etkilerini azaltmak değil, ya da (c) Bu deneyde güç effe tespit etmek çok küçüktüct. Açıklama, (a) ve (b), veya bunların bir kombinasyonu, büyük olasılıkla olanlardır. ters sahnelerde aksiyon uzay nesneleri (azaltılmış olsa) aynı görüntüleri ile yapılmıştır Daha önce de belirttiğimiz bizim yayınlanmamış değişim körlüğü deneylerde, içinde hala bir avantaj oldu.

Bu yöntem merkezli kağıt bağlamında, Bununla birlikte, alternatif (c) en ilginç bir vektör olabilir. Bu nedenle, muhtemelen gözden etkileri büyüklükleri kısaca ele alınacaktır. dikkat ağırlıkları karşılaştırıldığında baktığımızda, alt hipotez yönünü yansıtan -0.01 olan% 95 HDI, sınırı. Bu nedenle, 0.01 sadece ağırlıkları daha büyük kontrol koşulu ile karşılaştırıldığında katıldı muhtemel. Bu fark, diğer deneylere göre küçük ve oran bile böyle küçük bir etkisi karşıyız. Bu 0.04 ulaşan üst sınır HDI tarafından yansıtılır. Hz oranları kolayca prosedürü olarak yorumlanabilir çünkü işlem oranlarına bakıldığında yararlıssing hızı.

Iki durum arasındaki farklılıklar Şekil 3f içinde "Karşılaştırma" satırında gösterilmiştir. Referans uyaranlar arasındaki fark Δv _r negatiftir -2,03 Hz ve% 95 HDI 0. negatif fark çok aksiyon uzay avantajı hipoteze karşı olan referans hedefleri, arka plan nesnelerinin, işleme oranında bir artış yansıtır dışlar . Küçük bir dikkat avantaj Onların fark Δv _p sıfıra yakın olduğu tahmin edilmektedir, sonda hedeflerinin işleme oranlarının hala mümkündür, ancak% 95 HDI -1,64 Hz 1.51 Hz arasındadır. sıfıra yakın bir değer en olası olsa da, buna karşı 1.51 Hz hipotezi lehine 1.64 Hz, yukarı ve yukarı oranı etkileri,% 95 HDI ilgili olası kalır. Genel olarak, bu sonuçlar orijinal hipotez için uygun değil, ama onların tartışma gösterdi muhtemelen cevapsız etkilerin anlamlı boyutları con nasıl olabilirveniently sonuçlardan ekstre edilmiştir. Bu tür görüntüleri çevirerek aksiyon uzay avantajı eksik azaltılması gibi boş sonuçları, kabul etmek için, pratik denklik bölgeleri tanımlanabilir ve% 95 HDI ile örtüşme ¹¹ test edilebilir unutmayın (Tartışma Bölüm bakınız).

Deney 3: mektup tanıma Mekansal cueing
Üçüncü deney önerdi TVA tabanlı TOJ modelinin sınırlarını araştırıldı ve model bu zorlukları ile başa çıkmak için uzatılabilir gösterir.

bu belaya önerilen yöntem alır nedir? İki önceki deneylerde, katılımcılar iki zamansal olayları yargılamak zorunda kaldı. Şimdi üçüncü bir zamansal olayı, ona doğru doğrudan dikkatine sonda uyaran önce 110 msn gösterilen bir çevresel işaret ekleyin. Bu üçüncü olay basit TVA tabanlı TOJ mo zorluklar sunuyorSadece iki uyaranlara açık modellenmiştir hangi del.

Şekil 4: algısal gecikmeleri üzerine ipuçları tipik etkileri. Dikkat etkileri büyüklükleri genellikle çevresel ipuçları (yatay çizgiler) ile Tojs bulundu. Sonda uyaran (eğrileri) ve dikkat ağırlıkları arttırmak için TVA merkezli TOJ modeli ile tahmin edilen büyüklükler. Katı eğri genellikle gözlenen parametreler gelir. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

TOJ literatürde bildirilen dikkat faydaları büyüklükleri zaten bu zorlukların ipucu. Periferik ipuçları tarafından uyarılan gecikme farkları genellikle% 50 gibi yüksek vecueing aralığının ¹⁹ hatta bazen yüksek 80 olarak%. Şekil 4'te gösterildiği gibi, bu kadar büyük bir kayma tipik işlem hızlarında yakın _P S = 0.9 olası dikkat ağırlıkları gerektirecektir. Ayrıca, bu tür aşırı ağırlıklar oldukça çarpık psikometrik dağıtımları yol açar. Bu bir ucunda dik bir eğim ve diğer ucunda bir sığ bir eğime sahip olacaktır. daha zayıf bir tezahürü olarak, bu ilk deneyde (Şekil 2c ve d) Arka prediktif parsellerde görülebilir. Böyle güçlü bir bozuk eğrileri nadiren bildirilmiştir. Bu çevresel cueing deneyden gelen veriler TVA tabanlı TOJ modeli ile monte edildiğinde, arka tahmin eğrileri güçlü gerçek veri desenden sapma.

Ancak daha da önemlisi, periferik ipuçları psikofiziksel Toj ²⁰ dikkat güçlü ve en güvenilir etkiler üretmek. Bu nedenle, bu worthwh olduğuÖnerilen modelin genişletilmiş bir sürümü ile bir model tabanlı değerlendirmeyi uygulamak Ile. Alcalá-Quintana ve García-Pérez ²¹ üstel uyaran kodlama genel varsayımlara dayalı bir TOJ modelini önerdi. Bu model psikometrik eğrileri yamaçlarında değiştirmeden büyük kaymaların sağlayan ek bir parametre içerir. Alcalá-Quintana ve García-Pérez bu tür kaymalar modaliteleri arasında gecikmeler kaynaklanan crossmodal Tojs için kullanılır. Bu nedenle, cued Tojs verileri modellemek için, biz onların parametre τ içerir. kodlama işlemleri başlangıcı arasında bir gecikme beklenen büyük yanal vardiya için hesap verebilir. Parametre τ bile TVA uyumlu yorumunu olabilir. Bununla birlikte, bu tamamen sorunsuz değildir ve daha sonra ele alınacaktır. cimri Alcalá-Quintana ve García-Pérez (tepki önyargıları, süresi geçerse, ve temporal bir minimum tarafından önerilen, diğer parametreleri modeli tutmak içinçözünürlük) dahil edilmemiştir.

Resmen, Denklem 4 orijinal psikometrik model düzeltilmiş dönem SOA _adj = SOA + τ ile vadeli SOA yerine değiştirilir. üstel kodlama süreçleri başlar artık sadece SOA ayrılmış değildir, ancak ek bir sabit gecikme eklenir: Bu ayar ayrıca τ yorumunu yansıtmaktadır. Hiyerarşik Bayes modelde, söz konusu seviye τ bir grup düzeyinde normal dağılımdan örneklenir.

Bir açık güç analizi Bu deney için yapılmadı. içinde-konular dizayn deneyde kurt 1 birine benzer olduğundan, benzer bir güç oranları ve dikkat ağırlıkları etkileri beklenmektedir. hiçbir güç sorunu e olabilir böylece τ parametresi tarafından yakalanan beklenen büyük yanal kayma, çok daha büyük ve hızı ve kilo etkileri tipik olarak daha kararlıya da tespit edilmesi için xpected.

Veriler 4. Katılımcılar iki harf sırasını bildirmek zorunda protokol adımda açıklanan deneysel prosedüre göre 32 katılımcı (aralarında üç yazar) için toplandı. Periferik dört nokta işaret ile prob uyaran önce geliyordu çalışmalarda (110 msn) yarısında (Şekil 5a bakınız). Uyarım ayrıntılı bir açıklaması Tünnermann, Petersen bulunan ve Scharlau çalışması ⁷ edilebilir. SOA ve frekansları Şekil 5b'de gösterilmiştir. Her katılımcı bir ya da iki seans uygulandı.

Şekil 5: Deney 3. (a) Hedefler, keyfi deProb ve nötr koşul (üst kısım) referans olarak signated. dikkat durumu (alt kısmı) prob uyaran dört nokta işaret ile (110 msn'den) öncesinde edildi. (C) Üç örnek konu düzeyinde yanıt sayıları (puan) ve posterior öngörü dağılımları (alan gölgeli, yoğunluk ince taneli SOAS 100 simüle tekrarlar ile ilgili olasılığını gösterir). Mavi nötr ve yeşil dikkat durumu temsil eder. (D) Grup düzeyinde posterior tahmini eğrileri. Genel oranı C ve _P ve W _WR dikkat ağırlıkları (e) arka dağılımlar. (F) τ ve sıfırdan kendi farkı Posterior dağılımları. V _p ve v _r ve farklılıkları (g) Posterior dağılımları. Th büyük halini görmek için buraya tıklayınızrakamdır.

Yukarıda açıklandığı gibi genişletilmiş modeli hiyerarşik Bayes tahminleri prosedürü uygulandı. (Ilk oturumda çok dik psikometrik eğrileri üretilen katılımcılar için, daha küçük SOA'lar ikinci seansta kullanılmıştır. Bu görülebilir, örneğin, küçük SOAS ek veri noktaları içeren soldaki arsa Şekil 5c, içinde.) Çünkü daha karmaşık bir model Stan yazılım paketi güçlü NUTS örnekleyici Bu analizde ²² kullanılmıştır.

Diğer deneylerde, prob uyaran da kontrol koşulu, bir referans uyaran farklı bir işlem hızına sahip olabilir. Katılımcılar deneme başlangıcı göre zaman onun öngörülebilir noktaya dikkat tahsis olabilirdi çünkü Deney 1, bu oldu. Deney 2'de, görüntülerin ters beklenmiyordu Tamamen aksiyon uzay nesneleri avantajını kaldırın. Aynı rastgele harfler kullanılmış ve deneme arasındaki zaman ve sonuçlandırmak izin vermedi başlamasını hedef çünkü bu mektup tabanlı cueing deneyde ise, katılımcılar bile ilke olarak, sonda ve hangi referans uyaran olan tespit etmek mümkün olacaktır hedef türü. Bu nedenle, bir gerçek doğal kontrol koşulu beklenen ve W _s, nötr durumda 0 ° C'de 0.5 ve τ sabitlenir.

Şekil 5C ve 5D'de görüldüğü gibi, ipucu, diğer deneylere göre psikometrik fonksiyonu önemli bir değişikliğe yol açar. Bir 53.27 ms cued hedef için yarar Dahası, bu τ göstermek 5f Şekil posterior araziler tahmin edilmektedir. fark ( "Karşılaştırma" satır) 95% HDI derece Olasılıksız onları render tüm farklılıkları (57.73 veya daha büyük) daha küçük 47.56 dışlar.

t "> İlginçtir, uncued hedef (Şekil 5e) lehine dikkat ağırlıkları bir değişiklik. 0.42 _p onun modu w arka dağılımı vardır. 0.5 nötr ağırlıklarında% 95 HDI dahil değildir. İçin C parametresi, dikkat koşulu. v-parametreleri (Şekil 5f) olarak ifade için 4.69 Hz bir artış olduğu, bunun en önemli olduğunu dikkat koşulu artar referans uyaran oranı v _r.

Önceki iki deneylerde, bu dikkat manipülasyonlar prob uyaran dikkat ağırlığını artırdığı gözlenmiştir. Bu deneyde ise, desen, böylece kodlama için yarışta hızını azaltarak hedef işaretin bir müdahale yansıtıyor olabilir. Aynı zamanda, bağlı τ parametresine hızlı işleme cued hedef faydaları. İkincisi önceki tetiklenen hedef gecikme azalması ile bağlantılı olabilir ya daüstel yarışları sonra. Bununla birlikte, τ ilgili olduğu, uncued uyaran ile birleşik bir gecikme bir uzama eşit ölçüde iyi nispi farkı açıklar.

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 görüntüleri göstererek rahatsız kalıcı avantajı nedeniyle, başka bir yerel dikkat fayda ağırlık artışına neden olur olasıdır. Çevresel bir ipucu, Deney 3'te kullanılan, dikkat ağırlığı üzerinde negatif bir etki gösterir. Bununla birlikte, bu modeller kodlama işlemleri başlangıç ​​zamanları arasındaki bir gecikme τ parametresi büyük bir etkiye yol açar.

protokol En yaygın adımları takipGenel olarak Tojs ve algı deneyler de. TVA açısından sonuçların yorumlanması görsel kısa süreli belleğe uyaranlara kodlama bağlı olduğunu, ancak, unutmayın. Saf başlangıçlı tespiti ile Toj gerçekleştirme imkanı mümkün olduğu kadar düşük olmalıdır. Protokol adım 1.2 'de belirtildiği gibi, bu nedenle, bu ilgi nitelikleri otomatik ya da kodlama (bazı örnek uyaranlar, çıkıntı pop-çıkışları için kabul edilebilir olan) görev yoluyla kolaylaştırılabilir gerekir kodlanmış çok önemlidir (örneğin, raporlama uyaran kimliği).

Bu özetlenmiştir ham verileri incelemek için tavsiye edilir (tekrarlama sayısı bölü SOAS genelinde sayıları "ilk prob") son analize geçmeden. Örnek Sonuçlar bölümünün Şekillerde psikometrik işlevleri de gösterildiği gibi bu veriler, bir S-şekilli bir eğri izlemelidir. Bu nedeniyle binomially dağıtılan yanıtları, veri noktaları rasgele Notly İdeal yolundan sapma. sapmalar tekrarlama azalan numarası ile artar. Birkaç tekrarlar ile, sapmalar ideal bir S şeklini engellemeyecek, genellikle nispeten büyüktür. desen açıkça zamanki eğriden sapma Ancak, matematiksel model ayarlanması gerekebilir. büyük yanal değişimler (bu makalenin Deney 3 gibi) gözlendiğinde Örneğin, Alcalá-Quintana ve Garcia-Pérez τ parametre dahil edilebilir. Eğri onun ucunda diğeri sıfıra yakınsama değilse, ek hızlandırılmış ²¹ eklenebilir parametrelerinin.

Farklı modeller arasında karar vermek Alcalá-Quintana ve García-Pérez ²¹ önerildiği gibi resmi bir model karşılaştırma yapmak mümkündür. Giriş bölümünde belirtilen olandan farklı modellerini kullanarak, ancak, sonuç TVA açısından yorumlanabilir olup olmadığını etkileyebilir.

Oradasults Bu makalede rapor, onların% 95 HDI'lar birlikte tahmini farklılıkların merkezi eğilimlerini belirtti. Ancak, Bayes çerçevede, kabul ya da iki tahminleri arasında hiçbir fark olmadığını reddetmek mümkündür. Bu amaçla, bir ip (pratik ilişki ^{bölgesi), 13 11} belirtilmelidir. HALAT sıfır etrafında küçük bir aralığını gösterir. Bu aralıkta değerleri sıfıra pratikte eşit kabul edilir. HALAT HDI ile örtüşmeyen ise sıfır hipotezi reddedilir. Anlamlı HALAT sınırları araştırma sorusu veya uygulama bağlıdır. Geleneksel yollarla TOJ analizi aksine, TVA temelli yaklaşım anlamlı bir İP limitlerinin belirlenmesi rehberlik eder: nedeniyle, parametreler, diğer TVA paradigmalar tahminlerine bağlı edilebilen anlamlı birimlere (örneğin, tüm raporlar, bakınız, referans ³⁾ . Bundan başka, işlem oranları kodlayan du dönüştürülebilirerzak HALAT sınırlarını bilgilendirmek için (uyarıcı x kodlama süresi E _x beklenen değer ⁷ başvurusuna bakın, 1 / h _x). Araştırmacılar bir dikkat manipülasyon itici bir simülasyon bir katılımcı için bir reaksiyon süresi azaltılmasına katkıda bulunup ilgilenen varsa aşağıdaki gibi Örneğin, onlar akıl olabilir: (motor bileşenleri dahil) Tepki süresi birkaç yüz milisaniye aralığında, bu nedenle dikkat manipülasyon genel tepkisini sadece birkaç milisaniye değiştirirse, değişikliğin pratikte sıfır olacaktır. Dolayısıyla -2 2 ms arasında bir HALAT referans ve sonda kodlama süresi farkı uygulanan olabilir (E _r -E _p). Bu farkın HALAT tamamen HDI içeriyorsa, sonuç fark kabul edilebilir olduğunu. HDI ve HALAT üst üste yoksa, boş hipotez reddedilir edilebilir. ne durumda, böyle bir nokta karar yapılabilir. Bayes eva ile ilgili daha fazla detayGenel olarak luation yaklaşımı Kruschke kitabı ^13, örneğin, bulunabilir.

Bu protokolün başarısı için, daha genel konulara dönecek olursak, hedef konumda zamansal sinyalleri üreten sadece iki uyaran vardır önemlidir. Örneğin, bir periferik (Deney 3 gibi) işaret veya maskeleri mevcut TVA merkezli model tarafından hesaba edilemez büyük yanal vardiya ⁷ kurşun. Bu tür durumlar nadir değildir ve onlar Alcalá-Quintana ve García-Pérez ²¹ tarafından önerilen bir parametre eklenerek modellenmiştir. Bu genişletilmiş modelde, τ bileşeni açıkça TVA mekanizmasına bağlı olamaz. τ ve TVA arasında geçici bir bağlantı vardır, ancak bazı çözülmemiş sorunlar var. Nitekim, TVA başlar kodlama önce kısa bir gecikme varsayar. Giriş tartışıldı parametre t _0, dur maksimum etkisiz pozlamahiçbir şey hiç kodlanan önce hangi tirme. Fark t _0r -t _0p τ olarak anlaşılabilir. Bununla birlikte, t'nin ₀ 10 ila 20 milisaniye civarında tipik olarak küçüktür. Ayrıca, teori dikkat etkisi olduğunu kabul etmez. Bununla birlikte, _burada t ₀ azaltma harfli tanıma ^{7, 24} gözlenmiştir. Bir bu olasılığı kabul ederse, bir başka bağlılık yapılmalıdır. Parametre τ 50 ms etrafında ölçüldü. Ilk etapta büyük değil çünkü cued uyaran _0P ton maksimum 10 ila 20 ms azaltılabilir gerçeği göz önüne alındığında, τ çoğu 50 ila 60 msn uncued t _0r artan gelirdi. Bu büyüklük bazen (10 milisaniye civarında) görülmektedir ötesinde yoludur. TVA için τ en belirsiz ilişkinin bir sonucu olarak, bazı önemli sorulara cevap olamaz. Örneğin, katıldığı stimu gecikme olmadığını karar olamazli azaltılabilir veya sahipsiz uyaranların olanlar uzun süreli ise (gözlenen τ farkı ile sonuçlanan) vardır.

Yukarıda belirtilen tekniğin sınırlamaları sadece iki uyaranlara açık TVA ile modellenmiştir gerçeğinden kaynaklanmaktadır. Bu konuda geliştirmek için, gelecekteki araştırma ikiden fazla uyarana TVA-tabanlı modeli uzanan amaçlamaktadır. Özellikle, açıkça TVA ile cued Toj olarak işaret modelleme sonraki araştırmaların ²⁵ önemli bir hedeftir.

protokol Avantajları neredeyse keyfi uyaranlar, TVA tarafından kapsamlı kuramsal bir temele ve Bayes değerlendirme düzeni yararlanabilirler TOJ görevin basitlik vardır. TVA-tabanlı model, geleneksel model ücretsiz yaklaşımlardan ileriye büyük bir adımdır. Geçmişte, çoğunlukla genel psikometrik fonksiyonlar TOJ verilere monte edilmiştir. kendi Özetle değişiklikler PSS (sübjektif eşzamanlılık noktası) ve DL (fark Limen parametreler; bir ölçüsüdürayrımcılık performans) dikkat manipülasyonlar bağlantılı olmuştur. Zaman zaman, bu parametreler aşırı yorumlanır. Örneğin, sık sık da katılımsız uyaran ⁷ yavaşlar durum olabilir oysa dikkat katıldı uyaran işlenmesini hızlandırır iddia edilmektedir. Bu zayıf ek olarak, bu parametreler yerine dolaylıdır. Onlar görev performansını açıklamak ve onu üreten süreçleri karakterize yok. Tojs model tabanlı analiz TVA dayalı anlamlı parametreleri sağlayarak bu sakıncaları geliştirir.

Materials

Name	Company	Catalog Number	Comments
Personal Computer
(Open Source) Experimentation and evaluation software