Medindo atenção e velocidade de processamento Visual pela análise baseada no modelo de decisões de ordem temporal

Abstract

Este protocolo descreve como conduzir experimentos de ordem temporal para medir a velocidade de processamento visual e a distribuição de recursos de atenção. O método proposto é baseado em uma combinação nova e sinérgica de três componentes: o paradigma julgamentos de ordem temporal (TOJ), a teoria de Bundesen de Atenção Visual (TVA), e um quadro de estimativa Bayesiana hierárquica. O método fornece parâmetros facilmente interpretáveis, que são apoiados pelos fundamentos teóricos e neurofisiológicos da TVA. Usando tojs, estimativas baseadas em TVA pode ser obtido por uma variedade de estímulos, ao passo que paradigmas tradicionais utilizados com a TVA são principalmente limitadas às letras e algarismos. Finalmente, os parâmetros significativos do modelo proposto permitir o estabelecimento de um modelo Bayesian hierárquica. Tal modelo estatístico permite avaliar os resultados em uma análise coerente tanto sobre o assunto e ao nível do grupo.

Para demonstrar a viabilidade e versatility desta nova abordagem, três experimentos são relatados com manipulações de atenção em exibe pop-out sintéticas, imagens naturais, e um paradigma carta-relatório cued.

Introduction

Como a atenção é distribuído no espaço e no tempo é um dos factores mais importantes na percepção visual humana. Objetos que capturam a atenção por causa de sua conspicuity ou importância são normalmente processados ​​mais rapidamente e com maior precisão. Em estudos de comportamento, tais benefícios de desempenho tenham sido demonstrado numa variedade de paradigmas experimentais. Por exemplo, a atribuição a atenção para o local de destino acelera a reacção em tarefas de detecção da sonda ^1. Da mesma forma, a precisão das cartas relatando é melhorada pela atenção ^2. Tais achados provam que a atenção melhora o processamento, mas eles permanecem irremediavelmente mudo sobre como este acessório é estabelecida.

O presente trabalho demonstra que os mecanismos de baixo nível por trás vantagens de atenção pode ser avaliada medindo a velocidade de processamento de estímulos individuais em uma estrutura baseada em modelo que relaciona as medidas de grão fino components de atenção. Com esse modelo, a capacidade de processamento total e sua distribuição entre os estímulos pode ser inferida a partir de medições de velocidade de processamento.

Teoria de Bundesen de Atenção Visual (TVA) ³ fornece um modelo adequado para este esforço. Ele é geralmente aplicado a dados de tarefas de relatório carta. A seguir, os fundamentos da TVA são explicadas e é mostrado como eles podem ser estendidos para modelar dados de julgamento-ordem temporal (TOJ) obtidos com (quase) estímulos arbitrários. Este novo método fornece estimativas de velocidade de processamento e distribuição de recursos que pode ser facilmente interpretados. O protocolo neste artigo explica como planejar e conduzir tais experimentos e detalhes como os dados podem ser analisados.

Como mencionado acima, o paradigma usual em modelagem e estimativa de parâmetros de atenção baseado no TVA é a tarefa de relatório carta. Os participantes relatam as identidades de um conjunto de cartas queé brevemente brilhou e, normalmente mascarado depois de um atraso variável. Entre outros parâmetros, a velocidade à qual os elementos visuais são codificados na memória de curto prazo visual pode ser estimada. O método foi aplicado com sucesso a perguntas em investigação fundamental e clínica. Por exemplo, Bublak e colegas ⁴ avaliaram quais parâmetros de atenção são afetados em diferentes estágios de défices cognitivos relacionados com a idade. Na investigação fundamental atenção, Petersen, Kyllingsbæk e Bundesen ⁵ utilizadas TVA para modelar o efeito tempo de permanência de atenção, dificuldade do observador em perceber a segunda de duas metas em determinados intervalos de tempo. Uma grande desvantagem do paradigma relatório carta é que ele requer estímulos suficientemente aprendida e Maskable. Este requisito limita o método para letras e algarismos. Outros estímulos exigiria treinamento pesado de participantes.

O paradigma TOJ não exige nem Stimul específicai nem mascaramento. Pode ser usado com qualquer tipo de estímulos para os quais a ordem do aparecimento pode ser avaliada. Isso amplia a gama de estímulo a praticamente tudo o que poderia ser de interesse, incluindo comparações directas cross-modais ^6.

Investigando atenção com tojs baseia-se no fenómeno de entrada antes de atenção que é uma medida de quanto mais cedo um estímulo atendido é percebido em contraposição a um autônoma. Infelizmente, o método usual para a análise de dados TOJ, funções psicométricas desempenho observador montagem (tais como funções de Gauss ou logísticos cumulativas), não se pode distinguir se a atenção aumenta a velocidade de processamento do estímulo assistida ou se diminui a velocidade do estímulo automática ^7. Esta ambiguidade é um grande problema porque a questão de saber se a percepção de um estímulo é verdadeiramente reforçada ou se beneficia por causa da retirada de recursos de um Stimul competindo nós é uma questão tanto de relevância fundamental e prático. Por exemplo, para o desenho de interfaces homem-máquina é altamente relevante saber se o aumento da proeminência de um elemento funciona em detrimento da outra.

A tarefa TOJ geralmente procede como se segue: Um ponto de fixação é apresentado por um breve período de tempo, tipicamente um aleatoriamente desenhada intervalo menor do que um segundo. Em seguida, o primeiro alvo é apresentado, seguido após um estímulo variável início assincronia (SOA) pelo segundo alvo. Na SOAS negativos, a sonda, o estímulo atendido, é exibido pela primeira vez. Na SOAS positivos, a referência, o estímulo autônoma, leva. Em uma SOA de zero, ambos os alvos são mostrados simultaneamente.

Tipicamente, apresentando o alvo refere-se a comutação do estímulo em. Sob certas condições, no entanto, outros eventos temporais, como um lampejo de uma já presente alvo ou deslocamentos são utilizados ^8.

_content "> Em tojs, as respostas são recolhidas de forma unspeeded, geralmente por teclas mapeadas para as identidades de estímulo e ordens de apresentação (por exemplo, se os estímulos são quadrados e diamantes, uma chave indica" quadrado em primeiro lugar "e outro" diamante primeiro ") . importante, para a avaliação, esses julgamentos devem ser convertidos em "primeira sonda" (ou "primeira referência") julgamentos.

No presente trabalho, uma combinação do modelo de processamento de TVA e o paradigma experimental TOJ é usada para eliminar os problemas em qualquer domínio individual. Com este método, os parâmetros de velocidade facilmente interpretáveis ​​pode ser estimada por estímulos visuais quase arbitrárias, permitindo inferir como a atenção do observador é alocada para competir elementos visuais.

O modelo baseia-se as equações de TVA para o processamento dos estímulos individuais, que serão brevemente explicados a seguir. A probabilidade de que uma stimulnós é codificada em memória visual de curto prazo antes que o outro é interpretado como a probabilidade de julgar esse estímulo como aparecendo em primeiro lugar. As durações de codificação individuais são exponencialmente distribuídos ^9:

(1)

O máximo de exposição ineficaz duração t ₀ é um limite antes que nada está codificado em tudo. De acordo com a TVA, a taxa de v _{x, i,} no qual o objecto X é codificado como membro de uma categoria perceptual I (por exemplo, cor ou forma) é dada pela equação de velocidade,

. (2)

A força da evidência sensorial que x pertence à categoria i é expresso em _{x n, i,} e p _i é um viés decisão para categorizar estímulos como membros da categoria i. Este é multiplicado por umpesos ttentional. Pesos de atenção individuais w _x são divididas pelos pesos de atenção de todos os objetos no campo visual. Assim, o peso atencional relativo é calculado como

(3)

onde R representa todas as categorias e r | _{x, i} representa a evidência sensorial que o objeto x pertence à categoria j. O valor π _j é chamado pertinência da categoria j e reflete um viés para fazer categorizações em j. A capacidade de processamento global C é a soma de todas as taxas de processamento para todos os estímulos e categorização. Para uma descrição mais detalhada da TVA, consulte da Bundesen e Habekost livro ^9.

No nosso novo método, a Equação 1, que descreve a codificação de estímulos individuais, é transformado em um modelo de tojs. Assumindo que vieses de seleção e categorias de relatório são constanT dentro de uma tarefa experimental, a taxas de processamento v _p e v _r da sonda duas alvo estímulos (P) e de referência (R) depender de C e os pesos de atenção na forma v _P = C · W _P e V _R = C · W _R, respectivamente. O novo modelo TOJ expressa a probabilidade de sucesso P _{p ^1º} que um participante julga o estímulo sonda para ser o primeiro em função da SOA e as taxas de processamento. Ele pode ser formalizado da seguinte forma:

(4)

Uma descrição mais detalhada de como esta equação é derivado a partir das equações básicas TVA é descrito por Tünnermann, Petersen, e Scharlau ^7.

Por uma questão de simplicidade, o parâmetro t é ₀ omitido no modelo na Equação 1. De acordo com a TVA original, t ₀ deve ser idêntico para Both alvos na tarefa TOJ, e, por conseguinte, que anula. No entanto, esta hipótese pode às vezes ser violada (ver secção Discussão).

Para a montagem dessa equação aos dados Toj, é sugerido um esquema de estimação bayesiana hierárquica ^11. Esta abordagem permite estimar os pesos de atenção w _p e w _r dos estímulos sonda e de referência ea C. global da taxa de processamento Esses parâmetros, a redução das taxas de captação v _p e v _r, e as diferenças induzida por atenção entre eles, pode ser avaliada sobre os níveis de sujeitos e de grupo, juntamente com as incertezas estimadas. O modelo hierárquico é ilustrada na Figura 1. Durante a fase de planeamento para um experimento, a análise do poder Bayesian conveniente pode ser conduzida.

O protocolo a seguir descreve como planejar, executar e analisar experimentos Toj a partir do qual os parâmetros de velocidade de processamento e pesos de atenção para estímulos visuais podemser obtido. O protocolo assume que o pesquisador está interessado em como uma manipulação de atenção influencia as velocidades de processamento de alguns alvos de interesse.

Figura 1: Gráfico modelo utilizado no procedimento de estimativa Bayesiano. Círculos indicam distribuições estimadas; círculos indicam os nós duplos determinísticos. Quadrados indicam dados. As relações são apresentadas no lado direito da figura. Os nós de fora dos quadros arredondadas ( "chapas") representam estimativas média e dispersão de parâmetros TVA (ver Introdução) no nível do grupo. No "j assuntos" placa, que pode ser visto como pesos de atenção (W) são combinados com as taxas globais de processamento (C) a partir de taxas de processamento de estímulo (V) sobre o nível de objecto. Plate "i SOA &# 8221; mostra como estes parâmetros são então transformadas TVA (via _{P ¹} P função descrito na introdução) para a probabilidade de sucesso (θ) para as respostas binomial distribuídos em cada SOA. Portanto, o θ em conjunto com as repetições do SOA (N) descrevem os pontos de dados (Y). Para mais detalhes sobre a notação e interpretação de modelos gráficos, referem-se a Lee e Wagenmakers ^23. Note-se que por uma questão de clareza, os nós que representam diferenças de parâmetros foram omitidos. Estes parâmetros determinísticos são indicados nas figuras dos resultados experimentais em vez disso. Por favor clique aqui para ver uma versão maior desta figura.

Protocol

NOTA: Algumas etapas deste protocolo pode ser realizada utilizando software personalizado fornecido (juntamente com instruções de instalação) na http://groups.upb.de/viat/TVATOJ. No protocolo, este conjunto de programas e scripts é referido como "TVATOJ".

1. Seleção de estímulos materiais

1. Selecione estímulos de acordo com a pergunta da pesquisa.
   NOTA: Em geral, os dois alvos são mostrados em diferentes locais na tela. Estímulos que têm sido utilizados com o presente método incluem, por exemplo, formas, números, letras, singletons em exibe pop-out, e objetos em imagens naturais. Os três últimos tipos foram utilizados no presente protocolo.
   NOTA: Vários tipos de estímulos diferentes estão incluídos no plugin TOJ ( "psylab_toj_stimulus" fornecido com TVATOJ) para o construtor experimento OpenSesame ^12.
2. Ao criar novos tipos de estímulo, certifique-se de que as propriedades de interest tem que ser codificado para o julgamento, tornando-as importantes para a tarefa ou selecionar estímulos onde as propriedades de interesse são codificados automaticamente (por exemplo, singletons em exibe pop-out).

2. Poder Estimativa e Planejamento

1. Faça uma análise de energia Bayesian simulando conjuntos de dados com o modelo selecionado, design planejado (distribuição SOA e repetições), tamanhos de amostra e parâmetros hipotéticos. Estimar se é susceptível de atingir a meta de pesquisa (por exemplo, uma certa diferença nos parâmetros). Se a energia não for suficiente, alterar o projeto, adicionando ou mudando SOAs ou repetições e repita a análise.
   1. Para usar o software TVATOJ fornecido, abrir e editar o script "exp1-power.R". Siga os comentários no arquivo para ajustá-lo para a análise específica. Para obter informações gerais sobre a estimativa de energia Bayesian referem-se a Kruschke ^13.

<p class = "jove_title"> 3. Especificação ou Programação do Experimento

1. Use um construtor de experiência ou biblioteca de apresentação psicofísico para implementar o experimento.
   1. Para usar o plugin OpenSesame TOJ previsto no TVATOJ, arraste o plug-in "psylab_toj_stimulus" em um loop apresentação julgamento. Como alternativa, abra o "simple-toj.osexp" exemplo experimento no OpenSesame.
   2. Selecione o tipo de estímulo desejado no menu suspenso "Tipo de estímulo" na configuração psylab_toj_stimulus. Siga as instruções em TVATOJ para a adição de novos tipos de estímulo, se necessário.
2. Especificar os ensaios conforme descrito nos seguintes passos.
   1. Para cada condição experimental, criar testes com o SOA planejado. Ao utilizar o plugin psylab_toj_stimulus e OpenSesame, adicione todos os fatores variados como variáveis para o ciclo de teste (por exemplo, "SOA").
   2. Adicionar linhas ao quadro para percebertodas as combinações de fatores (por exemplo, sete SOAS, de -100 a 100 ms, cruzou-se com as condições experimentais "atenção" e "neutro"). Ajuste atributo "Repeat" do circuito para criar repetições suficientes (veja o passo protocolo 2 para determinar a distribuição e repetição de SOAs).
      NOTA: Normalmente, no máximo, 800 ensaios podem ser apresentados no prazo de uma hora. Se forem necessários mais repetições, considere dividir a experiência em várias sessões. Certifique-se de que o atributo "Ordem" do loop é definido como "Random" antes de executar o experimento.
   3. Na configuração plug-in psylab_toj_stimulus, adicione espaços reservados (por exemplo, "[SOA]") para os fatores variados nos respectivos campos. Entre os valores constantes nos campos de factores que não são variadas.
      NOTA: Antes de executar o experimento, certifique-se que o timing exato é garantida. Se o comportamento horário adequado de monitores mais novos não se verificou, o usoMonitores CRT e sincronizar com o sinal de retorno vertical ^12.

4. Procedimento Experimental

1. Acolhedor e coletiva dos participantes
   1. Boas-vindas aos participantes e informá-los sobre a forma geral do experimento (experimento percepção baseado em computador). Informar os participantes sobre a duração potencial da experiência. Obter um consentimento informado dos participantes para participar na experiência.
   2. Certifique-se de que os participantes mostram normal ou visão corrigida-a-normal (de forma otimizada através da realização de testes de visão curta). Alguns déficits, como daltonismo, pode ser tolerável se não interferir com a questão de pesquisa para o tipo particular de material de estímulo.
   3. Fornecer uma cabine calmo onde o experimento é conduzido. Ajuste a cadeira, resto queixo, posição do teclado, e assim por diante, para garantir condições de visualização e de resposta óptimas para o experiment.
   4. Faça os participantes cientes de que o experimento requer atenção e foco mental e pode ser fatigante. Peça-lhes para fazer pausas curtas quando necessário. É, no entanto, igualmente importante não realizar estas tarefas simples sob forte pressão de atenção. Diga aos participantes que é bom para fazer alguns erros.
2. Instrução e warm-up
   1. instruções na tela atual para a tarefa, detalhando o procedimento sequência de apresentação e recolha de resposta. Informar os participantes que a tarefa é informar a ordem em que os alvos chegou, e que isso vai ser difícil em alguns ensaios. Peça aos participantes para relatar sua primeira impressão quando eles não podem dizer a ordem certa, e deixá-los acho que se eles não têm essa impressão em tudo.
      NOTA: Nos tojs binários usados ​​aqui, não há nenhuma opção para indicar a percepção da simultaneidade. Para evitar adivinhação excessiva, não apontam a presença de ensaios com simultaneously alvos apresentados explicitamente. Deixe estes ser simplesmente ensaios difíceis com as instruções descritas acima.
   2. Para evitar movimentos oculares durante os ensaios, peça aos participantes para fixar uma marca que é mostrado no centro da tela. Peça-lhes para descansar a sua cabeça em um descanso de queixo.
   3. Peça aos participantes para fazer pausas curtas, se necessário. Deixe-os saber quando as rupturas são permitidos e quando eles devem ser evitados (por exemplo, durante a apresentação do alvo e antes da resposta).
   4. Incluir uma formação de curta duração em que os participantes podem se acostumar com a tarefa. Para o efeito, apresentar um subconjunto aleatório dos ensaios experimentais (ver protocolo passo 3.2).
      NOTA: Devido a tarefa em si é bastante simples, de dez a vinte ensaios geralmente são suficientes. Pode ser vantajoso para aumentar a confiança dos participantes no seu desempenho nesta tarefa. Isso pode ser feito por abrandar a apresentação e fornecer feedback.
   5. Obter confirmati dos participantesem que entenderam a tarefa (deixá-los explicar isso) e que eles não têm mais perguntas.
3. Executando o experimento principal
   1. Deixe o início software experimental, com a apresentação dos principais ensaios. Deixe a cabine para o experimento principal.

5. Análise baseada no Modelo de Dados TOJ

1. Converter os arquivos de dados brutos em acusações de "sonda primeiros" julgamentos para cada SOA. Por exemplo, executar o script "os2toj.py" fornecido com TVATOJ.
2. Execute o procedimento de estimação Bayesiana para estimar os principais parâmetros w _p e C, o derivado queridos v _p e v _r e as diferenças dos parâmetros. Para o efeito, executar o script de "run-evaluation.R" depois editá-lo de acordo com as instruções fornecidas no arquivo.
3. Quando a amostragem for concluída, as diferenças de interesse para as questões de pesquisa pode ser avaliada. examples podem ser encontradas na seção seguinte.

Representative Results

No que se segue, os resultados obtidos com o método proposto são relatados. Três experiências medido a influência de diferentes manipulações de atenção com três tipos diferentes de material altamente estímulo. Os estímulos são segmentos simples de linha nos padrões de pop-out, objetos espaciais de ação em imagens naturais e metas carta cued.

Experimento 1: Saliência em pop-out exibe
Experiência 1 destinado a medir a influência da saliência visual sobre a velocidade de processamento de segmentos de linha num padrão sintético. Os indivíduos julgados qual dos dois segmentos de linha-alvo (esquerda ou direita) em um padrão de segmentos de linha orientados fundo tremulou pela primeira vez. Em metade dos ensaios, a sonda tinha uma cor pop-out (ver Figura 2a). Mais fundo sobre a avaliação baseada em TOJ de pop-out pode ser encontrado em um estudo realizado por Krüger e colegas ^8, onde orienta locaissalience ção foi manipulado em vez de cor. A distribuição ea frequência da SOA são mostrados na Figura 2b.

Uma análise Bayesiana poder foi conduzida como descrito no passo 2. protocolo típico para o grupo taxas globais C (m = 70 Hz, SD = 20) e uma hipotética vantagem desde cerca de 7 Hz para o alvo saliente na condição de atenção (resultante de uma atencional peso de H = 0,55, SD = 0,02), foram realizados 200 simulações. A taxa de sucesso para detectar a vantagem foi calculada para o limite inferior do IDH de 95% (maior intervalo de densidade) estar acima de 4 Hz e cumprir requisitos adicionais relativamente à diferença para a condição de controle (ver TVATOJ exemplo "power-exp1.R" para todos os detalhes). A taxa de sucesso para alcançar este objetivo sob as condições hipotéticas com 25 participantes acabou por ser 0,88 comum HDI 95% variando 0,82-0,92.

Para o experimento real, 30 participantes foram recrutados. Um participante foi excluído da análise, porque ele não seguiu as instruções, mas sempre pressionado a mesma chave.

Figura 2: Experiência 1. (a) Alvos (marcadas com círculos para ilustração) no neutro (parte superior) e atenção (parte inferior) condição. (B) distribuição de SOA. (C) três contagens de resposta de nível sujeitos exemplares (pontos) e curvas de previsão posterior (área sombreada; intensidade representa probabilidade em relação a 100 repetições simulados em grão fino SOAs). Azul indica controle e condição de atenção verde. ( (e) posterior da taxa global C e pesos de atenção w _p e _r w. (F) distribuições posteriores de v _p e v _p e suas diferenças. Por favor clique aqui para ver uma versão maior desta figura.

Os dados foram ajustados com o modelo derivado de TOJ TVA (conforme descrito na introdução) usando um procedimento hierárquico de Bayesian implementado em JAGS ^10. Figura 2c mostra três parcelas de nível sujeitos exemplares dos dados brutos e posteriores estimativas de previsão obtidos a partir de amostras de nível assunto do modelo ajustado. No nível do grupo posteriores curvas preditivas são mostrados nas estimativas 2D e de parâmetros Figura na Figura 2e e p e _r W (Figura 2e) ou o indivíduo parâmetros de taxa de v _{p r} e v (Figura 2f) pode ser avaliada. Se a capacidade de processamento total C foi alterado pela manipulação, os últimos parâmetros podem mostrar se e como as taxas de processamento estímulo individuais foram alterados.

O procedimento de estimação Bayesiana hierárquica proposta oferece uma riqueza de resultados. Por exemplo, todos os parâmetros pode ser verificada para cada participante no nível sujeito. Normalmente, há interesse em tendências na população. Assim, os resultados sobre o nível do grupo são discutidos. Os histogramas mostram distribuições mais o espaço de parâmetros. Os modos de as distribuições são apresentados para indicar tendências centrais dos parâmetros. O IDH de 95% marcar os intervalos em queos verdadeiros valores encontram-se com uma probabilidade de 95% de acordo com o modelo e os dados (para mais detalhes sobre como interpretar as estatísticas Bayesiana, consulte Kruschke ^{11, 13).}

Figura 2e mostra estimativas dos meios através sujeitos para o peso e os parâmetros taxa global. Um benefício de atenção para o estímulo saliente pode ser visto na condição de atenção. A tendência central de parâmetro w _p é 0,59, e os seus intervalos de 95% de HDI de 0,55 a 0,63. Assim, a saliência deslocado peso atencional longe do valor neutro de 0,5. Na condição de controlo, em que nenhum dos alvos era saliente, um peso neutro de _p w = 0,5 foi obtido (95% HDI: ,48-,51). A linha "Comparação" correspondente mostra que a diferença entre o peso W _{de p} entre condições é de 0,09, e o HDI 95% desta diferença tocouES a partir de -0,11 a 0,07. Por isso, existe uma diferença fiável entre os dois pesos em favor do estímulo saliente.

No entanto, isso significa que o alvo saliente foi processado mais rápido? A diferença de pesos em conjunto com a relação C geral partilhada na condição de atenção indicam que foi processado mais rápido do que o alvo não salientes nesta condição. No entanto, uma questão importante é se ele também foi processado mais rápido do que as metas da condição de controle. Tomando as estimativas das taxas de processamento em conta, a resposta deve ser negativa. A estimativa de C mostrada na Figura 2e é inferior na condição de atenção por uma diferença de cerca de 17 Hz. Na trama correspondente "Comparação", 0, nenhuma diferença, é apenas na franja do IDH de 95%; Por isso, é altamente improvável. Considerando-se as taxas individuais da sonda (v _P) e de referência _(Vr) de estímulos em condições tantos (Figura 2f), é evidente que a vantagem dos resultados de estímulo salientes a partir de uma redução de 16 Hz da taxa de transformação do estímulo não salientes na condição de atenção. Uma possível interpretação destes resultados é que o alvo saliente conduz a uma supressão do alvo não salientes na condição de atenção e portanto benefícios em relação.

Note-se que neste experimento, embora as aparências de sonda e referência eram idênticos na condição neutra, o atraso entre o início tentativa e eventos sonda era constante. Portanto, os participantes poderiam ter dirigido a atenção para este ponto no tempo, deslocando assim o peso da atenção longe do valor neutro 0,5. Por conseguinte, o peso real atencional do estímulo sonda na condição de controlo deve ser estimado e fixado em 0,5. Que fixa o parâmetro é possível quando o participante não pode dizer, mesmo em princípio, que é a sonda e que o estímulo de referência, tal como na condição de controlo na Experiência 3.

Experimento 2: vantagens espaço de ação em imagens naturais
O segundo experimento medido vantagens de atenção para objetos no espaço de ação em imagens naturais. A partir de cegueira de mudança estuda sabe-se que os objetos centro de interesses beneficiar de orientação significado orientado em imagens naturais ^14. Este efeito está ausente quando as imagens são obscurecidas por apresentação de cabeça para baixo. Em inéditas experiências mudança cegueira, encontramos uma vantagem espaço de ação com um conjunto de imagens com as mudanças na ação-espaço e objetos de fundo (não é uma réplica publicada com o material de estímulo semelhante em referência ^15). Nossa hipótese é que estes ação objetos espaciais, que são perto do observador e, possivelmente, palpável, apresentam uma vantagem semelhante em suas taxas de processamento.

"Fo: manter-together.within-page =" 1 "> Assim, o método baseado em TOJ proposto é testado com imagens naturais espaço Acção (sonda) e os objetos mais distantes (de referência), que apareceu de repente em imagens naturais, constituído. as metas para o procedimento TOJ (ver Figura 3A). em uma condição entre sujeitos controle, foram utilizadas versões de cabeça para baixo das mesmas imagens. Estes são conhecidos por terem efeitos de contexto reduzidos em experimentos de detecção de alterações ^{15, 16.} a SOA entre os inícios variou de acordo com a distribuição mostrada na Figura 3a.

A estimativa de energia foi realizada exactamente como para o Experimento 1, exceto que as comparações entre sujeitos entre condição experimental e controle foram realizadas. A taxa de sucesso para atingir a meta foi estimado com 0,92 (95% HDI: 0,88-0,96), com 35 participantes simuladas por condição (detalhes podem ser found no exemplo TVATOJ "power-exp2.R").

Havia 39 sujeitos na condição de atenção e 38 na condição de a experiência real controlo. (Alguns indivíduos participaram em ambas as condições. Para o nosso conhecimento, este não compromete a análise estatística Bayesian. Tratar os dados mistos, como entre sujeitos reduz o poder em comparação com considerando as diferenças intra-sujeito.) Mais uma vez, um participante (a mesma pessoa em ambas as condições) foi removido a partir da análise de cada condição, devido a ter dado respostas intencionalmente aleatórios ao longo da experiência.

Figura 3: Experiência 2. (a) espaço de acção (assinalada com arro brancows) e do fundo (seta preta) alvos na condição neutra (à esquerda) e atenção (à direita). (B) distribuição de SOA. (C) Dois lotes de nível sujeitos exemplares do (azul) condição neutra e duas parcelas da condição de atenção (verde) com contagens de respostas (pontos) e curvas preditivas posteriores área sombreada; intensidade representa probabilidade em relação a 100 repetições simulados na SOAS de grão fino). Distribuições (d) posterior da taxa global C e pesos de atenção w _p e _r w. (E) ao nível do grupo posteriores curvas preditivas. (F) distribuições posteriores de v _p e v _r e suas diferenças. Por favor clique aqui para ver uma versão maior desta figura.

Este dados foram ajustados na mesma Manner como no primeiro experimento. A única diferença foi que, devido à concepção entre sujeitos, diferenças de parâmetros entre as duas condições podem não ser calculada durante a amostragem ao nível sujeito. Isso reduz a potência em comparação com as diferenças intra-sujeito.

O nível de assunto exemplar e os de nível grupo posteriores distribuições preditivas na Figura 3C mostra distribuições que são pouco deslocado uns contra os outros. As duas condições se sobrepõem quase perfeitamente no grupo de nível posterior trama preditivo (Figura 3e), de modo que pode parecer como se a manipulação atenção não tinha trabalhado em tudo. Inspeção das distribuições posteriores dos parâmetros, no entanto, revela que há, na verdade é uma vantagem para os objectos espaciais ação. A estimativa _P W na condição de atenção é deslocado para longe do estado neutro de 0,5, que é única no extremo esquerdo do HDI 95%. Curiosamente, contudo, étambém mudou na condição de controlo, com o IDH de 95%, mesmo excluindo 0,5, sugerindo que a inversão das imagens não removeu o potencial vantagem de espaço ação.

Considerando-se a comparação das taxas de processamento individuais de estímulo (Figura 3F, "Comparação"), um efeito de atenção pode ser visto para a taxa do estímulo de referência _Vr. No entanto, a diferença de pontos na direção oposta à hipótese e é pequeno, o que reflecte uma alteração de taxa de apenas 2 Hz (95% HDI: -3,36 a 0,66).

Portanto, deve concluir-se que (a) a vantagem de atenção de objetos do espaço de ação é devido a um fator que não é afetado pela inversão cena, como saliência ou visibilidade. Alternativamente, (b) a inversão cena não reduzir os efeitos espaciais ação conforme pretendido, ou (c) o poder do presente experimento foi pequeno demais para detectar a effect. Explicações (a) e (b), ou uma combinação, são os mais prováveis. Em nossos experimentos de mudança de cegueira não publicadas anteriormente mencionadas, as quais foram realizadas com as mesmas imagens, havia ainda uma vantagem (embora reduzido) para os objetos do espaço de ação em cenas invertidos.

No contexto do presente documento centrado no método, no entanto, a alternativa (C) pode ser o mais interessante. Portanto, será discutido brevemente as magnitudes dos efeitos possivelmente negligenciado. Olhando para a comparação dos pesos de atenção, o limite inferior do IDH de 95%, o que reflete o sentido hipotético, é de -0,01. Assim, apenas pesos maiores em 0,01 no participou em comparação com a condição de controle são prováveis. Esta diferença é pequena em comparação com as outras experiências, e as probabilidades estão contra um efeito ainda tão pequeno. Isto é refletido pelo IDH limite superior alcançando 0,04. Olhando para as taxas de processamento é útil porque as taxas em Hz pode ser facilmente interpretado como procevelocidade ssing.

As diferenças entre as duas condições são mostradas na linha "Comparação" na Figura 3f. _R diferença? V entre os estímulos de referência é negativo, -2,03 Hz, e o IDH de 95% exclui 0. A diferença negativa reflete um aumento na taxa de processamento das metas de referência, os objetos de fundo, que também é contra a hipótese vantagem espaço de ação . A pequena vantagem de atenção ainda é possível nas taxas de processamento dos alvos de sondagem, a sua diferença? V _p é estimado próximo de zero, mas o IDH de 95% varia de -1,64 Hz a 1,51 Hz. Mesmo que um valor próximo de zero é mais provável, o impacto das taxas de até 1,64 Hz em favor da hipótese, e até 1,51 Hz contra isso, continuar a ser possível a respeito do IDH de 95%. No geral, estes resultados não são favoráveis ​​para a hipótese original, mas sua discussão mostrou como tamanhos significativos de efeitos possivelmente perdidas pode ser conveniently extraído a partir dos resultados. Note-se que para aceitar resultados nulos, tais como a redução da falta de espaço a vantagem de acção através da rotação das imagens, as regiões de equivalência prático pode ser definida e a sua sobreposição com o HDI 95% podem ser testados ¹¹ (ver secção Discussão).

Experiência 3: cueing Spatial em reconhecimento da letra
A terceira experiência investigou os limites do modelo TOJ baseada TVA proposto e mostra como o modelo pode ser estendido para lidar com estas dificuldades.

O que é que recebe o método proposto em apuros? Nos dois experimentos anteriores, os participantes tinham que julgar dois eventos temporais. Agora vamos adicionar um terceiro evento temporais, uma sugestão periférica que é mostrado 110ms antes do estímulo sonda para dirigir a atenção em direção a ela. Este terceiro evento apresenta dificuldades para simples do mo TOJ baseado em TVAdel, para os quais apenas dois estímulos são explicitamente modelado.

Figura 4: efeitos típicos de pistas sobre latências perceptivas. Magnitudes dos efeitos de atenção normalmente encontrados em tojs com estímulos periféricos (linhas horizontais). Magnitudes previstos pelo modelo TOJ baseado em TVA para aumentar pesos atencional do estímulo sonda (curvas). A curva a cheio corresponde aos parâmetros tipicamente observados. Por favor clique aqui para ver uma versão maior desta figura.

Magnitudes dos benefícios de atenção relatados na literatura TOJ já sugerem a essas dificuldades. As diferenças de latência induzida por estímulos periféricos são muitas vezes tão alto quanto 50% epor vezes, mesmo tão alto como 80% do intervalo de cue ^19. Tal como ilustrado na Figura 4, uma grande mudança de tal exigiria pesos de atenção improváveis próximo de W _p = 0,9 a taxas de processamento típicas. Além disso, esses pesos extremos levar a distribuições psicométricas altamente distorcidas. Estes teria um declive íngreme em uma extremidade e um declive raso na outra extremidade. Em uma manifestação mais fraca, este pode ser visto nas parcelas preditivos posterior da primeira experiência (Figura 2c e d). Tais curvas fortemente distorcidas são raramente relatadas. Quando os dados da presente experiência Cueing periférica está equipado com o modelo com base TOJ-TVA, as curvas posteriores previu desviar-se fortemente a partir do padrão de dados real.

É importante salientar, no entanto, estímulos periféricos produzem os efeitos mais fortes e confiáveis de atenção na psicofísica TOJ ^20. Portanto, é worthwhile de aplicar uma avaliação baseada no modelo com uma versão estendida do modelo proposto. Alcalá-Quintana e García-Pérez ²¹ propuseram um modelo TOJ com base em premissas gerais de codificação de estímulo exponencial. Este modelo contém um parâmetro adicional que permite a grandes mudanças sem alterar as inclinações das curvas psicométricas. Alcalá-Quintana e García-Pérez-lo usado por tojs crossmodal, quando tais mudanças se originam de atrasos entre modalidades. Assim, para modelar dados de tojs cued, que incluem a sua parâmetro τ. Um atraso entre o início dos processos de codificação poderia ser responsável pelas grandes deslocamentos laterais esperados. O τ parâmetro pode até ter uma interpretação TVA-compatível. No entanto, isto não é inteiramente não problemática e serão discutidos mais tarde. Para manter o modelo parcimonioso, outros parâmetros sugeridos por Alcalá-Quintana e García-Pérez (vieses de resposta, lapsos e um mínimo possível temporaisresolução) não foram incluídos.

Formalmente, o modelo psicométrico original na Equação 4 é modificado, substituindo o SOA prazo, um termo SOA _adj ajustado = SOA + τ. Este ajuste reflete também a interpretação do τ: o início dos processos de codificação exponenciais são agora não só separados pelo SOA, mas um atraso constante adicional é adicionado. No modelo Bayesian hierárquica, τ nível assunto é amostrado de uma distribuição normal em nível de grupo.

Uma análise de poder explícito não foi realizada para esta experiência. Dado que a concepção intra-sujeitos é semelhante ao de um Expriment um, uma potência semelhante é esperado para efeitos nas taxas de pesos e de atenção. O deslocamento lateral esperado grande para ser capturada pelo parâmetro τ é muito maior e mais estável do que os efeitos da taxa de peso e normalmente são, de modo que nenhum problema de energia e pode serxpected para detectar qualquer um.

Os dados foram coletados de 32 participantes (entre eles os três autores) de acordo com o procedimento experimental descrito na etapa protocolo 4. Os participantes tiveram de comunicar a ordem de duas letras. Em metade dos ensaios o estímulo sonda foi precedida (110 ms) por um taco de quatro pontos periféricos (Figura 5a). Uma descrição detalhada do material de estímulo pode ser encontrado em Tünnermann, Petersen, e Scharlau do estudo ^7. A SOA e as suas frequências são mostradas na Figura 5b. Cada participante realizou uma ou duas sessões.

Figura 5: Experimento 3. (a) Metas, arbitrariamente designated como sonda e referência na condição neutra (parte superior). Na condição de atenção (parte inferior) o estímulo sonda foi precedida (110 ms) por um taco de quatro pontos. (C) três contagens de resposta de nível sujeitos exemplares (pontos) e distribuições preditivas posterior (área sombreada; intensidade representa probabilidade em relação a 100 repetições simulados em grão fino SOAs). O azul representa o neutro e verde a condição de atenção. (D) em nível de Grupo posteriores curvas preditivas. Distribuições (e) posterior da taxa global C e pesos de atenção w _p e _r w. (F) distribuições posteriores de τ e sua diferença em relação a zero. Distribuições (g) posterior v _p e v _r e suas diferenças. Por favor clique aqui para ver uma versão maior do thé figura.

O modelo estendido, tal como descrito acima foi aplicado no processo de estimação Bayesiana hierárquica. (Para os participantes que produziram curvas psicométricas muito íngremes na primeira sessão, SOA menores foram usadas na segunda sessão. Isto pode ser visto, por exemplo, na extremidade esquerda trama Figura 5c, que contém os pontos de dados adicionais em pequena SOA). Devido o modelo mais complexo, o poderoso amostrador PORCAS do pacote de software Stan foi empregue nesta análise ^22.

Nas outras experiências, o estímulo de sonda pode ter uma taxa de processamento diferente do que o estímulo de referência, mesmo na condição de controlo. No Experimento 1, foi porque os participantes poderia ter alocado a atenção para o seu ponto previsível no tempo em relação ao início do estudo. Na Experiência 2, a inversão de imagens não se esperava que eliminar totalmente a vantagem de objetos espaciais ação. Nesta experiência Cueing à base de carta, no entanto, os participantes que não mesmo em princípio ser capaz de identificar qual é a sonda e que o estímulo de referência, porque as mesmas letras aleatórios foram usados ​​e o tempo entre a tentativa e segmentar início não permitem concluir o tipo de destino. Por conseguinte, uma condição de controlo verdadeiramente neutro é esperado e W _P fixado em 0,5 e τ a 0 na condição neutra.

Como pode ser visto na Figura 5c e 5d, o cue conduz a uma mudança substancial da função psicométrica em comparação com as outras experiências. Além disso, as parcelas posteriores na Figura 5f mostram que τ é estimado como um 53,27 ms benefício para o alvo cued. O IDH de 95% sobre a diferença ( "Comparação" linha) exclui todas as diferenças menores que 47,56 (ou superior a 57,73), tornando-os altamente improvável.

t "> É interessante notar que existe uma mudança no peso de atenção em favor do alvo uncued (Figura 5e). A distribuição a posteriori de W _P tem o seu modo a 0,42. Os pesos neutro de 0,5 não está incluído no HDI 95%. Para o parâmetro C, há um aumento de 4,69 Hz para a condição de atenção. Expresso em v-parâmetros (Figura 5f), que é mais notável que a taxa de v _r do estímulo referência na condição de atenção aumenta.

Nas duas experiências anteriores, verificou-se que as manipulações de atenção aumentou o peso atencional do estímulo sonda. No presente experimento, no entanto, o padrão pode refletir uma interferência do taco com o alvo, reduzindo assim a sua taxa na corrida para a codificação. Ao mesmo tempo, as vantagens alvo cued do processamento mais rápido devido ao parâmetro τ. Este último pode ser ligado à redução dos atrasos do alvo antes ou cuedapós as corridas exponenciais. Note-se, no entanto, que, relativa τ, um prolongamento de um atraso associado com o estímulo uncued explica a diferença relativa igualmente bem.

Discussion

O protocolo neste artigo descreve como conduzir tojs simples e ajustar os dados com modelos baseados na codificação fundamentais estímulo. Três experimentos demonstraram como os resultados podem ser avaliados em uma estrutura hierárquica estimação bayesiana para avaliar a influência das atenções no material de estímulo altamente diferente. Saliência no exibe pop-out levou a um aumento de peso de atenção. Além disso, o aumento dos pesos foram estimados para objetos espaciais ação em imagens naturais. No entanto, devido à vantagem persiste quando as relações espaciais foram perturbados por mostrando essas imagens de cabeça para baixo, é provável que um outro benefício atencional locais provoca o aumento de peso. A sugestão periférica, como usado no Experimento 3, apresenta uma influência negativa sobre o peso de atenção. No entanto, isso leva a um grande efeito no parâmetro τ, que modela um atraso entre a hora de início dos processos de codificação.

A maior parte do protocolo segue os passos comunsna condução tojs e experiências de percepção em geral. Note-se, no entanto, que a interpretação dos resultados em termos de TVA está ligada a codifica os estímulos visuais na memória de curto prazo. A possibilidade de realizar o TOJ por detecção de início pura deve ser reduzida, tanto quanto possível. Portanto, como mencionado no protocolo etapa 1.2, é crucial que os atributos de interesse ou são codificados automaticamente (que pode ser assumida por certos estímulos, por exemplo, saliência pop-outs) ou codificação deve ser facilitada através da tarefa (por exemplo, informações sobre a identidade estímulo).

É aconselhável para inspecionar os dados brutos resumidos ( "primeira sonda" conta em todo SOAs dividido pelo número de repetições) antes de executar a análise final. Estes dados deve seguir uma curva em forma de S como mostrado nas funções psicométricas nas figuras da secção de resultados representativos. Note-se que devido às respostas binomial distribuídos, os pontos de dados aleatórioLY desviar-se do caminho ideal. Os desvios aumentar com a diminuição do número de repetições. Com poucas repetições, os desvios são muitas vezes relativamente grande, obscurecendo a forma ideal S. No entanto, se o padrão desvia claramente a partir da curva de costume, o modelo matemático pode necessitar de ser ajustada. Por exemplo, quando grandes deslocamentos laterais são observados (como no Experimento 3 deste artigo), Alcalá-Quintana e parâmetro τ de García-Pérez podem ser incluídos. Se a curva não converge para um e zero, nas suas extremidades, lapso parâmetros adicionais ²¹ podem ser adicionadas.

É possível realizar uma comparação modelo formal como sugerido em Alcalá-Quintana e García-Pérez ²¹ para decidir entre os diferentes modelos. Usando modelos diferentes daquele descrito na Introdução, no entanto, pode afetar se os resultados podem ser interpretados em termos de TVA.

Lásultados relatado neste artigo, dissemos as tendências centrais de diferenças estimadas juntamente com os seus 95% IDHs. No entanto, no contexto Bayesiano, é possível aceitar ou rejeitar que não existe qualquer diferença entre duas estimativas. Para este efeito, uma corda (região de relevância prática) deve ser especificado ^{11, 13.} A CORDA indica um pequeno intervalo em torno de zero. Os valores dentro deste intervalo são consideradas praticamente igual a zero. Se a corda não se sobreponha com o IDH, a hipótese nula é rejeitada. limites CORDA significativos dependem da questão de pesquisa ou aplicação. Em contraste com a análise TOJ com meios tradicionais, a abordagem baseada no TVA pode orientar o estabelecimento de limites CORDA significativas: Devido às suas unidades significativas, os parâmetros podem ser relacionados com as estimativas de outros paradigmas TVA (por exemplo, os relatórios integrais, ver referência ³⁾ . Além disso, as taxas de processamento podem ser convertidos em codificação durações (o valor esperado da duração de codificação E _x de estímulo x é de 1 / v _x, ver referência ⁷⁾ para informar limites corda. Por exemplo, se os pesquisadores estão interessados ​​em saber se uma manipulação atenção contribui para uma redução do tempo de reacção para um participante numa simulação de condução, que poderiam razão da seguinte maneira: Os tempos de reacção (incluindo os componentes do motor) está na gama de algumas centenas de milisegundos, por conseguinte , se a manipulação atenção muda a reacção global apenas alguns milissegundos, a alteração seria praticamente zero. Assim uma corda de -2 a 2 ms pode ser aplicada à diferença de duração de referência e a sonda de codificação (E _R -E _P). Se a corda de esta diferença inclui completamente o HDI, o resultado de que não existe diferença pode ser aceite. Se HDI e corda não se sobrepõem, a hipótese nula pode ser rejeitada. Se nenhum dos dois for o caso, tal decisão não ponto pode ser feita. Mais detalhes relativos à Bayesian evaabordagem avalia-, em geral, podem ser encontrados, por exemplo, no livro ¹³ de Kruschke.

Virando-se para questões mais gerais, para o sucesso deste protocolo, é crucial que existem apenas dois estímulos que geram sinais temporais no local de destino. Por exemplo, uma sugestão periférica (como no Experimento 3) ou máscaras ⁷ levam a grandes deslocamentos laterais que não podem ser contabilizadas pelo modelo atual baseado no TVA. Tais situações não são incomuns e eles foram modelados pela incorporação de um parâmetro sugerido por Alcalá-Quintana e García-Pérez ^21. Neste modelo estendido, o componente τ não pode ser claramente associada a um mecanismo de TVA. Existe uma ligação provisória entre τ e TVA, mas existem alguns problemas não resolvidos. Na verdade, TVA assume um pequeno atraso antes da codificação começa. Parâmetro t _{0, o} que foi discutido na introdução, é a exposição máxima ineficaz durção diante do qual nada está codificado em tudo. O t _0r -t _0p diferença poderia ser entendido como τ. No entanto, t ₀ é tipicamente pequeno, cerca de 10 a 20 mseg. Além disso, a teoria não assume que é influenciada pela atenção. No entanto, t ₀ reduções têm sido observadas em reconhecimento letra ^{7, 24.} Se se aceita esta possibilidade, mais um compromisso deve ser feita. τ parâmetro foi medido cerca de 50 ms. Dado o facto de que t _0p do estímulo com pistas pode ser maximamente diminuiu 10 a 20 ms, porque não é maior, em primeiro lugar, a maioria dos τ viria aumentar t _0r da uncued de 50 a 60 mseg. Esta magnitude é muito além do que, por vezes, é observado (cerca de 10 ms). Como consequência da relação pouco clara de τ a TVA, algumas questões importantes não podem ser respondidas. Por exemplo, não pode ser decidido se os atrasos de Stimu participaramli são reduzidos ou se os dos estímulos autônomas são prolongadas (resultando na diferença τ observado).

As limitações da técnica mencionado acima surgem do fato de que apenas dois estímulos são explicitamente modelado com TVA. Para melhorar essa situação, a investigação futura visa alargar o modelo baseado no TVA para mais de dois estímulos. Em particular, modelar explicitamente a sinalização em TOJ cued com a TVA é um objectivo importante da investigação subsequente ^25.

Vantagens do protocolo são a simplicidade da tarefa TOJ que pode utilizar estímulos quase arbitrária, a base teórica aprofundada pela TVA, e o esquema de avaliação Bayesian. O modelo baseado na TVA é um grande passo em frente das abordagens tradicionais free-modelo. No passado, as funções psicométricas principalmente genéricos foram equipados com dados Toj. Mudanças em seu Resumo dos Parâmetros de PSS (ponto de simultaneidade subjetiva) e DL (limen diferença, uma medida dediscriminação desempenho) têm sido associados a manipulações de atenção. Às vezes, esses parâmetros são sobre-interpretados. Por exemplo, é frequentemente afirmado que a atenção acelera o processamento do estímulo participou, ao passo que ele também poderia ser o caso que o estímulo autônoma é retardado ^7. Em adição a esta fraqueza, estes parâmetros são bastante indirecta. Eles descrevem o desempenho na tarefa e não caracterizar os processos que a produzem. A análise baseada em modelos de tojs melhora a estes inconvenientes, fornecendo parâmetros significativos baseados em TVA.

Materials

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