Mätning Uppmärksamhet och Visual Processing hastighet av modellbaserad analys av Temporal ordning domar

Abstract

Detta protokoll beskriver hur man genomför tids ordningens experiment för att mäta visuell bearbetningshastighet och uppmärksamhetsresursfördelningen. Den föreslagna metoden bygger på en ny och synergistisk kombination av tre komponenter: den tids ordningens domar (TOJ) paradigm, Bundesen teori av Visual Attention (TVA), och en hierarkisk ram Bayesian uppskattningen. Metoden ger lätt tolkningsbara parametrar, som stöds av de teoretiska och neurofysiologiska grunderna för TVA. Med hjälp av Tojs kan TVA-baserade uppskattningar erhållas för ett brett spektrum av stimuli, medan de traditionella paradigm som används med TVA är huvudsakligen begränsat till bokstäver och siffror. Slutligen, de meningsfulla parametrar den föreslagna modellen möjliggör inrättandet av en hierarkisk Bayesiansk modell. En sådan statistisk modell tillåter att utvärdera resultaten i en sammanhållen analys både i ämnet och gruppnivå.

För att demonstrera genomförbarheten och versatility av denna nya strategi är tre experiment rapporteras med uppmärksamhet manipulationer i syntetiska pop-out skärmar, naturliga bilder, och en cued brevrapport paradigm.

Introduction

Hur uppmärksamhet är fördelad i tid och rum är en av de viktigaste faktorerna för human visuell perception. Föremål som fångar uppmärksamhet på grund av deras synlighet eller betydelse är typiskt behandlas snabbare och med högre noggrannhet. I beteendeforskning har sådana prestandafördelar visats i en mängd olika experimentella paradigm. Till exempel, att allokera uppmärksamhet till målplatsen påskyndar reaktionen i sonddetektions uppgifter ^1. På samma sätt är noggrannheten av rapporterings bokstäver förbättras genom uppmärksamhet ^två. Sådana fynd visar att uppmärksamhet förbättrar behandlingen, men de förblir hopplöst stum om hur denna förbättring är etablerad.

Den nuvarande papper visar att låg nivå mekanismerna bakom uppmärksamhets fördelar kan bedömas genom att mäta processorhastighet av enskilda stimuli i en modellbaserad ram som gäller mätningar för att finkorniga COMPONENts uppmärksamhet. Med en sådan modell kan den totala kapaciteten bearbetning och dess fördelning på stimuli härledas från bearbetning hastighetsmätningar.

Bundesen teori av Visual Attention (TVA) ³ ger en lämplig modell för detta arbete. Det är oftast tillämpas på data från brev rapportaktiviteter. I det följande, är grunderna i TVA förklaras och visas hur de kan utvidgas till att modellera tids ordningens dom (Tøj) data som erhållits med (nästan) godtyckliga stimuli. Denna nya metod ger uppskattningar av bearbetningshastighet och resursfördelning som lätt kan tolkas. Protokollet i den här artikeln förklarar hur man planerar och genomför sådana experiment och detaljer hur data kan analyseras.

Som nämnts ovan, är den vanliga paradigm i TVA baserad modellering och skattning av uppmärksamhet parametrar bokstaven rapporten uppgiften. Deltagarna rapporterar identitet en uppsättning bokstäver somär kort blixtrade och typiskt maskerade efter en varierande fördröjning. Bland andra parametrar, kan den hastighet med vilken visuella element kodas till visuell närminnet uppskattas. Metoden har använts med framgång på frågor i grundforskning och klinisk forskning. Till exempel, Bublak och kollegor ⁴ bedöms som uppmärksamhets parametrar påverkas i olika stadier av åldersrelaterade kognitiva brister. I grundläggande uppmärksamhet forskning använde Petersen, Kyllingsbæk och Bundesen ⁵ TVA för att modellera uppmärksamhets uppehållstid effekt, betraktarens svårigheter att uppfatta den andra av två mål med vissa tidsintervall. En stor nackdel med bokstaven rapporten paradigm är att det kräver tillräckligt overlearned och maskerbara stimuli. Detta krav begränsar metoden till bokstäver och siffror. Andra stimuli skulle kräva tung träning deltagare.

Den TOJ paradigm kräver varken specifik stimuli eller maskering. Den kan användas med alla typer av stimuli, för vilka den ordning de uppträder kan bedömas. Detta förlänger stimulansområdet till det mesta som kan vara av intresse, inklusive direkta tvär modala jämförelser ^6.

Undersöker uppmärksamhet med Tojs är baserad på fenomenet attentional först måste införas, som är ett mått på hur mycket tidigare en deltog stimulus uppfattas jämfört med en obevakad en. Tyvärr, den vanliga metoden för att analysera Tøj data, montering observatörs prestanda psykometriska funktioner (t.ex. kumulativa Gauss och logistikfunktioner), inte kan skilja på om uppmärksamheten ökar bearbetningshastighet deltog stimulans eller om det minskar graden av obevakade stimuli ^7. Denna tvetydighet är ett stort problem, eftersom frågan om synen på en stimulans verkligen förbättras eller om det gynnar grund av indragning av resurser från en konkurrerande stimul oss är en fråga om både grundläggande och praktisk relevans. Till exempel, det är för utformningen av människa-maskingränssnitt mycket relevant att veta om att öka framträdande av ett element fungerar på bekostnad av en annan.

Den TOJ uppgift fortskrider vanligtvis på följande sätt: En fixeringsmärke presenteras för en kort fördröjning, typiskt en slumpmässigt intervall kortare än en sekund. Sedan det första målet presenteras, följt efter en variabel stimulans debut omvandlare (SOA) med andra mål. Vid negativa SOA är sonden, den bemannade stimulans, visas först. Vid positiva SOA leder referens, obevakad stimulans,. Vid en SOA noll, båda mål visas samtidigt.

Typiskt, presentera målet avser byta stimulans på. Under vissa förhållanden, men även andra tids händelser, såsom ett flimmer av en redan föreliggande mål eller förskjutningar används ^8.

_content "> I Tojs är svaren samlas i ett unspeeded sätt, vanligen genom knapparnas funktioner till stimulans identiteter och presentations order (t.ex. om stimuli är torg och diamanter, visar en nyckel" fyrkantig först "och en annan" diamant först ") . Viktigt för utvärdering dessa domar måste konverteras till "sond först" (eller "referens först") domar.

I detta arbete är en kombination av modellen av TVA och TOJ experimentella paradigm bearbetning används för att eliminera problemen i antingen enskild domän. Med den här metoden kan lätt tolkningsbara hastighetsparametrar uppskattas för nästan godtyckliga visuella stimuli, som gör det möjligt att sluta sig till hur betraktarens uppmärksamhet tilldelas konkurrerande visuella element.

Modellen bygger på TVA ekvationer för behandling av enskilda stimuli, som kommer att kort förklaras i det följande. Sannolikheten att en stimuloss kodas i visuell korttidsminne innan den andra tolkas som sannolikheten att bedöma denna stimulans som visas först. De individuella kodnings löptider är exponentiellt fördelade ^9:

(1)

Den maximala ineffektiva exponeringstid t ₀ är en tröskel vid vilken ingenting kodas alls. Enligt TVA, hastigheten v _{x, I} vid vilket objekt x kodas som medlem i en perceptuell kategori I (såsom färg eller form) ges av hastigheten ekvationen

. (2)

Styrkan i den sensoriska bevis för att x tillhör kategori I uttrycks i ri _{x, i} och p _i är ett beslut bias för att kategorisera stimuli som medlemmar i kategori i. Detta multipliceras med enttentional vikter. Individuella uppmärksamhets vikter w _x delas av uppmärksamhets vikter av alla objekt i synfältet. Följaktligen är den relativa attentional räknat som

(3)

där R representerar alla kategorier och ri _{x, i} representerar den sensoriska bevis för att objekt x tillhör kategori j. Värdet π _j kallas relevans kategori j och speglar en bias att göra kategoriseringar i j. Den totala bearbetningskapacitet C är summan av alla bearbetnings priser för alla stimuli och kategoriseringar. För en mer detaljerad beskrivning av TVA, se Bundesen och Habekost bok ^9.

I vår nya metod, ekvation 1, som beskriver kodning av enskilda stimuli, omvandlas till en modell av Tojs. Förutsatt att urvals fördomar och rapportkategorier är Constant inom en experimentell uppgift, behandlingshastigheter _Vp och v _r hos två mål-stimuli sond (p) och referens (r) beror på C och uppmärksamhets vikter i form v _p = C · w _p och v _r = C · w _r, respektive. Den nya TOJ modellen uttrycker framgången sannolikheten P _{p ^1.} Som en deltagare bedömer sonden stimulans att vara först som en funktion av den SOA och bearbetningshastigheter. Det kan formaliseras enligt följande:

(4)

En mer detaljerad beskrivning av hur denna ekvation är härledd från de grundläggande TVA ekvationer beskrivs av Tünnermann, Petersen och Scharlau ^7.

För enkelhetens skull, är parametern t ₀ utelämnas i modellen i ekvation 1. Enligt den ursprungliga TVA bör t ₀ vara identisk för Both mål i TOJ uppgiften, och därför avbryter ut. Emellertid kan detta antagande ibland kränks (se avsnitt Diskussion).

För montering av denna ekvation till Tøj data, en hierarkisk Bayesian uppskattningen schema ¹¹ föreslås. Detta tillvägagångssätt gör det möjligt att uppskatta de uppmärksamhets vikter w _p och w _r av sonden och referens stimuli och den totala bearbetningshastighet C. Dessa parametrar, det resulterande upptagningshastigheterna v _p och v _r, och uppmärksamhets-inducerad skillnader mellan dem, kan bedömas på ämnet och gruppnivå samt uppskattade osäkerheter. Den hierarkiska modellen visas i figur 1. Under planeringsstadiet för ett experiment, kan bekvämt Bayesian maktanalys utföras.

Följande protokoll beskriver hur man planera, genomföra och analysera Tøj experiment som bearbetning hastighetsparametrar och uppmärksamhets vikter för visuell stimuli kanerhållas. Protokollet förutsätter att forskaren är intresserad av hur en uppmärksamhets manipulation påverkar behandlingshastigheter vissa mål av intresse.

Figur 1: Grafisk modell som används i Bayesian beräkningsförfarande. Cirklar indikerar uppskattade fördelningar; dubbla cirklar indikerar deterministiska noder. Kvadrater anger data. Relationerna ges på den högra sidan av figuren. Noderna utanför rundade ramar ( "plåtar") representerar medelvärden och spridnings uppskattningar av TVA parametrar (se inledningen) på gruppnivå. I "j ämnen" platta, kan man se hur uppmärksamhets vikter (w) kombineras med de övergripande behandlingshastigheter (C) från stimulans behandlingshastigheter (v) på ämnesnivå. Platta "i SOA &# 8221; visar hur dessa TVA parametrar sedan omvandlas (via funktionen P _{p ¹} beskrivs i inledningen) i framgången sannolikheten (θ) för binomialfördelad svar på varje SOA. Därför θ tillsammans med upprepningar av SOA (n) beskrivning av de datapunkter (y). För mer information om notation och tolkning av grafiska modeller, se Lee och Wagenmakers ^23. Observera att för tydlighetens skull, har noderna som representerar skillnader i parametrar utelämnats. Dessa deterministiska parametrar anges i figurerna i de experimentella resultaten i stället. Klicka här för att se en större version av denna siffra.

Protocol

OBS: Vissa steg i detta protokoll kan åstadkommas med hjälp av anpassade programvara som (tillsammans med installationsinstruktioner) på http://groups.upb.de/viat/TVATOJ. I protokollet, är denna samling av program och skript kallad "TVATOJ".

1. Val av stimulans Material

1. Välj stimuli enligt frågeställningen.
   OBS: I allmänhet är två mål som visas på olika platser på skärmen. Stimuli som har använts med den nuvarande metoden innefattar exempelvis, former, siffror, bokstäver, single i pop-out skärmar, och objekt i naturliga bilder. De tre senare typerna användes i detta protokoll.
   OBS: Flera olika stimulanstyper ingår i TOJ plugin ( "psylab_toj_stimulus" försedd med TVATOJ) för experimentet builder OpenSesame ^12.
2. När du skapar nya typer stimulans, se till att egenskaperna hos interest måste kodas för domen genom att göra dem viktigt för uppgiften eller välja stimuli där egenskaperna av intresse kodas automatiskt (t.ex. single i pop-out skärmar).

2. Ström Uppskattning och planering

1. Utför en Bayesian maktanalys genom att simulera datamängder med den valda modellen, planerad konstruktion (SOA distribution och upprepningar), provstorlekar och hypoteser parametrar. Bedöma om det är sannolikt att nå forskningsmålet (till exempel, en viss skillnad i parametrarna). Om strömmen inte är tillräcklig, ändra designen, genom att lägga till eller flytta SOA eller upprepningar och upprepa analysen.
   1. Om du vill använda den medföljande TVATOJ programvara, öppna och redigera skriptet "exp1-power.R". Följ kommentarerna i filen för att anpassa den till den specifika analys. För allmän information om Bayesian effektuppskattning avser Kruschke ^13.

<p class = "jove_title"> 3. Specifikation eller programmering av experimentet

1. Använd ett experiment byggare eller psyko presentation biblioteket för att genomföra experimentet.
   1. Om du vill använda OpenSesame TOJ plugin tillhandahålls i TVATOJ drar "psylab_toj_stimulus" plugin i en rättegång presentation slinga. Alternativt, öppna "enkel toj.osexp" exempel experiment i OpenSesame.
   2. Välj önskad stimulans typen från rullgardinsmenyn "Stimulus typ" i psylab_toj_stimulus konfiguration. Följ instruktionerna i TVATOJ för att lägga till nya typer stimulans om det behövs.
2. Ange försöken som beskrivs i de följande stegen.
   1. För varje experimentell tillstånd, skapar försök med den planerade SOA. Vid användning av psylab_toj_stimulus plugin och OpenSesame, lägga till alla olika faktorer som variabler till provslingan (t.ex. "SOA").
   2. Lägg till rader i tabellen för att insealla faktorkombinationer (t.ex. sju SOA, från -100 till 100 msek, korsade med de experimentella betingelser "uppmärksamhet" och "neutral"). Justera slingans "Repeat" attribut för att skapa tillräckligt med repetitioner (se protokoll steg 2 för att bestämma fördelningen och upprepning av SOA).
      OBS: Normalt kan högst 800 prövningar presenteras inom en timme. Om fler repetitioner behövs, överväga att dela experimentet i flera sessioner. Se till att "Order" attributet av slingan är inställd på "Random" innan du kör experimentet.
   3. I psylab_toj_stimulus plugin konfiguration, lägga till platshållare (t.ex. "[SOA]") för de olika faktorer i respektive områden. Ange konstanta värden i fälten på faktorer som inte varierar.
      OBS: Innan du kör experimentet, se till att exakt timing garanteras. Om det är lämpligt timing beteende nyare bildskärmar inte kontrollerades, användningCRT-skärmar och synkronisera med den vertikala återgångssignalen ^12.

4. Försöksförfarande

1. Välkomnande och genomgång av deltagarna
   1. Välkommen deltagarna och informera dem om den allmänna formen av experimentet (datorbaserade uppfattning experiment). Informera deltagarna om den blivande hela experimentet. Erhålla deltagarnas informerat samtycke att delta i försöket.
   2. Se till att deltagarna visar normal eller korrigerad till normal syn (optimalt genom att utföra korta syn tester). Vissa brister, såsom färgblindhet, kan vara acceptabelt om de inte stör den frågeställningen för den speciella typ av stimulans material.
   3. Tillhandahålla en tyst monter där försöket genomförs. Justera stolen, hakan vila, tangentbord läge, och så vidare, för att säkerställa optimal visning och svarsvillkor för experiment.
   4. Gör deltagarna medvetna om att försöket kräver uppmärksamhet och mental fokus och kan vara tröttande. Be dem att ta korta pauser när det behövs. Det är dock lika viktigt att inte utföra dessa enkla uppgifter under stark uppmärksamhets påfrestningar. Be deltagarna att det är okej att göra några misstag.
2. Instruktion och uppvärmning
   1. anvisningarna på skärmen närvarande för uppgiften, med uppgifter om presentationssekvensen och svar samling förfarande. Informera deltagarna att uppgiften är att redovisa i vilken ordning de mål kom, och att detta kommer att bli svårt i vissa studier. Be deltagarna att rapportera sin första intryck när de inte kan berätta ordningen för vissa, och låt dem gissa om de har någon sådan intryck alls.
      OBS: I de binära Tojs används här, finns det ingen möjlighet att ange synen på samtidighet. För att undvika överdriven gissa, inte peka ut närvaron av försök med Simultaneously presenterade mål uttryckligen. Låt dessa helt enkelt vara svåra prövningar med instruktionerna som beskrivs ovan.
   2. För att undvika ögonrörelser under försöken, be deltagarna att fixera ett varumärke som visas i mitten av skärmen. Be dem att vila huvudet på en haka vila.
   3. Be deltagarna att ta korta pauser vid behov. Låt dem veta när pauser är tillåtna och när de måste undvikas (t.ex. under målet presentation och innan svaret).
   4. Innehålla en kort utbildning där deltagarna kan vänja sig uppgiften. I detta syfte presenterar en slumpmässig undergrupp av de experimentella försök (se protokoll steg 3,2).
      OBS: Eftersom uppgiften själv är ganska enkel, tio till tjugo försök räcker vanligtvis. Det kan vara fördelaktigt att öka deltagarnas förtroende för sina prestationer i denna uppgift. Detta kan göras genom att sakta ner presentationen och ge feedback.
   5. Erhålla deltagarnas confirmatipå att de har förstått uppgiften (låt dem förklara det) och att de inte har några ytterligare frågor.
3. Köra basförsöket
   1. Låt den experimentella programvara start med presentationen av de viktigaste studierna. Lämna båset för huvud experiment.

5. Modellbaserad Analys av TOJ Data

1. Konvertera rå datafiler till fall av "sond första" domar för varje SOA. Till exempel, köra skriptet "os2toj.py" försedd med TVATOJ.
2. Kör Bayesian skattningsförfarandet för att uppskatta de viktigaste parametrarna w _p och C, den härledda sådana _Vp och v _r och skillnaderna i parametrarna. För detta ändamål, köra skriptet "run-evaluation.R" när du har redigerat den enligt anvisningarna i filen.
3. När provtagningen är klar, kan bedömas skillnader av intresse för forskningsfrågor. examples återfinns i följande avsnitt.

Representative Results

I det följande är resultat som erhållits med den föreslagna metoden rapporterats. Tre experiment mätte påverkan av olika uppmärksamhets manipulationer med tre mycket olika typer av stimulans material. De stimuli är enkla linjesegment i pop-out mönster, action rymdföremål i naturliga bilder och cued brev mål.

Experiment 1: salience i pop-out skärmar
Experiment 1 som syftar till att mäta påverkan av visuella framträdande på processorhastigheten linjesegment i en syntetisk mönster. Ämnen bedöms som två mål linjesegment (vänster eller höger) i en bakgrundsmönster av orienterade linjesegment fladdrade först. I hälften av försöken sonden var en färg pop-out (se figur 2a). Mer bakgrund på TOJ baserad bedömning av pop-out kan hittas i en studie av Krüger och kollegor ^8, där lokala orienteringstion salience manipulerades i stället för färg. Fördelningen och frekvensen av SOA visas i figur 2b.

En Bayesian maktanalys utfördes som beskrivs i protokollet steg 2. För typisk grupp totalt sett C (M = 70 Hz, SD = 20) och en hypotetisk fördel från ca 7 Hz för framträdande mål i uppmärksamhet tillstånd (till följd av en uppmärksamhets vikt M = 0,55, SD = 0,02), var 200 simuleringar utförts. Framgången för detektering fördelen beräknades för den nedre gränsen av 95% HDI (högsta densitet intervall) är över 4 Hz och som uppfyller ytterligare krav på skillnaden till styrtillstånd (se TVATOJ exempel "power-exp1.R" för alla detaljer). Framgången för att nå detta mål under hypotetiska förhållanden med 25 deltagare visade sig vara 0,88 med95% HDI intervallet 0,82-0,92.

För själva experimentet 30 deltagare rekryterades. En deltagare uteslöts från analysen eftersom han inte följer instruktionerna men alltid tryckt på samma knapp.

Figur 2: Experiment 1. (a) Mål (markerade med cirklar för illustration) i det neutrala (övre delen) och uppmärksamhet (nedre delen) tillstånd. (B) SOA distributioner. (C) Tre exempel på ämnesnivå svars räknar (poäng) och bakre prediktiva kurvor (skuggat område, intensitet representerar sannolikheten med avseende på 100 simulerade upprepningar vid finkornig SOA). Blått anger kontroll och grön uppmärksamhet skick. ( (E) posteriorifördelningar av den totala hastigheten C och uppmärksamhets vikter w _p och w _r. (F) posteriorifördelningar av _Vp och _Vp och deras olikheter. Klicka här för att se en större version av denna siffra.

Data försågs med TOJ modellen härrör från TVA (som beskrivs i inledningen) med hjälp av en hierarkisk Bayesian förfarandet genomförs i JAGS ^10. Figur 2c visar tre exempel på ämnesnivå tomter av rådata och bakre prediktiva uppskattningar erhållna från prover föremål nivå för den anpassade modell. Grupp-nivå bakre prediktiva kurvor visas i figur 2d och parameterskattningar i figur 2e och p och w _r (figur 2e) eller enskilda hastighetsparametrar _Vp och v _r (Figur 2F) kan bedömas. Om den totala bearbetningskapacitet C ändrades genom manipulation, kan de senare parametrarna visar om och hur de enskilda stimulans bearbetning priser har förändrats.

Den föreslagna hierarkiska Bayesian skattningsförfarandet erbjuder en mängd resultat. Till exempel kan alla parametrar bedömas för varje deltagare på ämnesnivå. Det finns normalt sett intresset tendenser i befolkningen. Därför är resultaten på gruppnivå diskuteras. Histogrammen visar fördelningarna över parameterrymden. Lägena av fördelning uppges ange parametrarna central tendenser. 95% HDIs markera spisar därde sanna värdena ligger med en sannolikhet på 95% beroende på modell och data (för ytterligare information om hur man ska tolka de Bayesian statistik, se Kruschke ^{11, 13).}

Figur 2e visar uppskattningar av medel över ämnen för vikt och övergripande parametrar ränta. En uppmärksamhets fördel för framträdande stimulans kan ses i uppmärksamhet skick. Den centrala tendens parameter w _p är 0,59, och dess 95% HDI varierar från 0,55 till 0,63. Därför skiftade salience den uppmärksamhet vikten från neutral värde på 0,5. I kontroll tillstånd, där ingen av de mål som var framträdande, en neutral vikt w _p = 0,5 erhölls (95% HDI: 0,48-0,51). Motsvarande raden "Jämförelse" visar att skillnaden mellan W _p vikter över förhållanden är 0,09, och 95% HDI av denna skillnad ringdees från -0,11 till 0,07. Det finns därför en tillförlitlig skillnad mellan de två vikterna till förmån för den salient stimulus.

Men betyder det att den framträdande målet bearbetades snabbare? Skillnaden i vikt tillsammans med den delade totala hastigheten C i uppmärksamhet tillstånd tyder på att det var behandlas snabbare än den icke-framträdande mål i detta tillstånd. Men det är en viktig fråga huruvida det var också behandlas snabbare än målen i kontrollgrupp. Ta beräkningar av bearbetningshastigheter hänsyn måste svaret bli nej. C uppskattning som visas i figur 2e är lägre i uppmärksamhet tillstånd genom en skillnad på nästan 17 Hz. I motsvarande "Jämförelse" plot, 0, ingen skillnad, är precis i utkanten av 95% HDI; varför det är högst osannolikt. Med tanke på de individuella andelen sonden (v _p) och referens (v _r) stimulans både tillstånds (Figur 2f), är det tydligt att den fördel av de framträdande stimulans resultat från en 16 Hz minskning av bearbetningshastigheten för den icke-salient stimulus i uppmärksamhet skick. En möjlig tolkning av dessa resultat är att den framträdande målet leder till en dämpning av den icke-salient målet i uppmärksamhet skick och därmed fördelar i förhållande.

Notera att i detta experiment, även om de framträdanden av sond och referens var identiska i neutralläget, fördröjningen mellan provstart och sond händelse var konstant. Därför kunde deltagarna har riktat uppmärksamhet mot denna tidpunkt, alltså skifta uppmärksamhets vikten från neutral värdet 0,5. Följaktligen måste den faktiska uppmärksamhets vikten av sonden stimulans i kontroll tillstånd uppskattas och fastställas till 0,5. Fastställande parametern är möjligt när deltagaren inte kan berätta även i princip som är sonden och vilken referens stimulus, som i kontrolltillstånd i experiment 3.

Experiment 2: Action rymd fördelar i naturliga bilder
Det andra experimentet mättes uppmärksamhets fördelar för objekt i åtgärden utrymmet i naturliga bilder. Från förändring blindhet studier är det känt att center-of-intresse föremål nytta menande driven orientering i naturliga bilder ^14. Denna effekt är frånvarande när bilder skyms av upp och ner presentation. I opublicerade förändring blindhet experiment, fann vi en åtgärd utrymme fördel med en uppsättning bilder med förändringar i action-utrymme och bakgrundsobjekt (det finns en publicerad replikering med liknande stimulansmaterial i referens ^15). Vår hypotes är att dessa åtgärdsrymdföremål, som är nära observatören och eventuellt gripbar, uppvisar en liknande fördel i deras bearbetning priser.

"Fo: keep-together.within-page =" 1 "> Således föreslås TOJ baserad metod testas med naturliga bilder Action utrymme (sonden) och mer avlägsna (referens) objekt, som dök upp plötsligt i naturliga bilder utgjorde. målen för TOJ förfarande (se figur 3a). i en mellan-patienter kontrollera tillstånd, upp-och-ned versioner av samma bilder användes. Dessa är kända för att ha reducerade kontexteffekter i förändring upptäckt experiment ^{15, 16.} SOA mellan de inträden varierades enligt fördelningen visas i figur 3a.

En effektuppskattning utfördes exakt som för experiment 1, med undantag av att mellan-ämnes jämförelser mellan experimentella och kontroll tillstånd genomfördes. Framgången för att uppnå målet uppskattades med 0,92 (95% HDI: 0,88-0,96) med 35 simulerade deltagare per tillstånd (detaljer kan vara found i TVATOJ exempel "power-exp2.R").

Det fanns 39 patienter i uppmärksamhet tillstånd och 38 i kontroll skick själva experimentet. (Vissa försökspersoner deltog i båda villkoren. Såvitt vi vet detta inte äventyrar Bayesiansk statistisk analys. Behandla de blandade data mellan-ämnen minskar effekt jämfört med tanke på de inomindividuella skillnader.) Återigen en deltagare (samma person i båda förhållanden) togs bort från analysen av varje tillstånd, på grund av att ha gett avsiktslumpmässiga svar under hela försöksperioden.

Figur 3: Experiment 2. (a) Aktionsutrymme (markerade med vit arroWS) och bakgrund (svart pil) riktar i neutralläge (till vänster) och uppmärksamhet (höger) tillstånd. (B) SOA distribution. (C) Två exempel på ämnesnivå tomter från den neutrala (blå) tillstånd och två tomter från uppmärksamheten tillstånd (grön) med svarsräkningar (poäng) och bakre prediktiva kurvor skuggade området; intensitet representerar sannolikheten med avseende på 100 simulerade upprepningar vid finkornig SOA). (D) posteriorifördelningar av den totala hastigheten C och uppmärksamhets vikter w _p och w _r. (E) Grupp-nivå bakre prediktiva kurvor. (F) posteriorifördelningar av _Vp och v _r och deras olikheter. Klicka här för att se en större version av denna siffra.

Dessa data inpassades i samma manner som i det första experimentet. Den enda skillnaden var att på grund av mellan-ämnen design, parameter skillnader mellan de två villkor kunde inte beräknas under provtagning på ämnesnivå. Detta minskar kraften i jämförelse med inom individer skillnader.

Den exemplifierande ämne-nivå och gruppnivå bakre prediktiva fördelningar i Figur 3c visar distributioner som knappt är förskjutna mot varandra. De två villkoren lappar nästan perfekt i gruppnivå bakre prediktiv plot (Figur 3e), så att det kan verka som om uppmärksamhet manipulation inte hade fungerat alls. Inspektera posteriorifördelningar av parametrarna, avslöjar emellertid att det faktiskt är en fördel för de åtgärder rymdföremål. W _p uppskattning i uppmärksamhet tillstånd flyttas bort från neutralläget på 0,5, vilket är endast i mycket vänstra änden av 95% HDI. Märkligt nog är det dockockså förskjutits i kontroll tillstånd, med 95% HDI även exklusive 0,5, vilket tyder på att inversion av bilderna inte bort den potentiella åtgärder utrymmet fördel.

Med tanke på jämförelsen av de individuella stimulansbehandlingshastigheter (figur 3f, "Jämförelse"), kan en effekt av uppmärksamhet ses för graden av referens stimulans v _r. Men skillnaden pekar i motsatt riktning till hypotesen och är liten, vilket återspeglar en ränteförändring på endast 2 Hz (95% HDI: -3,36 till 0,66).

Därför måste man dra slutsatsen att antingen (a) den uppmärksamhet fördelen av åtgärdsrymdföremål beror på en faktor som inte påverkas av scenen inversion, såsom framträdande eller synlighet. Alternativt (b) scenen inversion inte minska effekterna action utrymme som avsett, eller (c) kraften i den aktuella försöket var för liten för att detektera effect. Förklaringar (a) och (b), eller en kombination, är de troliga sådana. I våra opublicerade förändringsblindhet experiment som nämnts tidigare, som genomfördes med samma bilder, fanns det fortfarande en fördel (men reducerad) för åtgärdsrymdföremål i inverterade scener.

Inom ramen för denna metod centrerade papper kan emellertid alternativ (c) vara den mest intressanta ett. Därför kommer storlekarna på eventuellt förbises effekter att diskuteras i korthet. Om man tittar på jämförelse av uppmärksamhets vikter, den nedre gränsen av 95% HDI, vilket återspeglar den hypotetiska riktningen är på -0,01. Därför endast vikter större med 0,01 i deltog jämfört med kontroll tillstånd är sannolika. Denna skillnad är liten jämfört med de andra experimenten, och oddsen är emot även en så liten effekt. Detta återspeglas i den övre HDI gränsen når 0,04. Om man tittar på bearbetningshastigheter är bra eftersom priserna i Hz kan lätt tolkas som förfassing hastighet.

Skillnaderna mellan de två villkor visas i "Jämförelse" rad i figur 3f. Skillnaden AV _r mellan referens stimuli är negativ, -2,03 Hz, och 95% HDI utesluter 0. Den negativa skillnaden återspeglar en ökning av bearbetningshastigheten för referensmålen, bakgrundsobjekt, som är alltför mot verkan utrymmet fördel hypotes . En liten uppmärksamhets fördel är fortfarande möjligt i bearbetningshastigheter sond mål, deras skillnad AV _p beräknas nära noll, men 95% HDI varierar från -1,64 Hz till 1,51 Hz. Även om ett värde nära noll är mest sannolika, kurseffekter på upp till 1,64 Hz till förmån för hypotesen, och upp till 1,51 Hz mot det förblir möjligt om 95% HDI. Sammantaget är dessa resultat inte är gynnsamma för den ursprungliga hypotesen, men deras diskussion visade hur menings storlekar eventuellt missade effekter kan vara conveniently heras från resultaten. Notera att för att acceptera null resultat, såsom saknar minskning av åtgärden utrymme fördel genom att rotera bilderna, kan regioner i praktisk likvärdighet definieras och deras överlappning med 95% HDI kan testas ¹¹ (se diskussion avsnitt).

Experiment 3: Fysisk cueing i märka erkännande
Det tredje experimentet undersöktes gränserna för den föreslagna TVA baserade TOJ modell och visar hur modellen kan utökas för att hantera dessa svårigheter.

Vad är det som får den föreslagna metoden i trubbel? I de två tidigare försök, fick deltagarna att döma två tids händelser. Nu ska vi lägga till en tredje tids händelse, en perifer cue som visas 110 ms innan sonden stimulans att rikta uppmärksamheten mot det. Denna tredje händelsen presenterar svårigheter för enkel TVA-baserade TOJ model, där endast två stimuli uttryckligen modelleras.

Figur 4: Typiska effekter av ledtrådar på perceptuella latenser. Storlekarna på uppmärksamhet effekter som normalt återfinns i Tojs med perifera cues (horisontella linjer). Storheter förutsagts av TVA-baserade TOJ modell för att öka uppmärksamhets vikter av sonden stimulus (kurvor). Den heldragna kurvan motsvarar typiskt observerade parametrar. Klicka här för att se en större version av denna siffra.

Storleken på uppmärksamhets förmåner redovisas i TOJ litteraturen redan antyda dessa svårigheter. Latensen skillnader som induceras av perifera cues är ofta så hög som 50% ochibland så hög som 80% av cueing intervallet ^19. Såsom illustreras i figur 4, skulle en sådan stor förskjutning kräver osannuppmärksamhetsvikter nära w _p = 0,9 vid typiska bearbetningshastigheter. Dessutom sådana extrema vikter leder till mycket skeva psykometriska distributioner. Dessa skulle ha en brant lutning vid en ände och ett grunt lutning vid den andra änden. I en svagare manifestation, kan detta ses i de bakre prediktiva tomter av det första experimentet (figur 2c och d). Sådana starkt förvrängda kurvor sällan rapporteras. När data från nuvarande perifera cueing experiment är utrustad med TVA-baserade TOJ modell, de bakre förutspått kurvorna avviker kraftigt från den faktiska datamönstret.

Viktigt är dock perifera ledtrådar producerar de starkaste och mest pålitliga effekter av uppmärksamhet i psyko TOJ ^20. Därför är det worthwhile att tillämpa en modellbaserad bedömning med en utökad version av den föreslagna modellen. Alcalá-Quintana och García-Pérez ²¹ föreslog en TOJ modell baserad på allmänna antaganden om exponentiell stimulans kodning. Denna modell innehåller ytterligare en parameter som gör det möjligt för stora förändringar utan att ändra sluttningarna av psykometriska kurvor. Alcalá-Quintana och García-Pérez använde det för crossmodal Tojs, där sådana förändringar kommer från förseningar mellan formerna. Därför, för att modellera data från cued Tojs inkluderar vi deras parameter τ. En fördröjning mellan början av kodningsprocesserna kunde redogöra för den förväntade stora laterala skift. Parametern τ kan även ha en TVA-kompatibel tolkning. Detta är dock inte helt oproblematiskt och kommer att diskuteras senare. För att hålla modellen snåla, andra parametrar som föreslagits av Alcalá-Quintana och García-Pérez (svars fördomar, bortfaller, och en minsta möjliga tidsupplösning) ingick inte.

Formellt är den ursprungliga psykometriska modellen i ekvation 4 modifieras genom att ersätta termen SOA med en justerad term SOA _adj = SOA + τ. Denna justering återspeglar också tolkningen av τ: starterna av exponentiell kodningsprocesser nu inte endast åtskilda av SOA, men en ytterligare konstant fördröjning tillsätts. I den hierarkiska Bayesiansk modell, är ämnesnivå τ prov från en normalfördelning gruppsnivå.

En tydlig maktanalys utfördes inte för detta experiment. Eftersom inom-ämnen designen liknar den från Expriment en är en liknande kraft förväntas för effekter i priser och uppmärksamhets vikter. Den förväntade stora sidoförskjutning att fångas av τ parametern är mycket större och mer stabilt än hastighets och vikt effekter är typiskt så att ingen makt problem kan vara expected för att detektera det heller.

Data samlades in för 32 deltagare (bland dem de tre författare) enligt den experimentella proceduren beskrivs i protokollet steg 4. Deltagarna var tvungen att rapportera ordningen två bokstäver. I hälften av försöken sond stimulans föregicks (110 ms) av en perifer fyra punkter cue (se figur 5a). En detaljerad beskrivning av den stimulans material kan hittas i Tünnermann, Petersen och Scharlau studie ^7. Den SOA och deras frekvenser visas i figur 5b. Varje deltagare utförde en eller två sessioner.

Figur 5: Experiment 3. (a) Mål, godtyckligt designated som sond och hänvisning i neutralläget (övre delen). I uppmärksamhet villkoret (nedre delen) sonden stimulus föregicks (110 msek) av ett fyra-dot cue. (C) Tre exempel på ämnesnivå svars räknar (poäng) och bakre prediktiva distributioner (skuggat område, intensitet representerar sannolikheten med avseende på 100 simulerade upprepningar vid finkornig SOA). Blå representerar neutrala och grönt uppmärksamhet skick. (D) Grupp-nivå bakre prediktiva kurvor. (E) posteriorifördelningar av den totala hastigheten C och uppmärksamhets vikter w _p och w _r. (F) posteriorifördelningar av τ och dess skillnad från noll. (G) posteriorifördelningar av _Vp och v _r och deras olikheter. Klicka här för att se en större version av thär figur.

Den utökade modellen som beskrivits ovan tillämpades i den hierarkiska Bayesian beräkningsförfarande. (För deltagare som producerade mycket branta psykometriska kurvor i den första sessionen var mindre SOA som används i den andra sessionen. Detta kan ses till exempel i den vänstra tomten Figur 5c, som innehåller ytterligare datapunkter på små SOA.) På grund av mer komplex modell, var den kraftfulla NUTS provtagaren från Stan programpaket som användes i denna analys ^22.

I de andra försöken, kunde sond stimulus ha en annan bearbetningshastighet än referens stimulus, även i kontroll skick. I experiment 1, var detta eftersom deltagarna skulle ha kunnat uppmärksamma sin förutsägbara tidpunkt i förhållande till prov debut. I experiment 2, var inversionen av bilderna inte förväntas helt ta bort fördelen handlingsrymdföremål. I detta brev baserade cueing experiment, men deltagarna skulle inte ens i princip kunna identifiera vilka är sonden och som referens stimulans, eftersom samma slumpmässiga bokstäver användes och tiden mellan försök och rikta debut tillät inte att dra slutsatsen måltypen. Därför är en verkligt neutral kontrollgrupp förväntade och w _p fixerad vid 0,5 och τ vid 0 i neutralläget.

Såsom kan ses i figur 5c och 5d, leder den vita till en betydande förskjutning av psykometriska funktion jämfört med de andra experimenten. Dessutom är de bakre tomter i figur 5F visar att τ beräknas som en 53,27 ms nytta för cued målet. 95% HDI på skillnaden ( "jämförelse" rad) utesluter alla skillnader mindre än 47,56 (eller större än 57,73), vilket gör dem mycket osannolik.

t "> Intressant nog finns det en förändring i uppmärksamhets vikter till förmån för uncued målet (Figur 5e). Den bakre fördelningen av w _p har sitt läge på 0,42. Den neutrala Vikt 0,5 ingår inte i 95% HDI. För C parametern det är en ökning med 4,69 Hz för uppmärksamheten tillstånd. Uttryckt i v-parametrar (Figur 5f), är det mest anmärkningsvärda att hastigheten v _r referens stimulans i uppmärksamhet skick ökar.

I de föregående två experimenten observerades det att den uppmärksamhet manipulationer ökade uppmärksamhet som vikten av sonden stimulus. I föreliggande experiment kunde dock mönstret återspegla en interferens på kö med målet, och därigenom minska dess hastighet i loppet för kodning. Samtidigt, de cued målgrupp förmåner från snabbare behandling på grund av τ parameter. Det senare kan kopplas till en minskning av den cued mål fördröjningar före ellerefter de exponentiella races. Observera dock att om τ, en förlängning av en fördröjning i samband med den uncued stimulus förklarar den relativa skillnaden lika bra.

Discussion

Protokollet i den här artikeln beskrivs hur man genomför enkla Tojs och montera data med modeller som baseras på grundläggande stimulans kodning. Tre experiment visade hur resultaten kan utvärderas i en hierarkisk ram Bayesian uppskattningen att bedöma inverkan av uppmärksamhet i mycket olika stimulans material. Salience i pop-out visar ledde till ökade uppmärksamhets vikter. Dessutom ökades vikter beräknas för åtgärder rymdföremål i naturliga bilder. Men på grund av den ihållande fördel när rumsliga relationer stördes genom att visa sådana bilder upp och ner, är det troligt att en annan lokal uppmärksamhets fördel leder till viktökning. En perifer kö, som användes i experiment 3, uppvisar en negativ inverkan på attentional vikt. Det leder dock till en stor effekt i τ parameter som modeller en fördröjning mellan starttider kodningsprocesserna.

De flesta av protokollet följer gemensamma åtgärderbedriva Tojs och perceptionsexperiment i allmänhet. Observera dock att tolkningen av resultaten i termer av TVA är knuten till kodning av stimuli i visuell korttidsminne. Möjligheten att utföra TOJ av ren inträdesdetektering bör minskas så mycket som möjligt. Därför, som nämns i protokoll steg 1,2, är det viktigt att de attribut av intresse antingen automatiskt är kodade (som kan antas för vissa stimuli, t.ex. salience pop-outs) eller kodning måste underlättas via uppgiften (t.ex. rapportering stimulans identitet).

Det är lämpligt att inspektera sammanfattas rådata ( "sond första" räknas över SOA dividerat med antalet repetitioner) innan du kör den slutliga analysen. Dessa data bör följa en S-formad kurva som visas i psykometriska funktioner i siffrorna för avsnittet Resultat representanten. Observera att på grund av de binomialfördelad svar, datapunkterna slumpmässigtly avvika från den ideala banan. Avvikelserna ökar med ett minskande antal repetitioner. Med några repetitioner, avvikelserna är ofta relativt stora, döljer den ideala S-form. Men om mönstret avviker tydligt från den vanliga kurvan, kan den matematiska modellen behöva justeras. Till exempel, när stora laterala skift observeras (som i experiment 3 i denna artikel), Alcalá-Quintana och García-Pérez τ parameter kan ingå. Om kurvan inte konvergerar till ett och noll vid sina ändar, extra lapse parametrar ²¹ kan läggas till.

Det är möjligt att utföra en formell modell jämförelse som föreslås i Alcalá-Quintana och García-Pérez ²¹ att välja mellan olika modeller. Med hjälp av modeller som skiljer sig från den som beskrivs i inledningen, men kan påverka huruvida resultaten kan tolkas i termer av TVA.

Där innetat redovisas i denna artikel, konstaterade vi de centrala tendenser beräknade skillnader tillsammans med deras 95% HDIs. Men i Bayesian ram är det möjligt att godkänna eller förkasta att det inte finns någon skillnad mellan två beräkningar. För detta ändamål måste ett rep (region av praktisk betydelse) anges ^{11, 13.} Repet indikerar ett litet område runt noll. Värden inom detta intervall anses vara praktiskt taget lika med noll. Om linan inte överlappar med HDI är nollhypotesen förkastas. Menings LIN gränser beror på frågeställningen eller applikation. I motsats till TOJ analys med traditionella medel, kan TVA synsätt styra inrättandet av meningsfulla LIN gränser: På grund av deras meningsfulla enheter, kan parametrarna relaterade till beräkningar från andra TVA paradigm (t.ex., hela rapporter, se referens ³⁾ . Dessutom kan bearbetningshastigheter omvandlas till kodning duransoner (det förväntade värdet av kodnings varaktighet E _x av stimulans x är 1 / v _x, se referens ⁷⁾ för att informera LIN gränser. Till exempel, om forskarna är intresserade av om en uppmärksamhet manipulation bidrar till en reaktionstid avdrag för en deltagare i en drivande simulering, kunde de resonera på följande sätt: Reaktionstider (inklusive motorkomponenter) är i storleksordningen ett par hundra millisekunder, därför om uppmärksamheten manipulation förändrar den totala reaktionen bara några millisekunder, skulle förändringen vara praktiskt taget noll. Hence ett rep från -2 till 2 ms skulle kunna tillämpas på skillnaden mellan referens och sond som kodar för varaktighet (E _r -E _p). Om repet av denna skillnad innefattar helt HDI, vilket leder till att det inte finns någon skillnad kan accepteras. Om HDI och REP inte överlappar varandra, kan förkastas nollhypotesen. Om ingen är fallet, kan göras någon sådan beslutspunkt. Ytterligare detaljer avseende Bayesian evakan hittas värderegle- rings tillvägagångssätt i allmänhet, exempelvis i Kruschke bok ^13.

När det gäller mer allmänna frågor, för att lyckas med detta protokoll, är det viktigt att det bara finns två stimuli som genererar tidssignaler vid målplatsen. Till exempel, en perifer cue (som i experiment 3) eller masker ⁷ leder till stora sidoförskjutningar som inte kan förklaras av det nuvarande TVA-baserade modell. Sådana situationer är inte ovanliga och de modellerades genom att införliva en parameter som föreslagits av Alcalá-Quintana och García-Pérez ^21. I detta utökade modell, τ komponenten kan inte vara tydligt kopplade till en TVA mekanism. Det finns en preliminär anslutning mellan τ och TVA, men det finns vissa olösta problem. I själva verket, TVA antar en kort fördröjning innan kodning börjar. Parameter t _0, som diskuterades i inledningen, är den maximala ineffektiv exponering duration vid vilken ingenting kodas alls. Skillnaden t _0r -t _0p kan uppfattas som τ. Emellertid är t ₀ vanligtvis små, omkring 10 till 20 msek. Vidare har teorin inte utgå från att det påverkas av uppmärksamhet. Ändå har t ₀ minskningar observerats i märka erkännande ^{7, 24.} Om man accepterar denna möjlighet måste en ytterligare åtagande göras. Parameter τ mättes omkring 50 ms. Med tanke på att t _0p av cued stimulus kan maximalt minskas med 10 till 20 ms eftersom det inte är större i den första plats, skulle de flesta av τ komma från ökande t _0r av uncued till 50 till 60 msek. Denna storleksordning är långt utöver vad som ibland observeras (cirka 10 msek). Som en följd av τ är oklar relation till TVA, kan vissa viktiga frågor inte besvaras. Till exempel kan det inte avgöras huruvida fördröjningar deltog stimuli minskas eller om de av obevakade stimuli förlängs (vilket resulterar i den observerade τ skillnaden).

Begränsningarna av tekniken som nämns ovan härrör från det faktum att endast två stimuli uttryckligen modelleras med TVA. Att förbättra detta syftar framtida forskning att utvidga TVA-baserad modell för mer än två stimuli. I synnerhet uttryckligen modellering kö i cued TOJ med TVA är ett viktigt mål för efterföljande forskning ^25.

Fördelar med protokollet är enkelheten i TOJ uppgift som kan utnyttja nästan godtycklig stimuli, den grundliga teoretiska underbyggnad av TVA och Bayesian utvärderingssystemet. TVA-baserade modell är ett stort steg framåt från traditionella modellen fria metoder. I det förflutna, har mestadels generiska psykometriska funktioner monterats på Tøj uppgifter. Förändringar i deras sammandrag parametrar PSS (punkt subjektiva samtidighet) och DL (skillnaden limen, ett mått pådiskriminering prestanda) har kopplats till uppmärksamhets manipulationer. Ibland är dessa parametrar övertolkas. Till exempel är det ofta hävdade att uppmärksamhet accelererar behandling av den bemannade stimulans, medan det kan också vara så att den obemannade stimulus saktas ^7. I tillägg till denna svaghet, dessa parametrar är ganska indirekt. De beskriver prestandan i arbetet och inte karaktärisera de processer som producerar den. Modellen baserad analys av Tojs förbättrar dessa nackdelar genom att tillhandahålla meningsfulla parametrar baserade på TVA.

Materials

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