時間的順序の判決のモデルベース分析により注目し、視覚処理速度を測定します

このプロトコルの全体的な目標は、ほぼ任意の刺激に対する注意と視覚処理のパラメータを測定することです。これは、時間順序判定 (TOJ) からのデータをモデル化することによって実現されます。これらでは、参加者は2つのターゲットの提示順序を判断し、結果のデータは、注意が刺激符号化率にどのように影響するかを測定できる新しいモデルで分析されます。

ブンデセンの視覚的注意の理論は、注意の重さや処理速度などのパラメータにさまざまな用途を提供します。通常、これらは文字や数字が使用されるアイテムレポートタスクで推定されますが、文字や数字以外のものを使用することは難しく、集中的なトレーニングが必要なため、めったに行われません。たとえば、この方法でビジュアルの顕著性やポップアウトディスプレイをどのように測定するかを想像するのは難しいです。

そこで、私たちは、ほぼ任意の刺激で行うことができる時間的順序判断を用いた新しいTVAベースの方法を提案します。時間順序判断は、長い間注意を評価するために使用されてきましたが、TVAと組み合わせることで、より強力になり、容易に解釈可能なパラメータを提供します。時間順序判断タスクでは、ここではAとBとして識別される2つの刺激が、近接してまたは同時に示されます。

時間順序の認識は、独立したチャネルモデルでモデル化できます。このようなモデルでは、ターゲットごとに独立した処理チャネルがあります。オーダーコンパレータは、チャネルを監視し、特定のターゲット(ここではA)が他のターゲットよりも先にチャネルに到着したときのカウントを記録します。

これを実証する前に、実験データが通常表される形式について簡単に説明します。特定のタイプの判断の相対周波数(ここでは最初にA)は、SOA、つまり2つのターゲットのプレゼンテーション間の時間間隔に応じてプロットされます。さて、大きな負のSOAでは、これは刺激Aが導くことを意味し、Aが最初に比較器に到達する可能性が最も高いです。

刺激Bが早く到着することはめったにありません。したがって、1に近い相対周波数を表すデータポイントが得られます。大きな正のSOA、つまり刺激Bがリードする場合、コンパレータが最初にAの結果を登録することはめったにありません。

したがって、ゼロに近いデータポイントを取得します。SOA が 0 の場合、ターゲットは同時に提示され、ポイント 5 のチャンス レベルのデータ ポイントが記録されます。SOAが値の範囲で変化した場合、結果のパターンは心理測定関数で記述できます。

さて、ある刺激、ここでは刺激Aに注意が向けられると、それは比較器に早く到着し、その結果、ここでSOAゼロについて示されているように、Aが最初に判断する確率が増加する。これにより、心理測定機能全体がシフトします。赤い曲線がポイント5レベルと交差するSOAは、注意の影響を定量化するためによく取られます。

時間的自動判断は、知覚遅延を評価する自然な方法であるように思われ、注意と時間知覚の影響に関する多くの疑問がこの方法で解決されています。しかし、TOJには中心的な弱点があり、それがその相対的な性質である。時間的自己知覚は、刺激Aが刺激Bの前に知覚されることを教えてくれるかもしれませんが、その理由は教えてくれません。

これは、刺激Aが速く処理されるか、Bが遅く処理されるためである可能性があります。説明力を高めるために、視覚刺激の符号化プロセスをモデル化するTVAからTOJモデルが導出されます。各チャネルでは、符号化は TVA の指数関数的競合モデルに従って進行すると仮定されます。

特定の期間内に各ターゲットをエンコードする確率は、一方のターゲットが他方のターゲットより先にエンコードされる確率に変換されます。時間的秩序の知覚。重要なのは、TVAから継承された2つのレートパラメータにより、処理が速かったのは有人刺激だったのか、それとも遅くなった

あるいは、レートは相対的な注意ウェイトとして表すこともできます。研究課題に応じて刺激を選択します。一般に、画面上の異なる位置に 2 つのターゲットを表示できる必要があります。

このプロトコルの後半では、ポップアウトディスプレイ、自然な画像、文字ターゲットを使用した実験の結果を示します。ここでは、自然画像内のアクションスペースと背景オブジェクトの使用方法の例を示します。両方のターゲットが存在する写真は、ターゲットのない1つのターゲットの上に置かれます。

オブジェクトは、上の画像を局所的に透明にすることで仮想的に削除されます。この手順では、両方のオブジェクトが存在する画像、存在しない画像、または2つのオブジェクトのいずれかが存在する画像が作成され、背景が最初に、アクションスペースが先に、同時表示が可能なTOJが確立されます。実験の計画とサンプルサイズを計画するために、ベイズ検出力分析を実行できます。

繰り返しシミュレーションを行い、データを目的のモデル、実験計画、および仮説パラメータに適合させます。達成基準に達したシミュレーションの割合(注意の重みの違いなど)は、実験の検出力を推定するために使用されます。実験ビルダーまたは心理物理学的プレゼンテーション ライブラリを使用して、実験を実装します。

オープンソースの実験ビルダーOpenSesameには、文字、数字、形状のTOJにaを提供し、trialsテーブルのみを指定する必要があります。また、自然な画像を持つTOJ用のOpenSesameの例も提供しています。各条件について、計画されたすべての SOA のトライアルを作成します。

代表的な結果には、例示的なSOA分布が示されています。2 つのターゲットは、プローブとリファレンスとして定義されます。参照は常にゼロで示され、無人ターゲットですが、プローブ刺激は注意操作の対象となります。

SOAが陰性の試験では、最初にプローブ刺激を提示し、SOAの後に参照刺激を提示します。SOAが陽性の試験では、最初に参照刺激を提示し、遅延後にSOAに従ってプローブを提示します。SOA が 0 の場合は、両方のターゲットを同時に表示します。

ニュートラルな条件では、プローブとリファレンスの割り当ては任意ですが、データの分析に必要です。すべての SOA の繰り返しを作成します。影響に関係のない影響 (刺激の位置やターゲットの同一性など) をランダム化または体系的に変化させます。

繰り返し回数は、出席した電力によって異なります。1時間以内に約800件の試験を実施できます。さらに繰り返しが必要な場合は、実験をいくつかのセッションに分割することを検討してください。

参加者を歓迎し、実験の一般的な手順について伝えます。参加の同意を得るため。彼らが正常であるか、正常な視力に矯正されていることを確認してください。

実験用の静かなブースを提供します。椅子、あご当て、キーボードなどを調整して、最適な状態を確保します。実験には注意力と精神的な集中力が必要であり、疲れる可能性があることを参加者に認識させます。

必要に応じて短い休憩を取るように頼んでください。プレゼンテーションと回答の収集を詳しく説明する画面上の指示を表示します。参加者に、タスクはターゲットの知覚された時間的順序を報告することであり、順序がまったくわからない試行で推測することであることを思い出させます。

試験中の眼球運動を避けるために、参加者に中央のマーカーが画面に表示されるたびに固定するように依頼します。あご当てに頭を乗せるように頼みます。必要に応じて、短い休憩を取るように依頼してください。

10回から20回の試行で短いトレーニングを実行します。参加者がタスクを理解したことを確認します。彼らに説明させてください。

他に質問がない場合は、メインの実験のためにブースを離れてください。試行ごとのデータをプローブのファースト判定のカウントに変換した後、目的のベイジアン階層モデルを実行してパラメータを推定できます。プロセスが完了したら、すべてのパラメーターの収束診断をプロットし、チェーンが収束したこと、およびチェーンが十分に大きな有効サンプルサイズを提供していることを確認します。

次に、対象のパラメーターをプロットして評価します。例示的な結果は、このビデオの次のセクションで示します。最初の実験では、視覚的顕著性が処理速度に与える影響を測定しました。

参加者は、背景パターンの左または右の2つのターゲットラインセグメントのどちらが最初にちらついたかを判断しました。試験の半分では、プローブはカラーポップアウトでした。データは、前述のTVAから導出されたTOJモデルで適合しました。

顕著な刺激による利点は、プローブのポイント59の注意ウェイトの増加として、注意状態に見ることができます。ターゲットが突出していない制御条件では、ポイント5の中性重量が得られ、したがって、注意条件でのプローブの注意ウェイトは確実に高かった。ゼロ、差はなく、95 HDIには含まれていませんでした。

プローブの個々の重みとその参照は、顕著な刺激の利点が、非顕著な刺激の16ヘルツの処理速度の低下から生じることを示しています。おそらく、顕著なターゲットは、顕著でないターゲットの処理をある程度抑制し、したがって相対的に利益を得る。2つ目の実験では、自然イメージに描かれた行動空間における注意力の利点を調査しました。

アクションスペース、プローブ、および背景オブジェクト参照は、TOJ用に登場しました。制御実験では、アクションスペースの利点のないベースラインが、シーンレイアウトの知覚が乱される画像の逆さまバージョンを使用して記録されました。パラメーターposteriusは、アテンション条件におけるアクションスペースのアドバンテージを示します。

プローブの重量は、ポイント5の中立の重量よりも高くなっています。興味深いことに、これは制御条件にも見られ、画像の反転が潜在的な作用空間の利点を奪わなかったことを示唆しています。したがって、ほとんどの場合、顕著性や可視性などの要因によって引き起こされる利点は、シーンの反転によって削除されません。

実験力が作用空間効果を検出するには低すぎた可能性は、このプロトコルの書かれた部分で議論されています。3番目の実験では、周辺キューが使用され、エンコードプロセス間の遅延をモデル化する追加のパラメーターに大きな効果をもたらします。この実験については、このプロトコルの書かれた部分で詳しく説明しています。

結論として、この記事のプロトコルでは、単純なTOJを実施し、刺激符号化の基本モデルに基づいてデータを適合させる方法について説明します。3つの実験で、その結果が階層的なベイズ推定フレームワークで評価できることを示しました。ポップアウトディスプレイの顕著性が、注意力の重みの増加につながることがわかりました。

また、自然画像における行動空間オブジェクトについては、重みの増加が推定されたが、その持続的な利点により、画像を逆さまに表示することによって空間的関係が乱された場合、別の注意利益が重みの増加につながる可能性が高い。実験 3 の周辺キューにより、エンコード プロセス間の追加の遅延をモデル化するパラメーターの値が大きくなりました。このプロトコルの利点は、TOJタスクの単純さであり、ほぼ任意の刺激を利用できることです。

TVAによる徹底的な理論的基盤とベイズ評価スキーム。顕著性は多くの研究で重要な役割を果たしていますが、視覚的な顕著性を定量化しようと試みた研究はごくわずかです。しかし、視覚的な顕著性を定量化することで、向き、色、動きなど、さまざまな特徴の次元を比較することができます。

ここでは、TVAから導出された形式モデルの注意の重みに対する色のコントラストの影響を調査し、顕著性を定量的に、そして心理的に健全な方法で測定することを可能にしました。このプロトコルを成功させるためには、ターゲットの位置で時間的なシグナルを生成する刺激が2つだけであることが重要である。末梢の手がかりなど、TOJにおける追加の刺激を明示的にモデル化することが、将来の研究の目標です。