시간적 순서 심판의 모델 기반 분석에 의해주의 및 Visual 처리 속도를 측정

이 프로토콜의 전반적인 목표는 거의 임의의 자극에 대한 주의와 시각적 처리의 매개변수를 측정하는 것입니다. 이는 시간적 순서 판단(TOJ)의 데이터를 모델링하여 수행됩니다. 여기에서 참가자는 두 대상의 제시 순서를 판단하고, 결과 데이터는 주의가 자극 인코딩 속도에 미치는 영향을 측정할 수 있는 새로운 모델로 분석됩니다.

Bundesen의 시각적 주의 이론은 주의력 가중치 및 처리 속도와 같은 매개변수에 대한 다양한 사용을 제공합니다. 일반적으로 이러한 작업은 문자나 숫자가 사용되는 항목 보고서 작업에서 추정되며, 문자나 숫자 이외의 다른 것을 사용하는 것은 어렵고 집중적인 교육이 필요하므로 거의 수행되지 않습니다. 예를 들어, 이 방법으로 시각적 현저성과 팝아웃 디스플레이를 측정하는 방법을 상상하기 어렵습니다.

따라서 우리는 거의 임의의 자극으로 수행될 수 있는 시간적 순서 판단을 사용하는 새로운 TVA 기반 방법을 제안합니다. 시간적 순서 판단은 오랫동안 주의력을 평가하는 데 사용되어 왔지만, TVA와 결합하면 더 강력해져서 쉽게 해석할 수 있는 매개변수를 제공합니다. 시간적 질서 판단 과제에서, 여기서 A와 B로 식별되는 두 개의 자극이 밀접하게 연속되거나 동시적으로 보여진다.

시간적 질서에 대한 인식은 독립 채널 모델로 모델링할 수 있습니다. 이러한 모델에는 각 대상에 대한 독립적인 처리 채널이 있습니다. 주문 비교기는 채널을 모니터링하고 특정 대상(여기서는 A)이 다른 대상보다 먼저 도착할 때 카운트를 기록합니다.

이를 설명하기 전에 실험 데이터가 일반적으로 표시되는 형태를 간략하게 설명합니다. 특정 유형의 판단의 상대적 빈도(여기서는 A first)는 SOA, 즉 두 대상의 제시 사이의 시간 간격에 따라 플롯됩니다. 이제 음의 SOA가 크면 여기서 이것은 자극 A가 리드한다는 것을 의미하며, A가 비교기에 먼저 도착할 가능성이 가장 높습니다.

자극 B가 더 일찍 도착하는 경우는 매우 드뭅니다. 따라서 1에 가까운 상대 주파수를 나타내는 데이터 점을 얻습니다. 큰 양의 SOA, 즉 자극 B가 리드하는 경우 비교기는 A의 첫 번째 결과를 매우 드물게 등록합니다.

따라서 0에 가까운 데이터 포인트를 얻습니다. SOA가 0이면 목표가 동시에 표시되고 포인트 5 chance level의 데이터 포인트가 기록됩니다. SOA가 값 범위에 따라 다양할 때 결과 패턴은 심리 측정 함수로 설명할 수 있습니다.

이제, 주의가 자극, 여기서, 자극 A에 집중될 때, 그것은 비교기에 더 일찍 도달하고, 결과적으로, 여기에서 SOA 0에 대해 보여지고, A 첫 번째 판단의 확률이 증가합니다. 이것은 전체 심리 측정 기능을 변화시킵니다. 빨간색 곡선이 포인트 5 레벨을 교차하는 지점의 SOA는 종종 관심의 영향을 정량화하기 위해 사용됩니다.

시간적 자동 판단은 지각 지연 시간을 평가하는 자연스러운 방법인 것으로 보이며, 주의와 시간 지각의 영향에 대한 많은 질문이 이 방법으로 답변되었습니다. 그러나 TOJ에는 근본적인 약점이 있는데, 이것이 TOJ의 상대적인 특성입니다. 시간적 자동 지각은 자극 A가 자극 B보다 먼저 지각된다는 것을 말해 줄 수 있지만, 그 이유는 말해주지는 않습니다.

자극 A가 더 빨리 처리되기 때문일 수도 있고, B가 더 느리게 처리되기 때문일 수도 있습니다. 설명력을 높이기 위해 TOJ 모델은 시각적 자극의 인코딩 과정을 모델링하는 TVA에서 파생됩니다. 각 채널에서 인코딩은 TVA의 지수 레이스 모델에 따라 진행된다고 가정합니다.

특정 기간 내에 각 대상을 인코딩할 확률은 한 대상을 다른 대상보다 먼저 인코딩할 확률로 변환됩니다. 시간적 질서에 대한 인식. 중요한 것은 TVA에서 상속된 두 가지 속도 매개변수를 통해 더 빨리 처리된 유인 자극이었는지, 아니면 속도가 느려진 무인 자극이었는지와 같은 질문에 답할 수 있다는 것입니다.

또는 비율을 상대적 주의 가중치로 표현할 수도 있습니다. 연구 질문에 따라 자극을 선택합니다. 일반적으로 화면의 서로 다른 위치에 두 개의 대상을 표시할 수 있어야 합니다.

이 프로토콜의 뒷부분에서는 팝아웃 디스플레이, 자연스러운 이미지 및 문자 대상을 사용한 실험의 결과를 보여줍니다. 다음은 자연 이미지의 액션 공간과 배경 개체를 사용하는 방법의 예입니다. 두 목표물이 모두 있는 사진은 목표물이 없는 하나와 함께 놓여 있습니다.

개체는 위쪽 이미지를 로컬로 투명하게 만들어 가상으로 제거됩니다. 이 절차를 통해 둘 다, 없음 및 두 개체 중 하나가 있는 이미지가 생성되어 배경 우선, 작업 공간 우선, 동시 표시가 있는 TOJ를 설정합니다. 실험의 설계 및 표본 크기를 계획하기 위해 베이지안 검정력 분석을 수행할 수 있습니다.

반복적으로 시뮬레이션하고 의도한 모델, 실험 설계 및 가설에 도출된 매개변수로 데이터를 피팅합니다. 성공 기준(success criterion)에 도달하는 시뮬레이션의 비율(예: 주의 가중치의 차이)은 실험의 검정력을 추정하는 데 사용됩니다. 실험 빌더 또는 정신물리학적 프레젠테이션 라이브러리를 사용하여 실험을 구현합니다.

오픈 소스 실험 빌더 OpenSesame에 문자, 숫자 및 모양이 있는 TOJ에 대해 trials 테이블만 지정하면 됩니다. 또한 자연스러운 이미지가 있는 TOJ에 대한 OpenSesame 예제를 제공합니다. 각 조건에 대해 계획된 모든 SOA에 대한 평가판을 만듭니다.

대표적인 SOA 분포가 대표적인 결과에 표시되어 있습니다. 두 대상은 프로브 및 참조로 정의됩니다. 참조는 항상 0으로 표시되며 무인 대상인 반면 프로브 자극은 어텐션 조작의 대상이 됩니다.

음의 SOA를 사용한 시험에서는 프로브 자극을 먼저 제시하고 SOA 다음에 기준 자극을 제시합니다. SOA가 양수인 시험의 경우, 먼저 기준 자극을 제시하고, 지연 후에는 SOA에 따라 프로브를 제시합니다. SOA가 0인 경우 두 대상을 동시에 제시합니다.

중립 조건에서 프로브 및 참조의 할당은 임의적이지만 데이터를 분석하는 데 필요합니다. 모든 SOA의 반복을 만듭니다. 자극, 위치 또는 대상 정체성과 같이 영향을 받지 않는 영향을 무작위화하거나 체계적으로 변경합니다.

반복 횟수는 유력 전력에 따라 다릅니다. 약 800개의 임상시험이 1시간 이내에 발표될 수 있습니다. 더 많은 반복이 필요한 경우 실험을 여러 세션으로 나누는 것이 좋습니다.

참가자를 환영하고 실험의 일반적인 절차에 대해 알려줍니다. 참여에 대한 동의를 얻습니다. 시력이 정상인지 또는 정상으로 교정되었는지 확인하십시오.

실험을 위한 조용한 부스를 제공합니다. 의자, 턱받침대, 키보드 등을 조정하여 최적의 조건을 보장합니다. 참가자들에게 실험에는 주의와 정신적 집중이 필요하며 피곤할 수 있다는 것을 인식시킵니다.

필요할 때 잠시 휴식을 취하도록 요청하십시오. 프레젠테이션 및 응답 수집을 자세히 설명하는 화면 지침을 제시합니다. 참가자들에게 과제는 대상의 인지된 시간적 순서를 보고하는 것임을 상기시키고, 순서를 전혀 알 수 없는 시행에서 추측

시험 중 안구 움직임을 피하기 위해 참가자들에게 화면에 표시될 때마다 중앙 마커를 고정하도록 요청하십시오. 턱 받침대에 머리를 대라고 합니다. 필요한 경우 잠시 휴식을 취하도록 요청하십시오.

10-20번의 시도로 짧은 훈련을 수행합니다. 참가자가 작업을 이해했는지 확인합니다. 그들이 설명하게 하십시오.

더 이상 질문이 없으면 주요 실험을 위해 부스를 떠나십시오. 시행별 데이터를 프로브 첫 번째 판단 횟수로 변환한 후 원하는 Beyesian 계층 모델을 실행하여 매개변수를 추정할 수 있습니다. 프로세스가 완료된 후 모든 파라미터에 대한 수렴 진단을 플롯하고 체인이 수렴되었으며 충분히 큰 유효 표본 크기를 제공하는지 확인합니다.

그런 다음 관심 있는 매개변수를 플롯하고 평가합니다. 예시적인 결과는 이 비디오의 다음 섹션에 나와 있습니다. 첫 번째 실험은 시각적 현저성이 처리 속도에 미치는 영향을 측정했습니다.

참가자들은 배경 패턴에서 왼쪽 또는 오른쪽의 두 목표 선 세그먼트 중 어느 것이 먼저 깜박이는지 판단했습니다. 시험의 절반에서 프로브는 색상이 튀어나왔습니다. 데이터는 앞서 설명한 TVA에서 파생된 TOJ 모델을 적용했습니다.

두드러진 자극의 이점은 주의 상태에서 볼 수 있는데, 프로브에 대한 포인트 5 9의 주의 가중치가 증가하기 때문입니다. 두드러진 표적이 없는 제어 조건에서, 포인트 5의 중립 중량이 얻어졌고, 따라서 주의 조건에서 프로브의 주의 가중치는 신뢰성 있게 더 높았습니다. 0, 차이 없음은 95 HDI에 포함되지 않았습니다.

프로브와 참조의 개별 가중치는 돌출 자극 이점이 비돌출 자극의 16Hz 처리 속도 감소로 인해 발생한다는 것을 보여줍니다. 아마도 현저한 표적은 현저하지 않은 표적의 처리를 어느 정도 억제하므로 상대적으로 이점이 있습니다. 두 번째 실험은 자연 이미지에 묘사된 행동 공간에서 주의력의 이점을 조사했습니다.

액션 스페이스, 프로브 및 배경 오브젝트 참조가 TOJ에 등장했습니다. 제어 실험에서는 장면 레이아웃 인식이 방해받는 이미지의 거꾸로 된 버전을 사용하여 행동 공간 이점이 없는 기준선을 기록했습니다. 매개변수 posterius는 어텐션 조건에서 행동 공간 이점을 나타냅니다.

프로브 무게는 포인트 5의 중립 무게보다 높습니다. 흥미롭게도, 이것은 제어 조건에서도 발견되며, 이는 이미지 반전이 잠재적인 행동 공간 이점을 제거하지 않았음을 시사합니다. 따라서 장면 반전에 의해 제거되지 않는 현저성 또는 가시성과 같은 요인으로 인한 이점이 가장 가능성이 높습니다.

실험력이 너무 낮아 행동 공간 효과를 감지할 수 없었을 가능성은 이 프로토콜의 서면 부분에서 논의됩니다. 세 번째 실험에서는 주변 신호가 사용되었으며, 인코딩 프로세스 간의 지연을 모델링하는 추가 매개 변수에 큰 영향을 미칩니다. 이 실험은 이 프로토콜의 서면 부분에서 자세히 설명합니다.

결론적으로, 이 기사의 프로토콜은 간단한 TOJ를 수행하고 자극 인코딩의 기본 모델을 기반으로 데이터를 맞추는 방법을 설명합니다. 세 가지 실험에서 우리는 결과가 계층적 베이지안 추정 프레임워크에서 평가될 수 있음을 보여주었습니다. 우리는 팝아웃 디스플레이의 현저함이 주의력 가중치를 증가시킨다는 것을 발견했습니다.

또한, 자연 이미지에서 활동 공간 객체에 대한 증가된 가중치가 추정되었지만, 지속적인 이점으로 인해 이미지를 거꾸로 표시하여 공간 관계가 방해를 받았을 때, 또 다른 주의적 이점이 무게 증가로 이어질 가능성이 있습니다. 실험 3의 주변 신호는 인코딩 프로세스 간의 추가 지연을 모델링하는 매개변수에 대한 큰 값으로 이어졌습니다. 프로토콜의 장점은 거의 임의의 자극을 활용할 수 있는 TOJ 작업의 단순성입니다.

TVA의 철저한 이론적 토대와 베이지안 평가 체계. 현저성은 많은 연구에서 중요한 역할을 하지만, 시각적 현저성을 정량화하려고 시도한 연구는 소수에 불과합니다. 그러나 시각적 현저성을 정량화하면 방향, 색상 또는 움직임과 같은 다양한 기능 치수를 비교할 수 있습니다.

여기에서 우리는 TVA에서 파생된 공식 모델의 주의 가중치에 대한 색상 대비의 영향을 조사하고 현저성을 정량적으로 그리고 심리적으로 건전한 방식으로 측정할 수 있었습니다. 이 프로토콜의 성공을 위해서는 목표 위치에서 시간 신호를 생성하는 자극이 두 개만 있는 것이 중요합니다. 말초 신호와 같은 TOJ의 추가 자극을 명시적으로 모델링하는 것이 향후 연구의 목표입니다.