Oceny porządku czasowego mogą być używane do szacowania parametrów szybkości przetwarzania i wag uwagi, a tym samym do wnioskowania o mechanizmach przetwarzania uwagi. Metodologia ta może być stosowana do szerokiego zakresu bodźców wzrokowych i działa z wieloma manipulacjami uwagi.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Pomiar uwagi i szybkości przetwarzania wzrokowego za pomocą opartej na modelu analizy osądów porządku czasowego
W tym artykule
Podsumowanie
Streszczenie
Ten protokół opisuje, jak przeprowadzać eksperymenty z porządkiem czasowym w celu zmierzenia szybkości przetwarzania wizualnego i rozkładu zasobów uwagi. Proponowana metoda opiera się na nowym i synergicznym połączeniu trzech komponentów: paradygmatu sądów porządku czasowego (TOJ), teorii uwagi wzrokowej Bundesena (TVA) oraz hierarchicznej ramy estymacji bayesowskiej. Metoda dostarcza łatwych do interpretacji parametrów, które są wspierane przez teoretyczne i neurofizjologiczne podstawy TVA. Korzystając z TOJ, można uzyskać szacunki oparte na TVA dla szerokiego zakresu bodźców, podczas gdy tradycyjne paradygmaty stosowane z TVA ograniczają się głównie do liter i cyfr. Wreszcie, znaczące parametry proponowanego modelu pozwalają na ustanowienie hierarchicznego modelu bayesowskiego. Taki model statystyczny pozwala na ocenę wyników w jednej, spójnej analizie zarówno na poziomie przedmiotu, jak i grupy.
Aby zademonstrować wykonalność i wszechstronność tego nowego podejścia, opisano trzy eksperymenty z manipulacjami uwagi w syntetycznych wyświetlaczach pop-out, naturalnymi obrazami i paradygmatem list-raport z sygnalizacją.
Wprowadzenie
Sposób rozkładu uwagi w przestrzeni i czasie jest jednym z najważniejszych czynników w ludzkiej percepcji wzrokowej. Obiekty przyciągające uwagę ze względu na swoją widoczność lub znaczenie są zazwyczaj przetwarzane szybciej i z większą dokładnością. W badaniach behawioralnych takie korzyści wydajnościowe wykazano w wielu paradygmatach eksperymentalnych. Na przykład skierowanie uwagi na lokalizację celu przyspiesza reakcję w zadaniach wykrywania bodźca sprawdzającego1. Podobnie, uwaga poprawia dokładność odczytywania liter2. Takie wyniki dowodzą, że uwaga usprawnia przetwarzanie, jednak pozostają one całkowicie milczące na temat tego, w jaki sposób to usprawnienie jest osiągane.
Niniejsza praca wykazuje, że mechanizmy niskiego poziomu leżące u podstaw przewag uwagi mogą zostać ocenione poprzez pomiar szybkości przetwarzania poszczególnych bodźców w ramach modelu, który wiąże pomiary z precyzyjnie określonymi komponentami uwagi. Dzięki takiemu modelowi, na podstawie pomiarów szybkości przetwarzania można wywnioskować ogólną zdolność przetwarzania oraz jej rozkład pomiędzy bodźce.
Teoria uwagi wizualnej (TVA) Bundesena3 stanowi odpowiedni model dla tego przedsięwzięcia. Jest ona zazwyczaj stosowana do danych z zadań raportowania liter. W dalszej części wyjaśniono podstawy TVA oraz pokazano, w jaki sposób można je rozszerzyć w celu modelowania danych dotyczących oceny kolejności czasowej (TOJ) uzyskanych przy użyciu (prawie) dowolnych bodźców. Ta nowatorska metoda pozwala na oszacowanie szybkości przetwarzania i rozkładu zasobów, co można łatwo zinterpretować. Protokół opisany w niniejszym artykule wyjaśnia, jak planować i przeprowadzać takie eksperymenty oraz szczegółowo opisuje sposób analizy danych.
Jak wspomniano powyżej, typowym paradygmatem w modelowaniu i szacowaniu parametrów uwagi w oparciu o TVA jest zadanie raportowania liter. Uczestnicy zgłaszają tożsamość zestawu liter, który jest krótko wyświetlany i zazwyczaj maskowany po zmiennym opóźnieniu. Metoda ta pozwala m.in. na oszacowanie szybkości, z jaką elementy wizualne są kodowane w wizualnej pamięci krótkotrwałej. Została ona z sukcesem zastosowana w badaniach podstawowych oraz klinicznych. Na przykład Bublak i współpracownicy4 ocenili, które parametry uwagi ulegają zmianom na różnych etapach związanych z wiekiem deficytów poznawczych. W podstawowych badaniach nad uwagą Petersen, Kyllingsbæk i Bundesen5 wykorzystali TVA do modelowania efektu czasu przebywania uwagi (dwell time effect), czyli trudności obserwatora w postrzeganiu drugiego z dwóch celów w określonych odstępach czasu. Główną wadą paradygmatu raportowania liter jest to, że wymaga on bodźców odpowiednio wyćwiczonych i podatnych na maskowanie. Wymóg ten ogranicza zastosowanie tej metody do liter i cyfr. Inne bodźce wymagałyby intensywnego treningu uczestników.
Paradygmat TOJ nie wymaga ani specyficznych bodźców, ani maskowania. Może być stosowany z dowolnym rodzajem bodźców, dla których można ocenić kolejność pojawienia się. Rozszerza to zakres bodźców na niemal wszystko, co może być przedmiotem zainteresowania, w tym na bezpośrednie porównania między modalnościami6.
Badanie uwagi za pomocą TOJ opiera się na zjawisku priorytetowego wejścia uwagi (attentional prior entry), które jest miarą tego, o ile wcześniej postrzegany jest bodziec objęty uwagą w porównaniu z bodźcem nieuwagowanym. Niestety, powszechna metoda analizy danych TOJ, polegająca na dopasowaniu psychometrycznych funkcji wydajności obserwatora (takich jak skumulowane funkcje Gaussa lub funkcje logistyczne), nie pozwala rozróżnić, czy uwaga zwiększa tempo przetwarzania bodźca objętego uwagą, czy też zmniejsza tempo przetwarzania bodźca nieuwagowanego7. Ta niejednoznaczność stanowi istotny problem, ponieważ pytanie o to, czy percepcja bodźca jest faktycznie wzmocniona, czy też zyskuje dzięki wycofaniu zasobów z bodźca konkurującego, ma znaczenie zarówno fundamentalne, jak i praktyczne. Na przykład w przypadku projektowania interfejsów człowiek-maszyna niezwykle istotne jest ustalenie, czy zwiększenie widoczności jednego elementu odbywa się kosztem innego.
Zadanie TOJ zazwyczaj przebiega w następujący sposób: znak fiksacyjny jest prezentowany przez krótki czas oczekiwania, zazwyczaj losowo dobrany odstęp krótszy niż sekunda. Następnie prezentowany jest pierwszy bodziec docelowy, po którym po zmiennym odstępie między początkami bodźców (SOA) następuje drugi bodziec docelowy. Przy ujemnych wartościach SOA najpierw wyświetlana jest sonda, czyli bodziec poddany uwadze. Przy dodatnich wartościach SOA prowadzący jest punkt odniesienia, czyli bodziec niepodlegający uwadze. Przy SOA równym zero oba bodźce docelowe są wyświetlane jednocześnie.
Zazwyczaj prezentowanie celu odnosi się do włączenia bodźca. W określonych warunkach stosuje się jednak inne zdarzenia czasowe, takie jak migotanie już obecnego celu lub jego znikanie8.
W testach TOJ odpowiedzi są zbierane w sposób nieograniczony czasowo, zazwyczaj za pomocą klawiszy przypisanych do tożsamości bodźców i kolejności ich prezentacji (np. jeśli bodźcami są kwadraty i romby, jeden klawisz wskazuje „najpierw kwadrat”, a inny „najpierw romb”). Co istotne, do celów oceny osądy te muszą zostać przekształcone w osądy typu „najpierw sonda” (lub „najpierw referencja”).
W niniejszej pracy zastosowano połączenie modelu przetwarzania TVA oraz eksperymentalnego paradygmatu TOJ, aby wyeliminować problemy występujące w każdym z tych obszarów z osobna. Dzięki tej metodzie możliwe jest oszacowanie łatwo interpretowalnych parametrów szybkości dla niemal dowolnych bodźców wizualnych, co pozwala wnioskować o sposobie rozdzielania uwagi obserwatora pomiędzy konkurujące elementy wizualne.
Model opiera się na równaniach TVA dotyczącym przetwarzania pojedynczych bodźców, które zostaną krótko wyjaśnione poniżej. Prawdopodobieństwo, że jeden bodziec zostanie zakodowany w wizualnej pamięci krótkotrwałej przed drugim, jest interpretowane jako prawdopodobieństwo uznania tego bodźca za pojawiający się pierwszy. Czas trwania poszczególnych procesów kodowania ma rozkład wykładniczy9:
(1)
Maksymalny czas nieskutecznej ekspozycji t0 jest progiem, przed którym nie dochodzi do żadnego kodowania. Zgodnie z TVA, szybkość vx,i, z jaką obiekt x jest kodowany jako członek kategorii percepcyjnej i (takiej jak kolor lub kształt), jest określona przez równanie szybkości,
. (2)
Siła dowodów sensorycznych wskazujących, że x należy do kategorii i, jest wyrażona przez ηx,i, natomiast βi stanowi błąd decyzyjny w kategoryzowaniu bodźców jako członków kategorii i. Wartość ta jest mnożona przez wagi uwagi. Indywidualne wagi uwagi wx są dzielone przez wagi uwagi wszystkich obiektów w polu widzenia. Zatem względna waga uwagi jest obliczana jako
(3)
gdzie R reprezentuje wszystkie kategorie, a ηx,i reprezentuje dowody sensoryczne wskazujące, że obiekt x należy do kategorii j. Wartość πj nazywana jest przynależnością kategorii j i odzwierciedla tendencję do przypisywania obiektów do kategorii j. Całkowita zdolność przetwarzania C jest sumą wszystkich szybkości przetwarzania dla wszystkich bodźców i kategoryzacji. Bardziej szczegółowy opis TVA znajduje się w książce Bundesena i Habekosta9.
W naszej nowej metodzie Równanie 1, opisujące kodowanie poszczególnych bodźców, zostaje przekształcone w model TOJ. Zakładając, że obciążenia selekcyjne i kategorie raportowania są stałe w ramach zadania eksperymentalnego, szybkości przetwarzania vp oraz vr z dwóch bodźców docelowych: sondy (p) i referencyjnego (r) zależą od C oraz wag uwagi w formie vp= C · wp i vr = C · wProszę podać tekst źródłowy do tłumaczenia.odpowiednio. Nowy model TOJ wyraża prawdopodobieństwo sukcesu Pp1. że uczestnik ocenia bodziec sprawdzający jako występujący pierwszy w zależności od SOA oraz szybkości przetwarzania. Można to sformalizować w następujący sposób:
(4)
Bardziej szczegółowy opis wyprowadzenia tego równania z podstawowych równań TVA został przedstawiony przez Tünnermanna, Petersena i Scharlau7.
Dla uproszczenia w modelu w Równaniu 1 pominięto parametr t0. Zgodnie z oryginalną TVA, t0 powinno być identyczne dla obu celów w zadaniu TOJ, i w związku z tym znosi się. Założenie to może być jednak czasami naruszane (patrz sekcja Dyskusja).
Do dopasowania tego równania do danych TOJ sugeruje się zastosowanie hierarchicznego schematu estymacji bayesowskiej1. Podejście to pozwala na oszacowanie wag uwagi wp i wr dla bodźców badawczych i referencyjnych oraz ogólnego tempa przetwarzania C. Parametry te, wynikowe tempo przyswajania vp i vr oraz różnice między nimi indukowane uwagą mogą być oceniane na poziomie badawczym i grupowym wraz z oszacowaną niepewnością. Model hierarchiczny przedstawiono na Rysunku 1. Na etapie planowania eksperymentu można przeprowadzić odpowiednią analizę mocy metodą bayesowską.
Poniższy protokół opisuje sposób planowania, przeprowadzania i analizowania eksperymentów TOJ, z których można uzyskać parametry szybkości przetwarzania oraz wagi uwagi dla bodźców wzrokowych. Protokół zakłada, że badacza interesuje wpływ manipulacji uwagą na szybkość przetwarzania wybranych docelowych bodźców.
Rysunek 1: Model graficzny wykorzystany w procedurze estymacji bayesowskiej. Koła oznaczają estymowane rozkłady; podwójne koła oznaczają węzły deterministyczne. Kwadraty oznaczają dane. Relacje przedstawiono po prawej stronie rysunku. Węzły poza zaokrąglonymi ramkami („płytkami”) reprezentują estymacje średniej i dyspersji parametrów TVA (patrz Wstęp) na poziomie grupy. Na płytce „j Subjects” widać, w jaki sposób wagi uwagi (w) są łączone z ogólnymi szybkościami przetwarzania (C), tworząc szybkości przetwarzania bodźców (v) na poziomie badanego. Płytka „i SOAs” pokazuje, jak parametry TVA są następnie przekształcane (za pomocą funkcji Pp1st opisanej we Wstępie) w prawdopodobieństwo sukcesu (θ) dla odpowiedzi o rozkładzie dwumianowym przy każdym SOA. Zatem θ wraz z liczbą powtórzeń SOA (n) opisują punkty danych (y). Więcej szczegółów na temat notacji i interpretacji modeli graficznych znajduje się u Lee i Wagenmakers23. Należy zauważyć, że dla przejrzystości pominięto węzły reprezentujące różnice parametrów. Deterministyczne parametry te wskazano zamiast tego na rysunkach z wynikami eksperymentalnymi. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
UWAGA: Niektóre kroki w tym protokole można wykonać za pomocą dostarczonego specjalnego oprogramowania (wraz z instrukcjami instalacji) na http://groups.upb.de/viat/TVATOJ. W protokole ten zbiór programów i skryptów jest określany jako "TVATOJ".
1. Wybór materiału stymulacyjnego
- Dobierz bodźce zgodnie z pytaniem badawczym.
UWAGA: Ogólnie rzecz biorąc, dwa cele są wyświetlane w różnych miejscach na ekranie. Bodźce, które zostały wykorzystane w niniejszej metodzie, to na przykład kształty, cyfry, litery, singletony na wyskakujących wyświetlaczach i obiekty na naturalnych obrazach. W tym protokole użyto trzech ostatnich typów.
UWAGA: Kilka różnych typów bodźców jest zawartych we wtyczce TOJ ("psylab_toj_stimulus" dostarczanej z TVATOJ) dla konstruktora eksperymentów OpenSesame12. - Tworząc nowe typy bodźców, upewnij się, że interesujące Cię właściwości muszą być zakodowane dla oceny, czyniąc je ważnymi dla zadania lub wybierz bodźce, w których interesujące Cię właściwości są kodowane automatycznie (np. singletony w wyskakujących wyświetlaczach).
2. Szacowanie i planowanie mocy
- Wykonaj bayesowską analizę mocy, symulując zestawy danych z wybranym modelem, planowanym projektem (rozkład SOA i powtórzenia), wielkościami prób i hipotetycznymi parametrami. Oceń, czy istnieje prawdopodobieństwo, że osiągnie cel badawczy (np. pewną różnicę w parametrach). Jeśli moc nie jest wystarczająca, zmień projekt, dodając lub przesuwając SOA lub powtórzenia, a następnie powtórz analizę.
- Aby skorzystać z dostarczonego oprogramowania TVATOJ, otwórz i edytuj skrypt "exp1-power". R". Postępuj zgodnie z komentarzami w pliku, aby dostosować go do konkretnej analizy. Ogólne informacje na temat szacowania potęgi bayesowskiej można znaleźć w Kruschke13.
3. Specyfikacja lub programowanie eksperymentu
- Użyj konstruktora eksperymentu lub biblioteki prezentacji psychofizycznych, aby zaimplementować eksperyment.
- Aby użyć wtyczki OpenSesame TOJ dostarczonej w TVATOJ, przeciągnij wtyczkę "psylab_toj_stimulus" do pętli prezentacji próbnej. Alternatywnie, otwórz przykładowy eksperyment "simple-toj.osexp" w OpenSesame.
- Wybierz żądany typ bodźca z menu rozwijanego "Typ bodźca" w konfiguracji psylab_toj_stimulus. Postępuj zgodnie z instrukcjami w TVATOJ, aby dodać nowe typy bodźców, jeśli jest to wymagane.
- Określ wersje próbne zgodnie z opisem w poniższych krokach.
- Dla każdego warunku eksperymentalnego utwórz próby z zaplanowanymi SOA. Korzystając z wtyczki psylab_toj_stimulus i OpenSesame, dodaj wszystkie różne czynniki jako zmienne do pętli próbnej (np. "SOA").
- Dodaj wiersze do tabeli, aby zrealizować wszystkie kombinacje czynników (np. siedem SOA, od -100 do 100 ms, skrzyżowanych z warunkami eksperymentalnymi "uwaga" i "neutralny"). Dostosuj atrybut pętli "Repeat", aby utworzyć wystarczającą liczbę powtórzeń (zobacz krok 2 protokołu w celu określenia rozkładu i powtórzeń SOA).
UWAGA: Zazwyczaj w ciągu jednej godziny można przedstawić maksymalnie 800 prób. Jeśli potrzeba więcej powtórzeń, rozważ podzielenie eksperymentu na kilka sesji. Przed uruchomieniem eksperymentu upewnij się, że atrybut "Order" pętli jest ustawiony na wartość "Losowo". - W konfiguracji wtyczki psylab_toj_stimulus dodaj symbole zastępcze (np. "[SOA]") dla różnych czynników w odpowiednich polach. Wprowadź wartości stałe w polach czynników, które nie są zmienne.
UWAGA: Przed uruchomieniem eksperymentu upewnij się, że gwarantowany jest dokładny czas. Jeśli prawidłowe zachowanie taktowania nowszych monitorów nie zostało zweryfikowane, użyj monitorów CRT i zsynchronizuj je z sygnałem pionowego śledzenia 12.
4. Procedura eksperymentalna
- Powitanie i odprawa uczestników
- Przywitaj uczestników i poinformuj ich o ogólnej formie eksperymentu (eksperyment percepcji komputerowej). Poinformuj uczestników o przewidywanym czasie trwania eksperymentu. Uzyskanie świadomej zgody uczestników na udział w eksperymencie.
- Upewnij się, że uczestnicy wykazują normalne lub skorygowane do normalnego widzenie (optymalnie poprzez przeprowadzenie krótkich testów widzenia). Niektóre deficyty, takie jak ślepota barw, mogą być tolerowane, jeśli nie kolidują z pytaniem badawczym dotyczącym określonego rodzaju materiału bodźcowego.
- Zapewnij cichą kabinę, w której przeprowadzany jest eksperyment. Dostosuj krzesło, podbródek, pozycję klawiatury i tak dalej, aby zapewnić optymalne warunki oglądania i reakcji w eksperymencie.
- Uświadom uczestnikom, że eksperyment wymaga uwagi i skupienia psychicznego i może być męczący. Poproś ich, aby w razie potrzeby robili krótkie przerwy. Równie ważne jest jednak, aby nie wykonywać tych prostych zadań pod silnym napięciem uwagi. Powiedz uczestnikom, że nie ma nic złego w popełnianiu błędów.
- Instrukcja i rozgrzewka
- Przedstaw instrukcje wyświetlane na ekranie dotyczące zadania, szczegółowo opisując sekwencję prezentacji i procedurę zbierania odpowiedzi. Poinformuj uczestników, że zadanie polega na zrelacjonowaniu kolejności, w jakiej przybyły cele, i że w niektórych próbach będzie to trudne. Poproś uczestników, aby opowiedzieli o swoim pierwszym wrażeniu, gdy nie mogą z całą pewnością stwierdzić kolejności, i pozwól im zgadnąć, czy w ogóle nie mają takiego wrażenia.
UWAGA: W użytych tutaj binarnych TOJ nie ma opcji wskazania percepcji równoczesności. Aby uniknąć nadmiernego zgadywania, nie należy wyraźnie wskazywać na obecność badań, w których jednocześnie przedstawiono cele. Niech to będą po prostu trudne próby z instrukcjami przedstawionymi powyżej. - Aby uniknąć ruchów gałek ocznych podczas prób, poproś uczestników, aby utrwalili znak, który jest pokazany na środku ekranu. Poproś ich, aby oparli głowę na podbródku.
- Poproś uczestników, aby w razie potrzeby zrobili krótkie przerwy. Poinformuj ich, kiedy dozwolone są przerwy, a kiedy należy ich unikać (np. podczas prezentacji celu i przed odpowiedzią).
- Dołącz krótkie szkolenie, podczas którego uczestnicy mogą przyzwyczaić się do zadania. W tym celu należy przedstawić losowy podzbiór badań eksperymentalnych (patrz krok 3.2 protokołu).
UWAGA: Ponieważ samo zadanie jest raczej proste, zwykle wystarcza od dziesięciu do dwudziestu prób. Korzystne może być zwiększenie zaufania uczestników do ich działania w tym zadaniu. Można to zrobić, spowalniając prezentację i przekazując informację zwrotną. - Uzyskaj potwierdzenie od uczestników, że zrozumieli zadanie (pozwól im je wyjaśnić) i że nie mają więcej pytań.
- Przedstaw instrukcje wyświetlane na ekranie dotyczące zadania, szczegółowo opisując sekwencję prezentacji i procedurę zbierania odpowiedzi. Poinformuj uczestników, że zadanie polega na zrelacjonowaniu kolejności, w jakiej przybyły cele, i że w niektórych próbach będzie to trudne. Poproś uczestników, aby opowiedzieli o swoim pierwszym wrażeniu, gdy nie mogą z całą pewnością stwierdzić kolejności, i pozwól im zgadnąć, czy w ogóle nie mają takiego wrażenia.
- Przeprowadzanie głównego eksperymentu
- Niech oprogramowanie eksperymentalne rozpocznie się od prezentacji głównych prób. Opuść kabinę na główny eksperyment.
5. Analiza danych TOJ oparta na modelu
- Przekształć pliki danych pierwotnych w liczbę ocen "najpierw sonduj" dla każdej architektury SOA. Na przykład uruchom skrypt "os2toj.py" dostarczony z TVATOJ.
- Uruchom procedurę estymacji bayesowskiej, aby oszacować główne parametry wp i C, pochodne vp i vr oraz różnice parametrów. W tym celu uruchom skrypt "run-evaluation. R" po jego edycji zgodnie z instrukcjami podanymi w pliku.
- Po zakończeniu doboru próby można ocenić różnice w zainteresowaniu pytaniami badawczymi. Przykłady można znaleźć w poniższej sekcji.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
W dalszej części przedstawiono wyniki uzyskane przy zastosowaniu proponowanej metody. Trzy eksperymenty służyły pomiarowi wpływu różnych manipulacji uwagą przy użyciu trzech wysoce zróżnicowanych typów materiału bodźcowego. Bodźce stanowią proste odcinki linii w wzorach typu pop-out, obiekty w przestrzeni akcji na obrazach naturalnych oraz celowe litery z sygnałem wskazującym.
Eksperyment 1: Wyraźność w wyświetlaniach typu pop-o...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Protokół w tym artykule opisuje, jak przeprowadzać proste TOJ i dopasowywać dane do modeli opartych na podstawowym kodowaniu bodźców. Trzy eksperymenty pokazały, w jaki sposób wyniki można ocenić w hierarchicznej ramach estymacji bayesowskiej w celu oceny wpływu uwagi na bardzo różny materiał bodźcowy. Istotność wyskakujących wyświetlaczy doprowadziła do zwiększenia wagi uwagi. Oszacowano również zwiększoną wagę obiektów w przestrzeni działania na naturalnych obrazach. Jednak ze względu na utrzymującą się przewagę, gdy r...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy nie mają nic do ujawnienia.
Podziękowania
Część tej pracy została wsparta przez Niemiecką Fundację Badawczą (DFG) poprzez granty 1515/1-2 i 1515/6-1 dla Ingrid Scharlau.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Komputer | |||
| (Open Source) Oprogramowanie |
Bibliografia
- Posner, M. I. Orienting of attention. Quarterly Journal of Experimental Psychology. 32 (1), 3-25 (1980).
- Van der Heijden, A., Wolters, G., Groep, J., Hagenaar, R. Single-letter recognition accuracy benefits from advance cuing of location. Perception & Psychophysics. 42 (5), 503-509 (1987).
- Bundesen, C. A theory of visual attention. Psychological Review. 97 (4), 523-547 (1990).
- Bublak, P., et al. Staged decline of visual processing capacity in mild cognitive impairment and Alzheimer's disease. Neurobiology of Aging. 32 (7), 1219-1230 (2011).
- Petersen, A., Kyllingsbæk, S., Bundesen, C. Measuring and modeling attentional dwell time. Psychonomic Bulletin & Review. 19 (6), 1029-1046 (2012).
- Vroomen, J., Keetels, M. Perception of intersensory synchrony: A tutorial review. Attention, Perception, & Psychophysics. 72 (4), 871-884 (2010).
- Tünnermann, J., Petersen, A., Scharlau, I. Does attention speed up processing? Decreases and increases of processing rates in visual prior entry. Journal of Vision. 15 (3), 1-27 (2015).
- Krüger, A., Tünnermann, J., Scharlau, I. Fast and conspicuous? Quantifying salience with the Theory of Visual Attention. Advances in Cognitive Psychology. 12 (1), 20(2016).
- Bundesen, C., Habekost, T. Principles of Visual Attention: Linking Mind and Brain. , Oxford University Press. Oxford, UK. (2008).
- Plummer, M. JAGS: A program for analysis of Bayesian graphical models using Gibbs sampling. Proceedings of the 3rd international workshop on distributed statistical computing. , 124-125 (2003).
- Kruschke, J. K., Vanpaemel, W. Bayesian estimation in hierarchical models. The Oxford Handbook of Computational and Mathematical Psychology. Busemeyer, J., Townsend, J., Wang, Z. J., Eidels, A. , 279-299 (2015).
- Mathôt, S., Schreij, D., Theeuwes, J. OpenSesame: An open-source, graphical experiment builder for the social sciences. Behavior Research Methods. 44 (2), 314-324 (2012).
- Kruschke, J. K. Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan. , 2nd, Academic Press. Boston, MA. (2015).
- Rensink, R. A., O'Regan, J. K., Clark, J. J. To see or not to see: The need for attention to perceive changes in scenes. Psychological Science. 8 (5), 368-373 (1997).
- Tünnermann, J., Krüger, N., Mertsching, B., Mustafa, W. Affordance estimation enhances artificial visual attention: Evidence from a change-blindness study. Cognitive Computation. 7 (5), 525-538 (2015).
- Shore, D. I., Klein, R. M. The effects of scene inversion on change blindness. The Journal of General Psychology. 127 (1), 27-43 (2000).
- Scharlau, I., Neumann, O. Temporal parameters and time course of perceptual latency priming. Acta Psychologica. 113 (2), 185-203 (2003).
- Schneider, K. A., Bavelier, D. Components of visual prior entry. Cognitive Psychology. 47 (4), 333-366 (2003).
- Scharlau, I., Neumann, O. Perceptual latency priming by masked and unmasked stimuli: Evidence for an attentional interpretation. Psychological Research. 67 (3), 184-196 (2003).
- Shore, D. I., Spence, C., Klein, R. M. Visual prior entry. Psychological Science. 12 (3), 205-212 (2001).
- Alcalá-Quintana, R., García-Pérez, M. A. Fitting model-based psychometric functions to simultaneity and temporal-order judgment data: MATLAB and R routines. Behavior Research Methods. 45 (4), 972-998 (2013).
- Hoffman, M. D., Gelman, A. The No-U-turn sampler: adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research. 15 (1), 1593-1623 (2014).
- Lee, M. D., Wagenmakers, E. J. Bayesian cognitive modeling: A practical course. , Cambridge University Press. Cambridge, UK. (2014).
- Vangkilde, S., Bundesen, C., Coull, J. T. Prompt but inefficient: Nicotine differentially modulates discrete components of attention. Psychopharmacology. 218 (4), 667-680 (2011).
- Tünnermann, J., Scharlau, I. Peripheral Visual Cues: Their Fate in Processing and Effects on Attention and Temporal-order. Front. Psychol. 7 (1442), (2016).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przedruki i uprawnienia
