What is visual statistical learning and how does it work?

Visual statistical learning is the automatic, implicit acquisition of regularities in the visual environment—patterns in how objects appear together in space and time. Humans learn these statistical structures quickly and without conscious awareness. For example, a coffee cup frequently appears near a computer, creating predictable associations that support object recognition and visual processing.

How does the incidental encoding paradigm test visual statistical learning?

The incidental encoding paradigm exposes participants to nonsense object triplets displayed sequentially for 250 milliseconds each. A cover task—asking participants to respond to gray objects and withhold responses to red ones—distracts from the underlying statistical structure. This unrelated task ensures learning occurs implicitly, without participants' conscious awareness of the object patterns.

What is transitional probability in visual statistical learning experiments?

Transitional probability measures the likelihood that one object will follow another in a sequence. In visual statistical learning, objects within a triplet always appear in the same order, creating a transitional probability of 1.0 between those elements. Unrelated objects have much lower transitional probabilities, establishing the statistical structure participants implicitly learn.

How is learning assessed in the familiarity test phase?

After the encoding phase, participants complete a familiarity task where they view pairs of triplets—previously seen triplets and newly generated foils—and indicate which looks more familiar. The dependent variable is the number of correct identifications of familiar triplets. If learning occurred, participants select familiar triplets significantly more often than the 50% chance rate.

What results indicate that visual statistical learning has occurred?

Visual statistical learning is demonstrated when participants correctly identify familiar triplets at rates significantly above chance performance of 50%. In typical experiments, participants achieve approximately 70% accuracy on the familiarity task, indicating they have implicitly learned the statistical structure of the object sequences during the brief 10-minute encoding period.

How does visual statistical learning extend to other sensory domains?

The visual statistical learning paradigm translates to broader sensory learning mechanisms, including auditory domains. Infants and children use auditory statistics in early language formation, learning reliable statistical relationships between sounds and letters. Similarly, researchers have shown that letter-color associations can be implicitly learned through exposure to customized texts with distinctly colored letters.

Why is a cover task necessary in visual statistical learning experiments?

A cover task is essential to ensure learning occurs implicitly, without participants' conscious awareness of the statistical structure. By directing attention to an unrelated task—such as responding to colored objects—researchers prevent participants from deliberately searching for or consciously encoding the object sequences, thereby measuring true implicit learning mechanisms.

Wizualne uczenie statystyczne

0 wyświetleń06:02 min

1. Wygeneruj zestaw bezsensownych obiektów i ułóż je w strukturę trypletową.

Często wizualne uczenie statystyczne jest badane za pomocą prostych obiektów, takich jak zestaw poniżej. Wygeneruj zestaw obiektów, a następnie pogrupuj je w trójki (Rysunek 1).

Rysunek 1. Przykładowe bodźce pogrupowane w trojaczki w celu wizualnego uczenia się statystycznego. W segmencie uczenia się eksperymentu trojaczki pojawią się w losowej kolejności, ale elementy w trójce zawsze pojawią się w kolejności, przy czym element po lewej stronie pojawi się jako pierwszy, a następnie kolejno elementy po jego prawej stronie.

2. Uporządkuj sekwencję eksperymentu.

Sekwencjonuj eksperyment za pomocą oprogramowania, takiego jak e-Prime, lub korzystając z rutynowej biblioteki, takiej jak Psychophysics Toolbox w MATLAB lub PsycoPy dla Pythona.
Bezsensowne obiekty są wyświetlane na środku ekranu, pojedynczo, przez 250 ms każdy.
Poinstruuj program, aby zawsze pokazywał elementy trójki w sekwencji i wybierał, którą trójkę pokazać losowo, kończąc sekwencjami podobnymi do Rysunek 2.

Rysunek 2. Przykładowa sekwencja uczenia się do wizualnego uczenia się statystycznego. Trojaczki pojawiają się w losowej kolejności, tak że prawdopodobieństwo przejścia dla elementów w różnych sekwencjach wynosi około 0,33, podczas gdy prawdopodobieństwo przejścia w sekwencji wynosi 1.
Zauważ, że ponieważ trojaczki zawsze pojawiają się w sekwencji, prawdopodobieństwo przejścia między elementami trypletu wynosi zawsze 1. Ale ponieważ przejścia między trojaczkami są wybierane losowo, prawdopodobieństwo przejścia między niepowiązanymi elementami jest znacznie niższe i zwykle wynosi około 0,33.
Na koniec wbuduj zadanie osłony. Poinstruuj program, aby renderował jeden z obiektów w kolorze CZERWONYM, a nie szarym. Program zrobi to około 20 razy w ciągu 10-minutowego eksperymentu, wybierając momenty losowo. Zadaniem uczestnika będzie naciśnięcie klawisza za każdym razem, gdy obiekt jest pokazany w kolorze szarym, ale wstrzymanie odpowiedzi, gdy jest on czerwony. To sprawi, że będą zaangażowani w bodźce.

3. Test znajomości

Napisz osobny program do testu znajomości. W każdej próbie testu program losowo wybiera jedną z rzeczywistych trojaczków i losowo generuje nowy tryplet ze składników rzeczywistych trojaczków. Te losowo wygenerowane trojaczki nazywane są 'foliami'.'
Są one wyświetlane obok siebie, a uczestnik musi wskazać, który z nich jest bardziej znany, naciskając klawisz.
Eksperyment powinien obejmować około 30 prób testowych znajomości.
Instrukcje do testu znajomości są ważne. Muszą one zawierać coś w rodzaju: "Chciałbym, żebyś wykonał jeszcze jedno zadanie, zanim eksperyment się skończy. Powinno to zająć tylko pięć minut. Prawdopodobnie tego nie zauważyłeś, ale w sekwencji kształtów, które właśnie zobaczyłeś, niektóre kształty z większym prawdopodobieństwem pojawią się po innych. Pokażę Ci teraz dwa zestawy kształtów z eksperymentu i musisz po prostu nacisnąć klawisz 1 lub 2, aby dać mi znać, która grupa wygląda dla Ciebie bardziej znajomo. Możesz nie czuć, że też je rozpoznajesz. Chcę, abyście we wszystkich próbach kierowali się intuicją i zgadywali, czy musicie."

Regularności uczenia się – struktur statystycznych obiektów w naszym świecie zewnętrznym – jest ważną częścią przetwarzania wzrokowego.

Obiekty w naszym otoczeniu wizualnym występują w wymiarach przestrzeni i czasu. Niektóre obiekty z większym prawdopodobieństwem pojawią się w pobliżu innych, na przykład filiżanka kawy obok komputera.

Takie zdarzenia dostarczają prawidłowości, które wspierają przewidywalne rozpoznawanie obiektów, w którym ludzie uczą się automatycznie i szybko, bez świadomości.

Ten film pokazuje, jak skonfigurować i przeprowadzić wizualny eksperyment uczenia statystycznego przy użyciu paradygmatu kodowania przypadkowego, a także jak analizować dane i interpretować wyniki.

W tym eksperymencie zestawy bodźców – bezsensownych obiektów pogrupowanych w trojaczki – są wyświetlane na środku ekranu komputera, jeden po drugim, przez 250 ms każdy.

Aby ustalić regularności – strukturę statystyczną – obiekty w trójce są zawsze pokazywane w tej samej kolejności, ale kolejność trójek jest przedstawiana losowo.

Zatem prawdopodobieństwo przejścia między elementami danego trypletu wynosi zawsze 1, podczas gdy prawdopodobieństwa przejściowe między elementami niepowiązanymi są znacznie niższe.

Aby nieświadomie wystawić uczestników na sekwencje obiektów, stosuje się zadanie osłonowe z kolorowymi obiektami. W takim przypadku uczestnicy są proszeni o udzielenie odpowiedzi, gdy obiekty są szare i wstrzymanie się, gdy obiekty losowo pojawiają się na czerwono.

Po wykonaniu zadania z okładką, uczestnicy otrzymują zadanie znajomości, aby przetestować zakres kodowania poprzednich bezsensownych obiektów. Podczas każdej próby znajomości, wcześniej oglądane trojaczki są losowo prezentowane wraz z nowo wygenerowanymi trojaczkami, określanymi jako folie.

Teraz uczestnicy są proszeni o określenie, który zestaw jest bardziej znany. Zmienną zależną jest zatem liczba przypadków, w których uczestnicy poprawnie zidentyfikowali poprzednie trojaczki jako najbardziej znajome, a nie folie.

Jeśli w początkowej fazie kodowania nie nastąpi żadne uczenie się, rzeczywiste i foliowe trojaczki zostaną wybrane taką samą liczbę razy. Z drugiej strony, jeśli nauka miała miejsce, rzeczywiste trojaczki będą wybierane częściej niż folie.

Przed przyjazdem uczestnika sprawdź, czy zostały wygenerowane bodźce i parametry kodujące, które mają być użyte.

Aby rozpocząć eksperyment, przywitaj się z uczestnikiem w laboratorium i wyjaśnij ogólne procedury, które zostaną użyte do wykonania zadania.

Niech uczestnik usiądzie wygodnie przed monitorem komputera i klawiaturą. Wyjaśnij, że kiedy na ekranie pojawi się szary obiekt, należy nacisnąć klawisz "J", a gdy pojawią się czerwone obiekty, należy wstrzymać się z odpowiedzią.

Gdy uczestnik zrozumie zasady zadania, rozpocznij pierwszą część eksperymentu, fazę kodowania przypadkowego. Wystaw uczestników na sekwencje obiektów przez 10 minut.

Po krótkim okresie ekspozycji wyjaśnij, że w ciągu 5 minut jest jeszcze jedno zadanie do wykonania. Poinstruuj uczestnika, że teraz zobaczy dwa zestawy trojaczków i powinien nacisnąć klawisz 1 lub klawisz 2, aby wskazać, która grupa wygląda bardziej znajomo. Powiedz im, że powinni zgadnąć, jeśli nie rozpoznają ani jednego, ani drugiego.

Po potwierdzeniu, że uczestnik jest gotowy do rozpoczęcia, rozpocznij 30 prób znajomości.

Aby przeanalizować dane w fazie zaznajomienia, oceń każdą próbę, w której uczestnik wybrał znaną trójkę jako poprawną, a trójkę foliową jako nieprawidłową.

Aby zwizualizować wyniki, narysuj średnią procentu poprawnych odpowiedzi wśród uczestników. Ponieważ wydajność losowa wynosi 50%, należy pamiętać, że nastąpiło wizualne uczenie się statystyczne, ponieważ uczestnicy poprawnie zidentyfikowali znajome obiekty w około 70% przypadków.

Teraz, gdy jesteś już zaznajomiony z metodami wywoływania i testowania wizualnego uczenia się statystycznego, przyjrzyjmy się innym sposobom, w jakie psychologowie eksperymentalni wykorzystują statystyki do badania uczenia się.

Paradygmat ten można przełożyć na szersze klasy mechanizmów uczenia się sensorycznego, które obejmują domenę słuchową. Na przykład niemowlęta i dzieci wykorzystują statystyki słuchowe we wczesnym procesie tworzenia języka, ponieważ dźwięki i litery w języku mają tendencję do pojawiania się z wysoce wiarygodnymi zależnościami statystycznymi.

W innym eksperymencie naukowcy zbadali, w jaki sposób można nieświadomie lub niejawnie nauczyć się powiązań między literami i kolorami. Przez kilka dni uczestnicy czytali teksty, które zostały dostosowane tak, aby zawierały cztery litery w różnych kolorach.

Poproszeni o zidentyfikowanie koloru liter prezentowanych na ekranie, uczestnicy byli szybsi i dokładniejsi w przypadku par litera-kolor, które były takie same jak w dostosowanym tekście. Sugeruje to, że struktura statystyczna kolorowych liter została niejawnie poznana.

Właśnie obejrzałeś wprowadzenie JoVE do wizualnego uczenia się statystycznego. Teraz powinieneś dobrze wiedzieć, jak skonfigurować i przeprowadzić eksperyment, a także analizować i oceniać wyniki.

Dzięki za oglądanie!