La medición de velocidad Atención y tratamiento visual de análisis basado en modelos de resoluciones judiciales de orden temporal

Abstract

Este protocolo describe cómo llevar a cabo experimentos de orden temporal para medir la velocidad de procesamiento visual y la distribución de los recursos de atención. El método propuesto se basa en un nuevo y sinérgica combinación de tres componentes: el paradigma de los juicios de orden temporal (TOJ), Teoría de Bundesen de Atención Visual (TVA), y un marco de estimación bayesiano jerárquico. El método proporciona parámetros susceptibles de evaluación, que se apoyan en las bases teóricas y neurofisiológicos de TVA. Usando Tojs, las estimaciones basadas en TVA se pueden obtener para una amplia gama de estímulos, mientras que los paradigmas tradicionales que se utilizan con TVA se limitan principalmente a las letras y dígitos. Finalmente, los parámetros significativos del modelo propuesto permiten el establecimiento de un modelo Bayesiano jerárquica. un modelo estadístico de este tipo permite la evaluación de resultados en un análisis coherente tanto sobre el tema y el nivel de grupo.

Para demostrar la viabilidad y vERSATILIDAD de este nuevo enfoque, tres experimentos se presentan con manipulaciones de atención en la muestra de pop-cabo sintéticos, imágenes naturales, y un paradigma carta-informe con claves.

Introduction

¿Cómo se distribuye la atención en el espacio y el tiempo es uno de los factores más importantes en la percepción visual humana. Los objetos que captan la atención debido a su visibilidad e importancia se procesan típicamente más rápidamente y con mayor precisión. En la investigación del comportamiento, tales beneficios en el rendimiento se han demostrado en una variedad de paradigmas experimentales. Por ejemplo, la asignación de atención a la ubicación de destino acelera la reacción en tareas de detección de la sonda ^1. Del mismo modo, la exactitud de las cartas de presentación de informes se mejora la atención ^2. Tales hallazgos demuestran que la atención mejora de procesamiento, pero siguen siendo irremediablemente silencio acerca de cómo se establece esta mejora.

El presente trabajo muestra que los mecanismos de bajo nivel detrás de ventajas atencionales se pueden evaluar mediante la medición de la velocidad de procesamiento de los estímulos individuales en un marco basado en el modelo que relaciona las mediciones de grano fino Componenct de atención. Con este modelo, la capacidad de procesamiento global y su distribución entre los estímulos pueden ser inferidas a partir de mediciones de velocidad de procesamiento.

Teoría de Bundesen de Atención Visual (TVA) ³ proporciona un modelo adecuado para esta tarea. Se aplica típicamente a los datos de las tareas de informes letra. En lo que sigue, los fundamentos de la TVA se explican y se demuestra la forma en que se pueden extender al modelo de datos del fallo-orden temporal (TOJ) obtenidos con (casi) estímulos arbitrarios. Este nuevo método proporciona estimaciones de la velocidad de procesamiento y distribución de los recursos que se pueden interpretarse fácilmente. El protocolo en este artículo se explica cómo diseñar y llevar a cabo tales experimentos y los detalles de cómo se pueden analizar los datos.

Como se mencionó anteriormente, el paradigma usual en el modelado y la estimación de parámetros de atención basado en la TVA es la tarea de informe letra. Los participantes informan la identidad de un conjunto de cartas quese destella brevemente y normalmente enmascarado después de un retardo variable. Entre otros parámetros, la velocidad a la que los elementos visuales se codifican en la memoria visual a corto plazo puede ser estimado. El método ha sido aplicado con éxito a las preguntas en la investigación básica y clínica. Por ejemplo, Bublak y sus colegas evaluaron los parámetros ⁴ atencionales se ven afectados en diferentes etapas de los déficits cognitivos relacionados con la edad. En la investigación fundamental atención, Petersen, Kyllingsbæk, y Bundesen ⁵ TVA utilizan para modelar el efecto tiempo de permanencia de atención, dificultad del observador en la percepción de la segunda de las dos objetivos en determinados intervalos de tiempo. Una desventaja importante del paradigma informe carta es que requiere estímulos suficientemente overlearned y enmascarables. Este requisito limita el método de letras y dígitos. Otros estímulos deberían recibir una formación pesada de los participantes.

El paradigma TOJ requiere ni stimul específicai ni enmascaramiento. Puede ser utilizado con cualquier tipo de estímulos para los que el orden de aparición puede ser juzgado. Esto amplía la gama de estímulo a casi todo lo que pueda ser de interés, incluyendo comparaciones ⁶ transmodales directos.

La investigación de la atención con Tojs se basa en el fenómeno de la entrada antes de atención, que es una medida de cómo es percibido mucho antes de un estímulo asistido en comparación con un uno desatendida. Desafortunadamente, el método habitual para el análisis de datos TOJ, funciones psicométricas de rendimiento observador de ajuste (tales como funciones gaussianas o logísticas acumulativos), no puede distinguir si la atención aumenta la velocidad de procesamiento del estímulo asistido o si se disminuye la velocidad del estímulo desatendida ^7. Esta ambigüedad es un problema importante debido a que la cuestión de si la percepción de un estímulo es verdaderamente mejorada o si beneficia a causa de la retirada de los recursos de un stimul competir nosotros es una cuestión de relevancia tanto fundamental y práctico. Por ejemplo, para el diseño de interfaces hombre-máquina es altamente relevante para saber si el aumento de la prominencia de un elemento funciona a expensas de otro.

La tarea TOJ generalmente procede de la siguiente manera: Una marca de fijación se presenta para un breve retraso, típicamente un azar dibuja intervalo más corto que un segundo. A continuación, se presenta el primer objetivo, seguido después de un inicio asincronía de estímulo variable (SOA) por el segundo objetivo. En SOA negativos, la sonda, el estímulo que asistieron, se muestra por primera vez. En SOA positivos, la referencia, el estímulo desatendida, conduce. En una SOA de cero, ambos objetivos se muestran simultáneamente.

Típicamente, la presentación de la diana se refiere a la conmutación del estímulo en. Bajo ciertas condiciones, sin embargo, otros eventos temporales, tales como un parpadeo de un objetivo o compensaciones ya presente se utilizan ^8.

_content "> En Tojs, las respuestas se recogen de una manera unspeeded, por lo general por las teclas asignadas a las identidades de estímulos y órdenes de presentación (por ejemplo, si los estímulos son cuadrados y rombos, una llave indica" cuadrado primera "y otro" diamante en primer lugar ") . Es importante destacar que, para la evaluación, estos juicios deben ser convertidos a "primera sonda" (o "primera referencia") juicios.

En el presente trabajo, una combinación del modelo de procesamiento de TVA y el paradigma experimental TOJ se utiliza para eliminar los problemas en cualquiera de los dominios individuales. Con este método, los parámetros de velocidad fácilmente interpretables pueden estimarse para los estímulos visuales casi arbitrarias, lo que permite deducir cómo se asigna la atención del observador de competir elementos visuales.

El modelo se basa en las ecuaciones de TVA para el procesamiento de los estímulos individuales, que se explicarán en breve en lo siguiente. La probabilidad de que una stimulnos está codificada en la memoria visual a corto plazo antes que el otro se interpreta como la probabilidad de juzgar este estímulo como aparece en primer lugar. Las duraciones de codificación individuales se distribuyen de manera exponencial ^9:

(1)

La máxima exposición ineficaces duración t ₀ es un umbral antes de la que nada se codifica en absoluto. De acuerdo con TVA, la velocidad v _{x, i} en qué objeto x se codifica como miembro de una categoría perceptual i (como el color o una forma) viene dada por la ecuación de velocidad,

. (2)

La fuerza de la evidencia sensorial que x pertenece a la categoría I se expresa en eta _{x, i,} y ß _i es un sesgo de decisión para la clasificación de los estímulos como miembros de la categoría i. Esto se multiplica por unattentional pesos. Atencionales pesos individuales w _x se dividen entre los pesos de atención de todos los objetos en el campo visual. Por lo tanto, el peso atencional relativa se calcula como

(3)

en la que R representa todas las categorías y eta _{x, i} representa la evidencia sensorial que objeto x pertenece a la categoría j. El valor de π _j se llama pertinencia de la categoría j y refleja un sesgo para hacer categorizaciones en j. La capacidad de procesamiento general C es la suma de todas las tasas de procesamiento para todos los estímulos y categorizaciones. Para una descripción más detallada de TVA, consulte Bundesen y de Habekost libro ^9.

En nuestro nuevo método, la ecuación 1, que describe la codificación de los estímulos individuales, se transforma en un modelo de Tojs. Suponiendo que los sesgos de selección y las categorías de informes son Constant dentro de una tarea experimental, la tasas de procesamiento v _p y v _r de la sonda dos objetivo estímulos (p) y de referencia (r) depende de C y los pesos de atención en la forma v _p = C · w _p y v _r = C · w _r, respectivamente. El nuevo modelo TOJ expresa la probabilidad de éxito _p P ^{_{1 de}} que un participante juzga el estímulo de la sonda a ser por primera vez como una función de la las tasas de procesamiento de SOA y. Puede formalizarse de la siguiente manera:

(4)

Una descripción más detallada de cómo esta ecuación se deriva de las ecuaciones básicas TVA se describe por Tünnermann, Petersen, y Scharlau ^7.

En aras de la simplicidad, el parámetro t ₀ se omite en el modelo de la Ecuación 1. Según la TVA original, t ₀ debe ser idéntico para both objetivos en la tarea TOJ, y, por lo tanto, se anula. Sin embargo, este supuesto puede ser violado en ocasiones (véase la sección Discusión).

Para el montaje de esta ecuación a los datos TOJ, se sugiere un esquema de estimación bayesiana jerárquica ^11. Este enfoque permite estimar los pesos atencionales w w _p y _r de los estímulos de la sonda y de referencia y la tasa de procesamiento global C. Estos parámetros, la tasas de absorción de _P y V v resultante _r, y las diferencias de atención inducida entre ellos, puede ser evaluado sobre los niveles de sujetos y de grupo, junto con las incertidumbres estimadas. El modelo jerárquico se ilustra en la Figura 1. Durante la fase de planificación para un experimento, el análisis bayesiano de energía conveniente puede llevarse a cabo.

El siguiente protocolo describe cómo planificar, ejecutar y analizar experimentos TOJ partir de la cual los parámetros de velocidad de procesamiento y pesos de atención para los estímulos visuales puedenSer obtenido. El protocolo supone que el investigador está interesado en la forma de una manipulación de atención influye en las velocidades de procesamiento de algunos de los objetivos de interés.

Figura 1: Modelo gráfico utilizado en el procedimiento de estimación bayesiana. Los círculos indican distribuciones estimadas; círculos dobles indican nodos deterministas. Los cuadrados indican los datos. Las relaciones se dan en el lado derecho de la figura. Los nodos fuera de los marcos redondeados ( "placas") representan estimaciones de la media y la dispersión de los parámetros TVA (véase la Introducción) sobre el nivel del grupo. En la placa de "Los sujetos j", se puede ver cómo los pesos atencionales (w) se combinan con las velocidades de procesamiento general (C) a partir de las tasas de procesamiento de estímulos (v) en el nivel de objeto. Placa "i SOA y# 8221; a continuación se muestra cómo se transforman estos parámetros TVA (a través de la _{página ^{1 de}} la función P descrito en la Introducción) en la probabilidad de éxito (θ) para las respuestas binomialmente distribuidos en cada SOA. Por lo tanto, la θ junto con las repeticiones de la SOA (n) describen los puntos de datos (Y). Para más detalles sobre la notación y la interpretación de los modelos gráficos, consulte Lee y Wagenmakers ^23. Tenga en cuenta que en aras de la claridad, se han omitido los nodos que representan diferencias de parámetros. Estos parámetros deterministas se indican en las figuras de los resultados experimentales en lugar. Haga clic aquí para ver una versión más grande de esta figura.

Protocol

NOTA: Algunos pasos de este protocolo se puede lograr utilizando un software personalizado que se incluye (junto con las instrucciones de instalación) a http://groups.upb.de/viat/TVATOJ. En el protocolo, esta colección de programas y scripts que se conoce como "TVATOJ".

1. Selección del material de estímulo

1. Seleccionar los estímulos de acuerdo con la pregunta de investigación.
   NOTA: En general, los dos objetivos se muestran en diferentes zonas de la pantalla. Los estímulos que se han utilizado con el presente procedimiento incluyen, por ejemplo, formas, números, letras, únicos en muestra de pop-out y los objetos en las imágenes naturales. Los tres últimos tipos se utilizaron en este protocolo.
   NOTA: Existen varios tipos diferentes de estímulo se incluyen en el plugin TOJ ( "psylab_toj_stimulus" provista de TVATOJ) para el constructor experimento OpenSesame ^12.
2. Al crear nuevos tipos de estímulo, asegúrese de que las propiedades de los interest tiene que ser codificado para el juicio, haciéndolos importante para la tarea o seleccionar los estímulos en las propiedades de interés se codifican de forma automática (por ejemplo, únicos en muestra de pop-out).

2. Estimación de potencia y Planificación

1. Realizar un análisis bayesiano de energía mediante la simulación de conjuntos de datos con el modelo seleccionado, diseño planeado (distribución SOA y repeticiones), tamaño de las muestras y los parámetros hipotéticos. Estimar si es probable que llegue a la meta de investigación (por ejemplo, una cierta diferencia en los parámetros). Si la alimentación no es suficiente, alterar el diseño añadiendo o cambiando las SOA o repeticiones y repetir el análisis.
   1. Para utilizar el software proporcionado TVATOJ, abrir y editar el guión "exp1-power.R". Siga los comentarios en el archivo para ajustarlo para el análisis específico. Para obtener información general sobre la estimación bayesiana poder referirse a Kruschke ^13.

<p class = "jove_title"> 3. Especificación o programación del Experimento

1. Utilice un constructor de experimento o una biblioteca de presentación psicofísica para poner en práctica el experimento.
   1. Para utilizar el plugin OpenSesame TOJ proporcionada en TVATOJ, arrastre el plugin "psylab_toj_stimulus" en un bucle de presentación de prueba. Como alternativa, abra el "simple-toj.osexp" experimento ejemplo, en OpenSesame.
   2. Seleccione el tipo de estímulo deseado en el menú desplegable "Tipo de estímulo" en la configuración psylab_toj_stimulus. Siga las instrucciones en TVATOJ para añadir nuevos tipos de estímulo si es necesario.
2. Especificar los ensayos como se describe en los siguientes pasos.
   1. Para cada condición experimental, crear ensayos con el SOA planificada. Cuando se utiliza el plugin psylab_toj_stimulus y OpenSesame, añadir todos los variados factores como variables al bucle de ensayo (por ejemplo, "SOA").
   2. Añadir filas a la tabla para darse cuentatodas las combinaciones de factores (por ejemplo, siete SOA, desde -100 o 100 mseg por, cruzados con las condiciones experimentales "atención" y "neutral"). Ajustar el atributo del bucle "Repetir" para crear suficientes repeticiones (véase el protocolo paso 2 para determinar la distribución y la repetición de las SOA).
      NOTA: Por lo general, a lo sumo 800 ensayos pueden ser presentados dentro de una hora. Si se necesitan más repeticiones, considerar dividir el experimento en varias sesiones. Asegúrese de que el atributo "orden" del bucle está ajustado a "aleatorio" antes de ejecutar el experimento.
   3. En la configuración del plugin psylab_toj_stimulus, añadir marcadores de posición (por ejemplo, "[SOA]") para los factores de enriquecimiento en los campos respectivos. Introducir valores constantes en los campos de factores que no son variados.
      NOTA: Antes de ejecutar el experimento, asegúrese de que la sincronización exacta está garantizada. Si el comportamiento de la sincronización adecuada de los monitores más recientes no se verificó, el usoLos monitores CRT y se sincronizan con la señal de retorno vertical ^12.

4. Procedimiento experimental

1. Acogedor y de información de los participantes
   1. La bienvenida a los participantes e informarles acerca de la forma general del experimento (experimento de percepción basado en computadora). Informar a los participantes acerca de la duración probable del experimento. Obtener el consentimiento informado de los participantes para participar en el experimento.
   2. Asegúrese de que los participantes muestran la visión normal o corregida a la normal (de manera óptima mediante la realización de pruebas de visión corta). Algunos déficits, como la ceguera al color, puede ser tolerable si no interfieren con la pregunta de investigación para el tipo particular de material de estímulo.
   3. Proporcionar una cabina tranquila, donde se lleva a cabo el experimento. Ajuste la silla, mentonera, la posición del teclado, y así sucesivamente, para garantizar las condiciones óptimas de visión y respuesta para la EXPERIMENuevo Testamento.
   4. Hacer que los participantes en cuenta que el experimento requiere atención y concentración mental y puede ser fatigoso. Pídales que tomar pequeños descansos cuando sea necesario. Es, sin embargo, igualmente importante no realizar estas tareas simples bajo una fuerte tensión atencional. Diga a los participantes que está bien cometer algunos errores.
2. Instrucción y de calentamiento
   1. presentes instrucciones de la pantalla para la tarea, que detallan el procedimiento de secuencia de presentación y respuesta. Informe a los participantes que la tarea es dar a conocer el orden en que llegaron los objetivos, y que esto será difícil en algunos ensayos. Pregunte a los participantes para informar de su primera impresión cuando no pueden decir la orden a ciencia cierta, y dejar que adivinar si ellos no tienen tal impresión en absoluto.
      NOTA: En las Tojs binarios utilizados aquí, no hay ninguna opción para indicar la percepción de la simultaneidad. Para evitar adivinanzas excesivo, no señalar la presencia de los ensayos con simultaneously presentado objetivos explícitamente. Deje que estos simplemente sean difíciles pruebas con las instrucciones indicadas más arriba.
   2. Para evitar movimientos oculares durante los ensayos, pedir a los participantes que se fije una marca que se muestra en el centro de la pantalla. Pídales que descansar su cabeza en una mentonera.
   3. Pregunte a los participantes a tomar descansos cortos si es necesario. Hágales saber que cuando se permite que las pausas y cuando deben evitarse (por ejemplo, durante la presentación del blanco y antes de la respuesta).
   4. Incluir un breve entrenamiento en el que los participantes pueden acostumbrarse a la altura. Con este fin, presentar un subconjunto aleatorio de los ensayos experimentales (véase la etapa protocolo 3.2).
      NOTA: Debido a la tarea en sí es bastante simple, de diez a veinte ensayos suelen ser suficientes. Puede ser ventajoso para aumentar la confianza de los participantes en su desempeño en esta tarea. Esto se puede hacer por ralentizar la presentación y proporcionar retroalimentación.
   5. Obtener confirmati de los participantesen la que han comprendido la tarea (dejar que ellos lo explican) y que no tienen más preguntas.
3. Ejecución del experimento principal
   1. Dejar que el inicio de este software experimental con la presentación de los ensayos principales. Deja la cabina para el experimento principal.

5. Análisis basado en modelos de los Datos TOJ

1. Convertir los archivos de datos en bruto en cargos de juicios "sonda" para todos los primeros SOA. Por ejemplo, ejecute el script "os2toj.py" provista de TVATOJ.
2. Ejecutar el procedimiento de estimación bayesiana para estimar los parámetros principales w _p y C, las derivadas v _p y _r v y las diferencias de los parámetros. Con este fin, ejecutar el script "run-evaluation.R" después de editarlo de acuerdo con las instrucciones contenidas en el archivo.
3. Cuando el muestreo ha terminado, las diferencias de interés para las preguntas de investigación pueden ser evaluados. examplES se pueden encontrar en la siguiente sección.

Representative Results

En lo siguiente, se reportan los resultados obtenidos con el método propuesto. Tres experimentos miden la influencia de diferentes manipulaciones de atención con tres muy diferentes tipos de material de estímulo. Los estímulos son simples segmentos de línea en los patrones emergentes a cabo, espacio objetos de acción en imágenes naturales, y los objetivos de la letra con pautas.

Experimento 1: prominencia en las pantallas pop-out
Experimento 1 dirigido a la medición de la influencia de la prominencia visual de la velocidad de procesamiento de segmentos de línea en un patrón sintético. Los sujetos juzgaron cuál de los dos segmentos de líneas de destino (izquierda o derecha) en una trama de fondo de segmentos orientados parpadeaba primero. En la mitad de los ensayos, la sonda era de un color pop-out (ver Figura 2a). Más antecedentes sobre la evaluación basada en TOJ de pop-out se puede encontrar en un estudio realizado por Krüger et al ^8, donde orienta localesprominencia ción fue manipulado en lugar de color. La distribución y la frecuencia de la SOA se muestran en la Figura 2b.

Un análisis de la potencia Bayesiano se llevó a cabo como se describe en la etapa de protocolo 2. Para las tasas globales de grupo típico C (M = 70 Hz, SD = 20) y una ventaja hipotética de aproximadamente 7 Hz para el objetivo saliente en la condición de la atención (como resultado de una atencional peso de M = 0.55, SD = 0,02), se realizaron 200 simulaciones. La tasa de éxito para la detección de la ventaja se calculó para el límite inferior del IDH del 95% (intervalo de más alta densidad) está por encima de 4 Hz y el cumplimiento de requisitos adicionales con respecto a la diferencia de la condición de control (ver ejemplo TVATOJ "poder-exp1.R" para todos los detalles). La tasa de éxito para alcanzar este objetivo en las condiciones hipotéticas con 25 participantes resultó ser 0,88 conun IDH del 95% entre 0,82 y 0,92.

Para el experimento real, se reclutaron 30 participantes. Uno de los participantes fue excluido del análisis porque no siguió las instrucciones pero siempre presiona la misma tecla.

Figura 2: Experimento 1. (a) Objetivos (marcadas con círculos de la ilustración) en el (parte superior) y la atención neutra (parte inferior) condición. (B) las distribuciones de SOA. (C) Tres ejemplares recuentos de respuesta a nivel de objeto (puntos) y las curvas de predicción posterior (área sombreada; intensidad representa la probabilidad con respecto a los 100 repeticiones simulados en grano fino SOA). El color azul indica el control y la condición de la atención verde. ( (e) posterior de la tasa general de C y atencionales pesos w _p y _r w. (F) las distribuciones posteriores de v _p y v _P y sus diferencias. Haga clic aquí para ver una versión más grande de esta figura.

Los datos se ajustaron con el modelo TOJ derivado de TVA (como se describe en la introducción) usando un procedimiento jerárquico bayesiano implementado en JAGS ^10. La figura 2c muestra tres parcelas de nivel de objeto ejemplares de los datos en bruto y estimaciones posterior de predicción obtenidos a partir de muestras a nivel de objeto de modelo ajustado. Curvas de predicción del nivel de grupo posteriores se muestran en 2D y Estimaciones de los parámetros Figura en la Figura 2e y p y _r w (Figura 2e) o el individuo parámetros de velocidad V _p y v _r (Figura 2f) se pueden evaluar. Si la capacidad de procesamiento general C se cambió por la manipulación, los últimos parámetros pueden mostrar si y cómo las tasas de procesamiento de estímulos individuales han cambiado.

El procedimiento de estimación bayesiano jerárquico propuesto ofrece una gran cantidad de resultados. Por ejemplo, todos los parámetros pueden ser evaluados para cada participante en el nivel de objeto. Por lo general, existe un interés en las tendencias de la población. Por lo tanto, se discuten los resultados en el nivel de grupo. Los histogramas muestran distribuciones más el espacio de parámetros. Las modalidades de las distribuciones se presentan para indicar las tendencias centrales de los parámetros. El 95% IDH marcan los intervalos en los cualeslos valores reales se encuentran con una probabilidad del 95% de acuerdo con el modelo y los datos (para más detalles sobre cómo interpretar las estadísticas Bayesianas, se refieren a Kruschke ^{11, 13).}

La figura 2e muestra las estimaciones de los medios a través de temas para el peso y los parámetros de velocidad global. Un beneficio de atención para el estímulo saliente se puede ver en la condición de la atención. La tendencia central de parámetro w _p es 0.59, y sus rangos de 95% del IDH de 0,55 a 0,63. Por lo tanto, la prominencia cambió el peso de atención lejos del valor neutro de 0,5. En la condición de control, donde ninguno de los objetivos era saliente, = 0,5 se obtuvo un peso neutral de w _p (95% HDI: 0,48 a 0,51). La fila correspondiente "Comparación" muestra que la diferencia entre los pesos w _p través de condiciones es de 0,09, y el IDH del 95% de esta diferencia sonóes de -0,11 a 0,07. Por lo tanto, hay una diferencia fiable entre los dos pesos a favor del estímulo saliente.

Sin embargo, ¿significa esto que la meta sobresaliente fue procesado más rápido? La diferencia en los pesos junto con la tasa global C compartida en la condición de la atención indicar que se ha procesado más rápido que el objetivo que no sea relevante en esta condición. Sin embargo, una pregunta importante es si también se procesa más rápido que los objetivos de la condición de control. Tomando las estimaciones de las tasas de procesamiento en cuenta, la respuesta debe ser negativa. La estimación de C se muestra en la Figura 2e es más baja en la condición de atención por una diferencia de casi 17 Hz. En la correspondiente trama "Comparación", 0, no hay diferencia, es justo en el borde del IDH del 95%; por lo tanto, es muy poco probable. Teniendo en cuenta los ritmos individuales de la sonda (v _p) y referencia _(r) v estímulo, tanto en condicións (Figura 2f), está claro que la ventaja de los resultados de estímulo salientes de una reducción de 16 Hz de la tasa de procesamiento del estímulo no saliente en la condición de la atención. Una posible interpretación de estos resultados es que el objetivo saliente conduce a una supresión de la diana no saliente en la condición de la atención y de este modo beneficios en relación.

Nótese que en este experimento, a pesar de las apariencias de la sonda y de referencia eran idénticos en la condición neutra, el retardo entre el inicio de ensayo y evento sonda era constante. Por lo tanto, los participantes podrían haber dirigido la atención hacia este punto en el tiempo, cambiando así el peso de atención lejos del valor neutro 0.5. En consecuencia, el peso de atención actual del estímulo sonda en la condición de control debe ser estimado y fija en 0,5. La fijación de los parámetros es posible cuando el participante no puede decir ni siquiera en principio, que es la sonda y que el estímulo de referencia, como en la condición de control en el Experimento 3.

Experimento 2: Acción ventajas de espacio en las imágenes naturales
El segundo experimento mide ventajas de atención para los objetos en el espacio de acción en imágenes naturales. A partir de la ceguera al cambio estudia se sabe que los objetos centro de intereses se benefician de orientación que significa impulsada en imágenes naturales ^14. Este efecto está ausente cuando las imágenes están oscurecidos por la presentación al revés. En los experimentos de la ceguera al cambio no publicados, encontramos una ventaja espacio de acción con un conjunto de imágenes con cambios en la acción en el espacio y los objetos de fondo (hay una réplica publicada con el material de estímulo similar en referencia ^15). Nuestra hipótesis es que estos objetos espaciales de acción, que se acercan del observador y, posiblemente, pueda ser agarrado, muestran una ventaja similar en sus tasas de procesamiento.

"Fo: keep-together.within-page =" 1 "> Por lo tanto, el método basado en TOJ propuesta es probada con imágenes naturales espacio de acción (sonda) y los objetos más distantes (de referencia), que aparecieron de pronto en imágenes naturales, constituidos. los objetivos para el procedimiento TOJ (véase la figura 3a). en una condición entre los sujetos de control, se utilizaron versiones invertidas de las mismas imágenes. Estos son conocidos por tener los efectos del contexto reducidos en experimentos de detección de cambios ^{15, 16.} el SOA entre los inicios se varió de acuerdo con la distribución que se muestra en la Figura 3a.

Una estimación de la potencia se realizó exactamente como para el Experimento 1, excepto que las comparaciones entre sujetos entre condición experimental y control se llevaron a cabo. La tasa de éxito para lograr el objetivo se estimó con 0,92 (95% IDH 0,88 a 0,96) con 35 participantes simulados por condición (detalles pueden ser found en el ejemplo TVATOJ "poder-exp2.R").

Hubo 39 sujetos en la condición de la atención y 38 en el grupo de control del experimento real. (Algunos sujetos participaron en ambas condiciones. Por lo que sabemos, ello no comprometa el análisis estadístico bayesiano. El tratamiento de los datos mixtos como entre sujetos reduce la potencia en comparación con teniendo en cuenta las diferencias en un mismo sujeto.) Una vez más, uno de los participantes (la misma persona en ambas condiciones) fue eliminado del análisis de cada condición, debido a haber dado respuestas intencionalmente al azar en todo el experimento.

Figura 3: Experimento 2. (a) espacio de acción (marcado con arro blancows) y el fondo (flecha negro) se centra en la condición neutra (izquierda) y la atención (a la derecha). (B) la distribución de SOA. (C) Dos parcelas de nivel sujeto a modo de ejemplo de la condición neutra (azul) y dos parcelas de la condición de la atención (verde) con recuentos de respuesta (puntos) y las curvas de predicción posterior de la zona sombreada; representa la intensidad de verosimilitud con respecto a 100 repeticiones simulados en grano fino SOA). Distribuciones (d) posterior de la tasa general de C y atencionales pesos w _p y _r w. (E) a nivel de Grupo posteriores curvas predictivas. (F) las distribuciones posteriores de _P y V v _r y sus diferencias. Haga clic aquí para ver una versión más grande de esta figura.

Estos datos se ajustó de la misma manner como en el primer experimento. La única diferencia fue que, debido al diseño entre sujetos, las diferencias de parámetros entre las dos condiciones podrían no se calcularán durante la toma de muestras en el nivel de tema. Esto reduce la potencia en comparación con las diferencias intra-sujeto.

El tema de nivel ejemplar y las distribuciones posterior de predicción de nivel de grupo en la Figura 3C muestran las distribuciones que apenas se desplazan uno contra el otro. Las dos condiciones se superponen casi a la perfección en el nivel de grupo posterior trama de predicción (Figura 3e), por lo que puede parecer como si la manipulación de la atención no había funcionado en absoluto. La inspección de la distribución posterior de los parámetros, sin embargo, revela que de hecho es una ventaja para los objetos del espacio de acción. La estimación _p w en la condición de la atención se desplaza lejos del estado neutro de 0,5, que es única en el extremo izquierdo de la HDI 95%. Curiosamente, sin embargo, esTambién desplazado en la condición de control, con el IDH del 95%, incluso excluyendo 0,5, lo que sugiere que la inversión de las imágenes no eliminó la posibilidad de aprovechar el espacio de acción.

Teniendo en cuenta la comparación de las tasas de procesamiento de estímulos individuales (Figura 3f, "Comparación"), un efecto de la atención puede ser visto por la velocidad del estímulo de referencia v _r. Sin embargo, los puntos de diferencia en la dirección opuesta a la hipótesis y es pequeño, lo que refleja un cambio en la tasa de sólo el 2 Hz (95% HDI: -3,36 a 0,66).

Por lo tanto, hay que concluir que (a) la ventaja atencional de los objetos espaciales de acción se debe a un factor que no se ve afectado por la escena de inversión, tales como la prominencia o la visibilidad. Como alternativa, (b) la escena de inversión no reduce los efectos espacio de acción como se pretende, o (c) la potencia de la presente experimento fue demasiado pequeño para detectar la efeConnecticut. Explicaciones (a) y (b), o una combinación, son los probables. En nuestros experimentos con el cambio ceguera no publicados anteriormente mencionados, que se realizaron con las mismas imágenes, todavía había una ventaja (aunque reducido) para el espacio de objetos de acción en escenas invertidos.

En el contexto de este documento método de centrado, sin embargo, alternativa (c) puede ser la más interesante. Por lo tanto, se discutirán brevemente las magnitudes de los efectos posiblemente por alto. En cuanto a la comparación de los pesos de atención, el límite inferior de la HDI 95%, lo que refleja la dirección hipotética, está en -0,01. Por lo tanto, solo pesa más grande de 0,01 en el asistido en comparación con la condición de control son probables. Esta diferencia es pequeña en comparación con los otros experimentos, y las probabilidades están en contra de un pequeño efecto incluso tal. Esto se refleja en el IDH límite superior alcanzando 0,04. En cuanto a las tasas de procesamiento es útil porque las tasas en Hz pueden interpretarse fácilmente como processing velocidad.

Las diferencias entre las dos condiciones se muestran en la fila "Comparación" en la Figura 3f. Diferencia? V _r entre los estímulos de referencia es negativo, -2.03 Hz, y el IDH del 95% excluye 0. La diferencia negativa refleja un aumento en la tasa de procesamiento de los objetivos de referencia, los objetos del fondo, que también está en contra de la acción hipótesis ventaja de espacio . Una pequeña ventaja atencional todavía es posible en las tasas de procesamiento de los destinos de la sonda, su diferencia? V _p se estima cercano a cero, pero el HDI 95% varía de -1,64 Hz a 1,51 Hz. A pesar de que un valor cercano a cero es más probable, los efectos del tipo de hasta 1,64 Hz a favor de la hipótesis, y hasta 1,51 Hz en contra de ella, siendo posible sobre el HDI 95%. En general, estos resultados no son favorables a la hipótesis original, pero mostraron su discusión de cómo tamaños significativos de efectos posiblemente perdidas pueden ser conconvenientemente extraído de los resultados. Tenga en cuenta que para la aceptación de los resultados nulos, tales como la reducción que carecen de la ventaja de espacio de acción mediante la rotación de las imágenes, las regiones de equivalencia práctica pueden ser definidas y su superposición con el HDI 95% pueden ser probados ¹¹ (véase la sección Discusión).

Experimento 3: pre-escucha espacial en el reconocimiento de letras
El tercer experimento investigó los límites del modelo TOJ basado en TVA propuesto y muestra cómo el modelo puede extenderse para hacer frente a estas dificultades.

¿Qué es lo que hace el método propuesto en problemas? En los dos experimentos anteriores, los participantes tenían que juzgar dos eventos temporales. Ahora añadimos un tercer evento temporal, una clave periférica que se muestra 110 ms antes del estímulo sonda para dirigir la atención hacia ella. Este tercer caso presenta dificultades a la sencilla mo TOJ a base de TVAdel, para los que sólo dos estímulos se modelan explícitamente.

Figura 4: Los efectos típicos de las señales en las latencias de percepción. Magnitud de los efectos de la atención se encuentran típicamente en Tojs con señales periféricas (líneas horizontales). Magnitudes predichos por el modelo basado en TOJ TVA para aumentar los pesos de atención del estímulo sonda (curvas). La curva de trazo continuo corresponde a los parámetros típicamente observados. Haga clic aquí para ver una versión más grande de esta figura.

Las magnitudes de los beneficios de atención reportados en la literatura TOJ ya hacen alusión a estas dificultades. Las diferencias de latencia inducida por señales periféricas suelen ser tan alta como 50% yincluso a veces tan alta como 80% del intervalo de pre-escucha ^19. Como se ilustra en la Figura 4, un gran desplazamiento de este tipo requeriría pesos atencionales improbables cerca de w _p = 0,9 en las tasas de procesamiento típicos. Además, dichos pesos extremos conducen a distribuciones psicométricas muy desigual. Estos tendrían una pendiente empinada en un extremo y una pendiente poco profunda en el otro extremo. En una manifestación más débil, esto se puede ver en las parcelas de predicción posterior del primer experimento (figura 2c y d). Tales curvas fuertemente distorsionados raramente son reportados. Cuando los datos de la presente experimento cueing periférica está equipado con el modelo basado en TOJ TVA, las curvas posteriores predicho se desvían fuertemente a partir del patrón de datos real.

Es importante destacar, sin embargo, señales periféricas producen los efectos más fuertes y más confiables de la atención en psicofísica TOJ ^20. Por lo tanto, es worthwhile de aplicar una evaluación basada en el modelo con una versión extendida del modelo propuesto. Alcalá-Quintana y García-Pérez ²¹ propusieron un modelo TOJ basado en suposiciones generales de codificación exponencial de estímulo. Este modelo contiene un parámetro adicional que permite grandes cambios sin alterar las pendientes de las curvas psicométricas. Alcalá-Quintana y García-Pérez usaron para Tojs crossmodal, cuando tales cambios se originan de los retrasos entre las modalidades. Por lo tanto, para modelar los datos de Tojs estimulada, incluimos su τ parámetro. Un retraso entre el inicio de los procesos de codificación podría ser responsable de los grandes cambios laterales esperados. El parámetro τ puede incluso tener una interpretación compatible con TVA. Sin embargo, esto no es del todo sin problemas y se discutirá más adelante. Para mantener el modelo parsimonioso, otros parámetros sugeridos por Alcalá-Quintana y García-Pérez (sesgos de respuesta, lapsos, y un posible mínimo temporalresolución) no se incluyeron.

Formalmente, el modelo psicométrico original en la ecuación 4 se modifica sustituyendo el término SOA por un plazo _adj SOA SOA ajustada = + τ. Este ajuste también refleja la interpretación de τ: Las salidas de los procesos de codificación exponenciales están ahora no sólo separados por el SOA, pero se añade un retardo constante adicional. En el modelo jerárquico bayesiano, τ nivel de objeto se realiza un muestreo de una distribución normal a nivel de grupo.

Un análisis de la potencia explícita no se realizó para este experimento. Debido a que el diseño dentro de los sujetos es similar a la de experimento utilizando 1, se espera una potencia similar para los efectos de los tipos y pesos de atención. El gran desplazamiento lateral espera que sea capturado por el parámetro τ es mucho más grande y más estable que los efectos del tipo y peso son normalmente, por lo que no hay problema de potencia puede ser correoxpected para detectar tampoco.

Los datos fueron recogidos durante 32 participantes (entre ellos los tres autores) de acuerdo con el procedimiento experimental descrito en la etapa de protocolo 4. Los participantes tenían que informar el orden de dos letras. En la mitad de los ensayos fue precedida el estímulo de la sonda (110 ms) por una señal periférica de cuatro puntos (véase la figura 5a). Una descripción detallada del material de estímulo puede encontrarse en Tünnermann, Petersen, y Scharlau de estudio ^7. El SOA y sus frecuencias se muestran en la Figura 5b. Cada participante realiza una o dos sesiones.

Figura 5: Experimento 3. (a) Metas, arbitrariamente designated como sonda y de referencia en el la condición neutral (parte superior). En la condición de la atención (parte inferior) el estímulo de la sonda fue precedido (110 ms) por una señal de cuatro puntos. (C) Tres ejemplares recuentos de respuesta a nivel de objeto (puntos) y distribuciones predictivas posterior (área sombreada; intensidad representa la probabilidad con respecto a los 100 repeticiones simulados en grano fino SOA). El azul representa el neutro y el verde de la condición de la atención. (D) a nivel de Grupo posteriores curvas predictivas. Distribuciones (e) posterior de la tasa general de C y atencionales pesos w _p y _r w. (F) las distribuciones posteriores de τ y su diferencia con respecto a cero. Distribuciones (g) posteriores de v _p y _r v y sus diferencias. Haga clic aquí para ver una versión más grande de THes figura.

El modelo extendido como se ha descrito anteriormente se aplicó en el procedimiento de estimación bayesiano jerárquico. (Para los participantes que produjeron curvas psicométricas muy pronunciadas en la primera sesión, SOA más pequeños se utilizaron en la segunda sesión. Esto puede verse, por ejemplo, en el extremo izquierdo parcela Figura 5c, que contiene los puntos de datos adicionales a pequeña SOA). Debido a el modelo más complejo, se empleó el potente sampler NUTS del paquete de software Stan en este análisis ^22.

En los otros experimentos, el estímulo de la sonda podría tener una tasa de procesamiento diferente que el estímulo de referencia, incluso en la condición de control. En el Experimento 1, esto fue debido a que los participantes podrían haber asignado atención a su punto más predecible en el tiempo en relación con el inicio del juicio. En el Experimento 2, la inversión de las imágenes no se esperaba que eliminar por completo la ventaja de los objetos espaciales acción. En este experimento pre-escucha basada en la carta, sin embargo, los participantes ni siquiera en principio, ser capaz de identificar cuál es el palpador, y que el estímulo de referencia, debido a que las mismas letras al azar fueron utilizados y el tiempo transcurrido entre el juicio y se dirigen inicio no permitieron llegar a la conclusión el tipo de destino. Por lo tanto, se espera que una condición de control verdaderamente neutral y w _p fija en 0,5 y τ en 0 en la condición neutra.

Como puede verse en la Figura 5c y 5d, la señal conduce a un cambio sustancial de la función psicométrica comparación con los otros experimentos. Además, las parcelas posteriores en la Figura 5f muestran que τ se estima como un 53.27 ms se benefician por la diana con claves. El IDH del 95% de la diferencia ( "Comparación" fila) excluye todas las diferencias menores que 47.56 (o más grandes que 57.73), los hace altamente improbable.

t "> Curiosamente, hay un cambio en los pesos de atención en favor del objetivo uncued (Figura 5e). La distribución posterior de w _p tiene su modo a 0,42. El Peso neutro de 0,5 no se incluye en el IDH 95%. Para el parámetro C, hay un aumento de 4,69 Hz para la condición de la atención. Expresado en V parámetros (Figura 5f), es más notable que la tasa de v _r del estímulo de referencia en la condición de atención aumenta.

En los dos experimentos anteriores, se observó que las manipulaciones de atención aumentaron el peso de atención del estímulo de la sonda. En el presente experimento, sin embargo, el patrón podría reflejar una interferencia de la señal con el objetivo, lo que reduce su tasa en la carrera para la codificación. Al mismo tiempo, el objetivo cued beneficios del procesamiento más rápido debido al parámetro τ. Este último puede estar vinculado a la reducción de los retrasos del objetivo antes o con clavesdespués de las carreras exponenciales. Nótese, sin embargo, que en relación con τ, una prolongación de un retardo asociado con el estímulo uncued explica la diferencia relativa igual de bien.

Discussion

El protocolo en este artículo se describe cómo llevar a cabo Tojs simples y ajustaba a los datos con los modelos basados ​​en la codificación de estímulo fundamental. Tres experimentos demostraron cómo los resultados pueden ser evaluados en un marco de estimación bayesiana jerárquica para evaluar la influencia de la atención en muy diferente material de estímulo. Prominencia en las pantallas emergentes llevó a cabo un aumento del peso de atención. Además, el aumento de peso se estimaron para los objetos espaciales acción en imágenes naturales. Sin embargo, debido a la ventaja que persiste cuando las relaciones espaciales fueron perturbados por mostrar esas imágenes al revés, es probable que otro de los beneficios de atención local, conduce al aumento de peso. Una señal periférica, como se usa en el Experimento 3, exhibe una influencia negativa en el peso atencional. Sin embargo, conduce a un gran efecto en el parámetro τ, que los modelos de un retraso entre el momento de inicio de los procesos de codificación.

La mayor parte del protocolo sigue los pasos comunesen la realización de experimentos de percepción y Tojs en general. Tenga en cuenta, sin embargo, que la interpretación de los resultados en términos de TVA está ligada a la codificación de los estímulos en la memoria visual a corto plazo. La posibilidad de la realización de la TOJ por detección de comienzo puro debe reducirse tanto como sea posible. Por lo tanto, como se ha mencionado en el paso de protocolo 1.2, es crucial que los atributos de interés o bien se codifican automáticamente (que puede ser asumida por ciertos estímulos, por ejemplo, la prominencia pop-outs) o la codificación debe ser facilitada a través de la tarea (por ejemplo, informar de la identidad estímulo).

Es aconsejable inspeccionar los datos en bruto que se resumen ( "sonda" primeros recuentos través de SOA, dividido por el número de repeticiones) antes de ejecutar el análisis final. Estos datos deben seguir una curva en forma de S como se muestra en las funciones psicométricas en las figuras de la sección de resultados representativos. Tenga en cuenta que debido a las respuestas binomialmente distribuidos, los puntos de datos al azarly se desvía de la trayectoria ideal. Las desviaciones aumentan con una disminución del número de repeticiones. Con pocas repeticiones, las desviaciones son a menudo relativamente grande, oscureciendo la forma ideales S. Sin embargo, si el patrón se desvía claramente de la curva de costumbre, puede ser necesario ajustar el modelo matemático. Por ejemplo, cuando se observan grandes cambios laterales (como en el Experimento 3 de este artículo), Alcalá-Quintana y el parámetro τ de García-Pérez se pueden incluir. Si la curva no converge a uno y cero en sus extremos, se puede añadir parámetros adicionales lapso de ^21.

Es posible realizar una comparación formal modelo como se sugiere en Alcalá-Quintana y García-Pérez ²¹ de decidir entre diferentes modelos. El uso de modelos diferentes de la descrita en la introducción, sin embargo, puede afectar si los resultados pueden ser interpretados en términos de TVA.

Ahíresultados reportados en este artículo, hemos señalado las tendencias centrales de diferencias estimadas junto con su 95% IDH. Sin embargo, en el marco Bayesiano, es posible aceptar o rechazar que no hay diferencia entre dos estimaciones. Para este propósito, una cuerda (región de relevancia práctica) se debe especificar ^{11, 13.} La cuerda indica un pequeño rango en torno a cero. Los valores dentro de este rango se consideran prácticamente igual a cero. Si la cuerda no se superponga con el IDH, se rechaza la hipótesis nula. CUERDA límites significativos dependen de la pregunta de investigación o aplicación. En contraste con el análisis TOJ con los medios tradicionales, el enfoque basado en TVA puede guiar el establecimiento de límites CUERDA significativas: Debido a sus unidades significativas, los parámetros se pueden relacionar con las estimaciones de otros paradigmas TVA (por ejemplo, informes completos, véase la referencia ³⁾ . Además, las tasas de procesamiento se pueden convertir en codificación duraciones (el valor esperado de la duración de codificación E _x de estímulo x es de 1 / v _x, véase la referencia ⁷⁾ para informar a los límites de cuerda. Por ejemplo, si los investigadores están interesados ​​en saber si una manipulación atención contribuye a una reducción del tiempo de reacción para un participante en una simulación de conducción, que podrían razonar de la siguiente manera: Los tiempos de reacción (incluyendo componentes de motor) están en el rango de unos pocos cientos de milisegundos, por lo tanto, , si la manipulación atención cambia la reacción global sólo unos pocos milisegundos, el cambio sería prácticamente cero. Por lo tanto una cuerda de -2 a 2 ms se podría aplicar a la diferencia de duración de referencia y la sonda de codificación (E _r -E _p). Si la cuerda de esta diferencia incluye completamente el IDH, el resultado de que no hay ninguna diferencia puede ser aceptada. Si IDH y la cuerda no se superponen, la hipótesis nula puede ser rechazada. Si tampoco es el caso, no adopta una decisión punto se puede hacer. Otros detalles relativos a la bayesiano evaenfoque luación en general se puede encontrar, por ejemplo, en el libro ¹³ de Kruschke.

Pasando a cuestiones más generales, para el éxito de este protocolo, es crucial que sólo hay dos estímulos que generan señales temporales en la ubicación de destino. Por ejemplo, una señal periférica (que en el Experimento 3) o máscaras ⁷ conducen a grandes cambios laterales que no pueden ser explicados por el modelo basado en la TVA actual. Este tipo de situaciones no son infrecuentes y se modelaron mediante la incorporación de un parámetro sugerido por Alcalá-Quintana y García-Pérez ^21. En este modelo ampliado, el componente τ puede no estar claramente relacionada con un mecanismo de TVA. Hay una conexión tentativo entre τ y TVA, pero hay algunos problemas sin resolver. De hecho, TVA asume un breve retraso antes de codificar aperturas. Parámetro t _0, que se discutió en la introducción, es la exposición máxima ineficaces duración ante el que nada está codificado en absoluto. El t _{0 r} -t _0p diferencia podría ser entendida como τ. Sin embargo, t ₀ es típicamente pequeña, alrededor de 10 a 20 ms. Por otra parte, la teoría no asume que está influenciado por la atención. Sin embargo, t ₀ reducciones se han observado en el reconocimiento de letras ^{7, 24.} Si se acepta esta posibilidad, se debe hacer un compromiso aún más. τ parámetro se midió alrededor de 50 ms. Teniendo en cuenta el hecho de que t _0P del estímulo cued máximo puede ser disminuido por 10 a 20 ms, ya que no es mayor en el primer lugar, la mayoría de τ provendrían de aumentar t _0r de la uncued a 50 a 60 mseg. Esta magnitud es mucho más allá de lo que se observa a veces (alrededor de 10 ms). Como consecuencia de la relación poco clara de τ a TVA, algunas preguntas importantes que no pueden ser contestadas. Por ejemplo, no se puede decidir si los retrasos de Stimu asistidoli se reducen o si los de los estímulos no atendidos son prolongados (lo que resulta en la diferencia observada τ).

Las limitaciones de la técnica mencionado anteriormente se derivan del hecho de que sólo dos estímulos se modelan explícitamente con TVA. Para mejorar esto, la investigación futura tiene como objetivo ampliar el modelo basado en TVA a más de dos estímulos. En particular, el modelado de forma explícita el taco en TOJ complementada con TVA es un objetivo importante de la investigación posterior ^25.

Ventajas del protocolo son la simplicidad de la tarea TOJ que puede utilizar casi estímulos arbitrarios, la base teórica a fondo por TVA, y el sistema de evaluación bayesiano. El modelo basado en la TVA es un gran paso adelante de los enfoques tradicionales modelo libre. En el pasado, las funciones psicométricas mayoría genéricos han sido ajustadas a los datos TOJ. Los cambios en su Resumen de parámetros de PSS (punto de simultaneidad subjetiva) y DL (limen diferencias; una medida dediscriminación rendimiento) se han relacionado con las manipulaciones de atención. A veces, estos parámetros se sobre-interpretados. Por ejemplo, con frecuencia se afirma que la atención acelera el procesamiento de los estímulos que asistieron, que, además, podría darse el caso de que el estímulo desatendida se desaceleró ^7. Además de esta debilidad, estos parámetros son más bien indirecta. Ellos describen el desempeño en la tarea y no caracterizan los procesos que la producen. El análisis basado en modelos de Tojs mejora de estos inconvenientes, proporcionando parámetros significativos sobre la base de TVA.

Materials

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