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.

Görsel İstatistiksel Öğrenme

0 görüntüleme06:02 dk

1. Bir dizi saçma nesne oluşturun ve bunları üçlü bir yapı halinde düzenleyin.

Genellikle görsel istatistiksel öğrenme, aşağıdaki set gibi basit nesnelerle incelenir. Bir nesne kümesi oluşturun ve ardından bunları üçlüler halinde gruplandırın (Şekil 1).

Şekil 1. Görsel istatistiksel öğrenme için örnek uyaranlar üçlüler halinde gruplandırılmıştır. Bir deneyin öğrenme bölümünde, üçlüler rastgele sırayla görünür, ancak bir üçlü içindeki öğeler her zaman sırayla görünür, önce soldaki öğe ve ardından sağındaki öğeler art arda gelir.

2. Deneyi sıralayın.

Deneyi e-Prime gibi bir yazılımla veya MATLAB'daki Psychophysics Toolbox veya Python için PsycoPy gibi rutin bir kitaplık kullanarak sıralayın.
Anlamsız nesneler, her biri 250 ms boyunca birer birer ekranın ortasında görüntülenir.
Programa her zaman bir üçlünün üyelerini sırayla göstermesini ve bir sonraki üçlünün rastgele gösterileceğini seçmesini ve Şekil 2'ye benzer dizilerle sonuçlanmasını söyleyin.

Şekil 2. Görsel istatistiksel öğrenme için örnek öğrenme dizisi. Üçlüler rastgele bir sırada görünür, öyle ki farklı dizilerdeki öğeler için geçiş olasılığı yaklaşık 0.33 iken, bir dizi içindeki geçiş olasılığı 1'dir.
Üçlüler her zaman sırayla göründüğü için, bir üçlünün öğeleri arasındaki geçiş olasılığının her zaman 1 olduğunu unutmayın. Ancak üçlüler arasındaki geçişler rastgele seçildiğinden, ilgisiz elemanlar arasındaki geçiş olasılıkları oldukça düşüktür ve genellikle yaklaşık 0.33 olduğu düşünülür.
Son olarak, bir kapak görevi oluşturun. Programa, nesnelerden birini gri yerine KIRMIZI olarak işlemesi talimatını verin. Program bunu 10 dakikalık bir deney boyunca yaklaşık 20 kez yapacak ve anları rastgele seçecektir. Katılımcının görevi, bir nesne gri renkte gösterildiğinde bir tuşa basmak, ancak kırmızı olduğunda bir yanıtı engellemek olacaktır. Bu onları uyaranlarla meşgul tutacaktır.

3. Aşinalık testi

Aşinalık testi için ayrı bir program yazın. Testin her denemesinde, program gerçek üçlülerden birini rastgele seçer ve gerçek üçlülerin bileşenlerinden rastgele yeni bir üçlü oluşturur. Rastgele oluşturulan bu üçlülere 'folyo' denir.
Yan yana görüntülenirler ve katılımcının bir tuşa basarak hangisinin daha tanıdık olduğunu belirtmesi gerekir.
Deney, yaklaşık 30 aşinalık testi denemesi içermelidir.
Aşinalık testi için talimatlar önemlidir. Şuna benzer bir şey eklemeliler: "Deney bitmeden önce bir görev daha yapmanızı istiyorum. Sadece beş dakika sürmelidir. Muhtemelen fark etmediniz, ancak az önce gördüğünüz şekil dizisinde, bazı şekillerin diğerlerinden sonra görünme olasılığı daha yüksekti. Şimdi size deneyden iki şekil seti göstereceğim ve hangi gruplamanın size daha tanıdık geldiğini bana bildirmek için 1 tuşuna veya 2 tuşuna basmanız yeterli. Siz de tanıdığınızı hissetmeyebilirsiniz. Tüm denemelerde, sadece içgüdülerinizle hareket etmenizi ve yapmanız gerekip gerekmediğini tahmin etmenizi istiyorum."

Düzenlilikleri öğrenmek - dış dünyamızdaki nesnelerin istatistiksel yapıları - görsel işlemenin önemli bir parçasıdır.

Görsel çevremizdeki nesneler uzay ve zaman boyutlarında meydana gelir. Bilgisayarın yanındaki kahve fincanı gibi bazı nesnelerin diğerlerinin yanında görünme olasılığı daha yüksektir.

Bu tür olaylar, insanların bilinçli farkındalık olmadan otomatik ve hızlı bir şekilde öğrendikleri, öngörülebilir nesne tanımayı destekleyen düzenlilikler sağlar.

Bu videoda, tesadüfi bir kodlama paradigması kullanılarak görsel bir istatistiksel öğrenme deneyinin nasıl kurulacağı ve yürütüleceğinin yanı sıra verilerin nasıl analiz edileceği ve sonuçların nasıl yorumlanacağı gösterilmektedir.

Bu deneyde, üçlüler halinde gruplandırılmış saçma sapan nesnelerin uyaran kümeleri, her biri 250 ms boyunca birer birer bilgisayar ekranının merkezinde görüntülenir.

Düzenlilikleri - istatistiksel yapıyı - oluşturmak için, bir üçlü içindeki nesneler her zaman aynı sırayla gösterilir, ancak üçlülerin sırası rastgele olarak sunulur.

Bu nedenle, belirli bir üçlünün elemanları arasındaki geçiş olasılığı her zaman 1 iken, ilgisiz elemanlar arasındaki geçiş olasılıkları oldukça düşüktür.

Katılımcıları bilmeden nesne dizilerine maruz bırakmak için, renkli nesnelerle bir kapak görevi kullanılır. Bu durumda, katılımcılardan nesneler gri olduğunda bir yanıt vermeleri ve nesneler rastgele kırmızı göründüğünde geri durmaları istenir.

Kapak görevi tamamlandıktan sonra, katılımcılara önceki anlamsız nesnelerin kodlama derecesini test etmek için bir aşinalık görevi verilir. Her aşinalık denemesi sırasında, daha önce görüntülenen üçüzler, folyo olarak adlandırılan yeni oluşturulan üçlülerle birlikte rastgele sunulur.

Şimdi, katılımcılardan hangi setin daha tanıdık olduğunu belirlemeleri isteniyor. O halde bağımlı değişken, katılımcıların önceki üçlüleri folyolardan ziyade en tanıdık olarak doğru bir şekilde tanımlama sayısıdır.

İlk kodlama aşamasında herhangi bir öğrenme gerçekleşmezse, gerçek ve folyo üçlüleri aynı sayıda seçilecektir. Öte yandan, eğer öğrenme gerçekleşirse, gerçek üçüzler folyolardan daha sık seçilecektir.

Katılımcı gelmeden önce, kullanılacak uyaranların ve kodlama parametrelerinin oluşturulduğunu doğrulayın.

Deneye başlamak için, katılımcıyı laboratuvarda selamlayın ve görev için kullanılacak genel prosedürleri açıklayın.

Katılımcının bilgisayar monitörünün ve klavyesinin önünde rahatça oturmasını sağlayın. Ekranda gri bir nesne göründüğünde 'J' tuşuna basmaları gerektiğini ve kırmızı nesneler göründüğünde yanıtları engellemeleri gerektiğini açıklayın.

Katılımcı görev kurallarını anladıktan sonra, deneyin ilk bölümüne, tesadüfi kodlama aşamasına başlayın. Katılımcıları 10 dakika boyunca nesne dizilerine maruz bırakın.

Kısa maruz kalma süresinden sonra, 5 dakikalık bir süre içinde tamamlanması gereken bir görev daha olduğunu açıklayın. Katılımcıya artık iki üçlü set göreceğini ve hangi gruplamanın daha tanıdık geldiğini belirtmek için 1 tuşuna veya 2 tuşuna basması gerektiğini söyleyin. Onlara, ikisini de tanımazlarsa tahmin etmeleri gerektiğini söyleyin.

Katılımcının başlamaya hazır olduğunu onayladıktan sonra, 30 aşinalık denemesine başlayın.

Aşinalık aşamasındaki verileri analiz etmek için, katılımcının tanıdık üçlüyü doğru ve folyo üçlüsünü yanlış olarak seçtiği her denemeyi puanlayın.

Sonuçları görselleştirmek için, katılımcılar arasında doğru yanıt yüzdesinin ortalamasını grafiklendirin. Şans performansı P olduğundan, katılımcılar zamanın yaklaşık p'inde tanıdık nesneleri doğru bir şekilde tanımladıkları için görsel istatistiksel öğrenmenin gerçekleştiğini unutmayın.

Artık görsel istatistiksel öğrenmeyi teşvik etme ve test etme yöntemlerine aşina olduğunuza göre, deneysel psikologların öğrenmeyi araştırmak için istatistikleri kullandıkları diğer yollara bir göz atalım.

Paradigma, işitsel alanı içeren daha geniş duyusal öğrenme mekanizmaları sınıflarına çevrilebilir. Örneğin, bebekler ve çocuklar erken dil oluşumunda işitsel istatistikleri kullanırlar çünkü bir dildeki sesler ve harfler son derece güvenilir istatistiksel ilişkilerle ortaya çıkma eğilimindedir.

Başka bir deneyde, araştırmacılar harfler ve renkler arasındaki ilişkilerin bilmeden veya dolaylı olarak nasıl öğrenilebileceğini araştırdılar. Birkaç gün boyunca, katılımcılar dört farklı renkli harfe sahip olacak şekilde özelleştirilmiş metinleri okudular.

Bir ekranda sunulan harflerin rengini tanımlamaları istendiğinde, katılımcılar özelleştirilmiş metindekiyle aynı olan harf-renk çiftleri için daha hızlı ve daha doğruydu. Bu, renkli harflerin istatistiksel yapısının dolaylı olarak öğrenildiğini göstermektedir.

JoVE'nin görsel istatistiksel öğrenmeye giriş sürecini az önce izlediniz. Şimdi, deneyin nasıl kurulacağı ve gerçekleştirileceğinin yanı sıra sonuçların nasıl analiz edileceği ve değerlendirileceği konusunda iyi bir anlayışa sahip olmalısınız.

İzlediğiniz için teşekkürler!