Author Produced

मापने ध्यान और दृश्य प्रसंस्करण गति टेम्पोरल के आदेश के निर्णय के मॉडल के आधार पर विश्लेषण से

Behavior

Your institution must subscribe to JoVE's Behavior section to access this content.

Fill out the form below to receive a free trial or learn more about access:

 

Cite this Article

Copy Citation | Download Citations

Tünnermann, J., Krüger, A., Scharlau, I. Measuring Attention and Visual Processing Speed by Model-based Analysis of Temporal-order Judgments. J. Vis. Exp. (119), e54856, doi:10.3791/54856 (2017).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

इस प्रोटोकॉल का वर्णन कैसे अस्थायी आदेश प्रयोगों का संचालन करने के लिए दृश्य प्रसंस्करण गति और attentional संसाधन वितरण को मापने के लिए। प्रस्तावित विधि तीन घटकों के एक नए और synergistic संयोजन पर आधारित है: अस्थायी आदेश निर्णय (Toj) प्रतिमान, दृश्य ध्यान की Bundesen के सिद्धांत (TVA), और एक श्रेणीबद्ध Bayesian अनुमान ढांचा। विधि आसानी से व्याख्या पैरामीटर, जो TVA के सैद्धांतिक और neurophysiological आधार द्वारा समर्थन कर रहे हैं प्रदान करता है। TOJs का प्रयोग, TVA-आधारित अनुमान है, उत्तेजनाओं की एक व्यापक श्रेणी के लिए प्राप्त किया जा सकता है, जबकि पारंपरिक TVA के साथ प्रयोग किया मानदंड मुख्य रूप से अक्षर और अंक तक सीमित हैं। अंत में, प्रस्तावित मॉडल की सार्थक मापदंडों के एक श्रेणीबद्ध Bayesian मॉडल की स्थापना के लिए अनुमति देते हैं। इस तरह के एक सांख्यिकीय मॉडल विषय पर एक सुसंगत विश्लेषण दोनों और समूह स्तर में परिणाम का आकलन करने की अनुमति देता है।

व्यवहार्यता और वी प्रदर्शित करने के लिएइस नए दृष्टिकोण की ersatility, तीन प्रयोगों सिंथेटिक पॉप बाहर प्रदर्शित करता है, प्राकृतिक छवियों में ध्यान जोड़तोड़ के साथ एक cued पत्र की रिपोर्ट प्रतिमान रिपोर्ट कर रहे हैं, और।

Introduction

कैसे ध्यान अंतरिक्ष और समय में वितरित किया जाता है मानव दृश्य धारणा में सबसे महत्वपूर्ण कारकों में से एक है। वस्तुओं है कि उनके conspicuity या महत्व की वजह से ध्यान कब्जा आम तौर पर तेजी से संसाधित और उच्च सटीकता के साथ कर रहे हैं। व्यवहार अनुसंधान में, इस तरह के प्रदर्शन लाभ प्रयोगात्मक मानदंड की एक किस्म में प्रदर्शन किया गया है। उदाहरण के लिए, लक्ष्य स्थान की ओर ध्यान आवंटन मामले की जांच का पता लगाने के कार्यों 1 में प्रतिक्रिया को गति। इसी तरह, पत्र रिपोर्टिंग की सटीकता ध्यान 2 से सुधार हुआ है। इस तरह के निष्कर्ष साबित होता है कि ध्यान प्रसंस्करण को बढ़ाता है, लेकिन वे कैसे इस वृद्धि की स्थापना की है के बारे में बुरी मूक बने हुए हैं।

वर्तमान पत्र से पता चलता है कि attentional फायदे के पीछे निम्न स्तर के तंत्र एक मॉडल के आधार पर रूपरेखा है कि माप संबंधित सुक्ष्म componen में अलग-अलग उत्तेजनाओं के प्रसंस्करण की गति को मापने के द्वारा मूल्यांकन किया जा सकताध्यान की TS। इस तरह के एक मॉडल के साथ, उत्तेजनाओं के बीच समग्र प्रसंस्करण क्षमता और इसके वितरण प्रसंस्करण गति माप से अनुमान लगाया जा सकता है।

दृश्य ध्यान की Bundesen के सिद्धांत (TVA) 3 इस प्रयास के लिए एक उपयुक्त मॉडल उपलब्ध कराता है। यह आम तौर पर पत्र की रिपोर्ट कार्यों से डेटा के लिए आवेदन किया है। बाद में, TVA की बुनियादी बातों की व्याख्या कर रहे हैं और यह दिखाया गया है कि कैसे वे अस्थायी आदेश निर्णय (Toj) (लगभग) मनमाना उत्तेजनाओं के साथ प्राप्त डेटा मॉडल के लिए बढ़ाया जा सकता है। इस उपन्यास विधि प्रसंस्करण गति और संसाधन वितरण का अनुमान है जो आसानी से व्याख्या की जा सकती है। इस लेख में प्रोटोकॉल योजना कैसे और आचरण इस तरह के प्रयोगों और विवरण कैसे डेटा विश्लेषण किया जा सकता बताते हैं।

जैसा कि ऊपर कहा, TVA-आधारित मॉडलिंग और ध्यान मापदंडों के आकलन में सामान्य प्रतिमान पत्र की रिपोर्ट काम है। प्रतिभागियों को पत्र का एक सेट की पहचान रिपोर्टसंक्षेप में लगीं और आम तौर पर एक अलग देरी के बाद छिपा हुआ है। अन्य मानकों के बीच, दर, जिस पर दृश्य तत्वों दृश्य अल्पकालिक स्मृति में इनकोड अनुमान लगाया जा सकता है। विधि सफलतापूर्वक मौलिक और नैदानिक ​​अनुसंधान में सवाल करने के लिए लागू किया गया है। उदाहरण के लिए, Bublak और उनके सहयोगियों 4 आकलन किया जो attentional मापदंडों के उम्र से संबंधित संज्ञानात्मक घाटे के विभिन्न चरणों में प्रभावित कर रहे हैं। मौलिक ध्यान अनुसंधान में, पीटरसन, Kyllingsbæk, और Bundesen 5 TVA इस्तेमाल किया attentional समय ध्यान केन्द्रित प्रभाव, कुछ समय के अंतराल पर दो लक्ष्यों के दूसरे मानता में पर्यवेक्षक की कठिनाई मॉडल करने के लिए। पत्र की रिपोर्ट के प्रतिमान की एक बड़ी खामी यह है कि यह पर्याप्त overlearned और maskable उत्तेजनाओं की आवश्यकता है। इस आवश्यकता को अक्षर और अंक के लिए विधि की सीमा। अन्य उत्तेजनाओं प्रतिभागियों की भारी प्रशिक्षण की आवश्यकता होगी।

Toj प्रतिमान न विशिष्ट stimul की आवश्यकता हैमैं और न ही मास्किंग। जिस काम के लिये उपस्थिति के क्रम में आंका जा सकता उत्तेजनाओं के किसी भी प्रकार के साथ प्रयोग किया जा सकता है। यह प्रोत्साहन रेंज का विस्तार बहुत ज्यादा सब कुछ है कि ब्याज की हो सकती है, प्रत्यक्ष 6 पार मोडल तुलना सहित करने के लिए।

TOJs के साथ ध्यान की जांच attentional से पहले प्रवेश की घटना है जो कितना पहले एक भाग लिया प्रोत्साहन एक नायाब एक की तुलना में माना जाता है का एक उपाय है पर आधारित है। दुर्भाग्य से, Toj डेटा (जैसे संचयी गाऊसी या रसद कार्यों के रूप में) फिटिंग पर्यवेक्षक प्रदर्शन साइकोमेट्रिक कार्यों का विश्लेषण करने के लिए सामान्य विधि, भेद नहीं कर सकते ध्यान में भाग लिया प्रोत्साहन के प्रसंस्करण दर बढ़ जाती है कि क्या है या यह 7 पहुंच से बाहर प्रोत्साहन की दर कम हो जाती है। इस अस्पष्टता एक बड़ी समस्या है, क्योंकि सवाल यह है कि एक प्रोत्साहन की धारणा को सही मायने बढ़ाया है या यह एक प्रतिस्पर्धा stimul से संसाधनों की वापसी की वजह से लाभ अगर हमें दोनों मौलिक और व्यावहारिक प्रासंगिकता का सवाल है। उदाहरण के लिए, मानव-मशीन इंटरफेस के डिजाइन के लिए यह जानना चाहते हैं तो एक तत्व की प्रमुखता में वृद्धि के लिए एक और एक की कीमत पर काम करता है प्रासंगिक है।

Toj काम आम तौर पर इस प्रकार के रूप में आय: एक नियतन के निशान, एक संक्षिप्त देरी के लिए प्रस्तुत किया जाता है आम तौर पर एक बेतरतीब ढंग से एक दूसरे से अंतराल कम खींचा। फिर, पहला लक्ष्य प्रस्तुत किया जाता है, एक चर प्रोत्साहन शुरुआत asynchrony (एसओए) दूसरा लक्ष्य के बाद का पालन किया। नकारात्मक SOAS में, जांच में भाग लिया, प्रोत्साहन, पहले दिखाया गया है। सकारात्मक SOAS में, संदर्भ, नायाब प्रोत्साहन, ले जाता है। शून्य से एक एसओए में, दोनों लक्ष्यों को एक साथ दिखाया गया है।

आमतौर पर, लक्ष्य पेश करने पर प्रोत्साहन स्विचन को दर्शाता है। कुछ शर्तों के तहत, हालांकि, इस तरह के एक पहले से ही मौजूद लक्ष्य या ऑफसेट की एक झिलमिलाहट के रूप में अन्य लौकिक घटनाओं, 8 उपयोग किया जाता है।

_content "> TOJs में, प्रतिक्रियाएं एक unspeeded ढंग से एकत्र कर रहे हैं, आम तौर पर प्रोत्साहन पहचान और प्रस्तुति के आदेश के लिए मैप कुंजी द्वारा (जैसे, यदि उत्तेजनाओं चौकों और हीरे हैं, एक कुंजी को इंगित करता है" वर्ग की पहली "और एक दूसरे को 'डायमंड पहले") । महत्वपूर्ण बात है, मूल्यांकन के लिए, इन निर्णयों के लिए "जांच पहले" ( "संदर्भ पहले" या) निर्णय परिवर्तित किया जाना चाहिए।

वर्तमान काम में, TVA और Toj प्रयोगात्मक प्रतिमान के प्रसंस्करण के मॉडल का एक संयोजन या तो अलग-अलग डोमेन समस्याओं को खत्म करने के लिए प्रयोग किया जाता है। इस विधि के साथ, आसानी से व्याख्या की गति मापदंडों के लगभग मनमाने ढंग से दृश्य उत्तेजनाओं के लिए अनुमान लगाया जा सकता है, अनुमान करने के लिए कैसे पर्यवेक्षक का ध्यान दृश्य तत्वों प्रतिस्पर्धा करने के लिए आवंटित किया गया है सक्षम करने से।

मॉडल अलग-अलग उत्तेजनाओं के प्रसंस्करण के लिए TVA के समीकरण है, जो शीघ्र ही बाद में समझाया जाएगा पर आधारित है। संभावना है कि एक stimulपहले अन्य पहले प्रदर्शित होने के रूप में इस उत्तेजना को पहचानने की संभावना के रूप में व्याख्या की है हमें दृश्य अल्पकालिक स्मृति में इनकोडिंग है। अलग-अलग अवधियों एन्कोडिंग तेजी से 9 वितरित कर रहे हैं:

1 समीकरण (1)

अधिकतम अप्रभावी जोखिम अवधि टी 0 एक सीमा है, जो पहले कुछ भी नहीं सब पर इनकोडिंग जाता है। TVA, दर वी एक्स के अनुसार, मैं जो वस्तु एक्स एक अवधारणात्मक श्रेणी मैं के सदस्य के रूप में (जैसे रंग या आकार के रूप में) इनकोडिंग है, दर समीकरण द्वारा दिया जाता है

2 समीकरण । (2)

संवेदी सबूत है कि एक्स श्रेणी मैं η एक्स, मैं में व्यक्त किया जाता है के अंतर्गत आता है, और मैं बीटा की ताकत श्रेणी मैं के सदस्यों के रूप में उत्तेजनाओं categorizing के लिए एक निर्णय पूर्वाग्रह है। यह एक से गुणा किया जाता हैttentional वजन। व्यक्तिगत attentional वजन डब्ल्यू एक्स दृश्य क्षेत्र में सभी वस्तुओं की attentional वजन द्वारा विभाजित हैं। इसलिए, रिश्तेदार attentional वजन के रूप में गणना की जाती है

3 समीकरण (3)

जहां R सभी श्रेणियों और η एक्स का प्रतिनिधित्व करता है, मैं संवेदी सबूत नहीं है कि वस्तु एक्स के लिए श्रेणी जम्मू अंतर्गत आता है प्रतिनिधित्व करता है। मूल्य π जम्मू की श्रेणी जम्मू योग्यता को फोन किया और जम्मू में वर्गीकरण करने के लिए एक पूर्वाग्रह को दर्शाता है। समग्र प्रसंस्करण क्षमता C सब उत्तेजनाओं और वर्गीकरण के लिए सभी संसाधन दरों का योग है। TVA की एक अधिक विस्तृत विवरण के लिए, Bundesen और Habekost की पुस्तक 9 को देखें।

हमारे उपन्यास विधि, 1 समीकरण है, जो अलग-अलग उत्तेजनाओं की एन्कोडिंग का वर्णन में, TOJs की एक मॉडल के रूप में तब्दील किया जाता है। यह मानते हुए कि चयन पूर्वाग्रहों और रिपोर्ट श्रेणियों constan हैंएक प्रयोगात्मक कार्य के भीतर टी, दो लक्ष्य उत्तेजनाओं जांच (पी) और संदर्भ (आर) के प्रसंस्करण दरों वी पी और वी आर सी और फार्म वी पी = सी में attentional वजन · डब्ल्यू पी और वी आर = सेल्सियस पर निर्भर · डब्ल्यू आर, क्रमशः। नई Toj मॉडल सफलता संभावना पी पी 1 है कि एक भागीदार न्यायाधीशों जांच प्रोत्साहन एसओए और प्रसंस्करण दरों के एक समारोह के रूप में पहली बार होने जा व्यक्त करता है। यह इस प्रकार के रूप में औपचारिक रूप दिया जा सकता है:

4 समीकरण (4)

कैसे इस समीकरण बुनियादी TVA समीकरणों से प्राप्त होता है की एक अधिक विस्तृत विवरण Tünnermann, पीटरसन और Scharlau 7 से वर्णन किया गया है।

सादगी के लिए, पैरामीटर टी 0 समीकरण 1 में मॉडल में छोड़ा जाता है मूल TVA के अनुसार, टी 0 बो के लिए समान होना चाहिएToj कार्य में वें लक्ष्य, और इसलिए, इसे बाहर रद्द। हालांकि, इस धारणा कभी कभी का उल्लंघन किया जा सकता है (देखें अनुभाग चर्चा)।

Toj आंकड़ों के इस समीकरण फिटिंग के लिए, एक श्रेणीबद्ध Bayesian अनुमान योजना 11 सुझाव दिया है। यह दृष्टिकोण attentional वजन डब्ल्यू पी और डब्ल्यू जांच और संदर्भ उत्तेजनाओं और समग्र प्रसंस्करण दर सी इन मानकों, जिसके परिणामस्वरूप तेज दरों वी पी और वी आर, और उन दोनों के बीच ध्यान प्रेरित मतभेदों के आर अनुमान लगाने के लिए अनुमति देता है, मूल्यांकन किया जा सकता अनुमान अनिश्चितताओं के साथ-साथ विषय और समूह स्तर पर। पदानुक्रमित मॉडल एक प्रयोग के लिए योजना बना चरण के दौरान चित्रा 1 में सचित्र है, सुविधाजनक Bayesian शक्ति विश्लेषण का आयोजन किया जा सकता है।

निम्नलिखित प्रोटोकॉल का वर्णन योजना कैसे, अमल और Toj प्रयोगों का विश्लेषण जिसमें से प्रसंस्करण की गति मापदंडों और दृश्य उत्तेजनाओं के लिए attentional वजन कर सकते हैंप्राप्त हो। प्रोटोकॉल मानता है कि शोधकर्ता कैसे एक attentional हेरफेर ब्याज की कुछ लक्ष्यों के प्रसंस्करण की गति को प्रभावित करती है में रुचि है।

आकृति 1

चित्रा 1: चित्रमय Bayesian अनुमान प्रक्रिया में इस्तेमाल किया मॉडल। सर्किलों का अनुमान वितरण संकेत मिलता है; डबल हलकों नियतात्मक नोड्स संकेत मिलता है। चौकों डेटा संकेत मिलता है। संबंधों चित्रा के सही पक्ष पर दिया जाता है। गोल फ्रेम के बाहर नोड्स ( "प्लेट") TVA मानकों (परिचय देखें) समूह स्तर पर का मतलब और फैलाव अनुमान प्रतिनिधित्व करते हैं। "जम्मू विषयों" प्लेट में, यह कैसे attentional वजन (डब्ल्यू) प्रोत्साहन प्रसंस्करण दर (v) विषय स्तर पर से करने के लिए समग्र प्रसंस्करण दर (सी) के साथ संयुक्त कर रहे हैं देखा जा सकता है। प्लेट "मैं SOAS के &# 8221; पता चलता है कि कैसे इन TVA मापदंडों तो प्रत्येक एसओए पर binomially वितरित प्रतिक्रिया के लिए सफलता की संभाव्यता (θ) में (समारोह पी पी 1 परिचय में वर्णित के माध्यम से) बदल रहे हैं। इसलिए, θ एसओए (एन) के repetitions के साथ मिलकर डेटा अंक (y) का वर्णन है। संकेतन और ग्राफिकल मॉडल की व्याख्या के बारे में अधिक जानकारी के लिए, ली और Wagenmakers 23 को देखें। ध्यान दें कि स्पष्टता के लिए, नोड्स कि मानकों के मतभेद का प्रतिनिधित्व मिटाया गया है। ये नियतात्मक मापदंडों के बजाय प्रयोगात्मक परिणामों के आंकड़ों में संकेत कर रहे हैं। यह आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

नोट: इस प्रोटोकॉल में कुछ कदम http://groups.upb.de/viat/TVATOJ पर उपलब्ध कराई (स्थापना के निर्देश के साथ) कस्टम सॉफ्टवेयर का उपयोग कर पूरा किया जा सकता है। प्रोटोकॉल में, कार्यक्रमों और लिपियों के इस संग्रह के रूप में "TVATOJ" कहा जाता है।

1. प्रोत्साहन सामग्री के चयन

  1. अनुसंधान प्रश्न के अनुसार उत्तेजनाओं का चयन करें।
    नोट: सामान्य में, दो लक्ष्यों को स्क्रीन पर विभिन्न स्थानों पर दिखाए जाते हैं। उत्तेजनाओं कि वर्तमान विधि के साथ इस्तेमाल किया गया है शामिल हैं, उदाहरण के लिए, आकार, अंक, पत्र, पॉप बाहर दिखाता में एकमात्र, और प्राकृतिक छवियों में वस्तुओं। बाद के तीन प्रकार इस प्रोटोकॉल में इस्तेमाल किया गया।
    नोट: कई अलग अलग प्रकार के प्रोत्साहन Toj प्लगइन ( "psylab_toj_stimulus" TVATOJ के साथ प्रदान की) प्रयोग बिल्डर के लिए में शामिल किए गए हैं 12 OpenSesame।
  2. जब नए प्रोत्साहन प्रकार के निर्माण, सुनिश्चित करें कि हितों के गुणसेंट उन्हें काम या चयन उत्तेजनाओं जहां ब्याज के गुणों को स्वचालित रूप से इनकोड किया गया है के लिए महत्वपूर्ण बनाकर न्याय के लिए इनकोडिंग किया जाना है (जैसे, पॉप बाहर दिखाता में एकमात्र)।

2. पावर आकलन और योजना

  1. चयनित मॉडल के साथ डेटा सेट, योजना बनाई डिजाइन (एसओए वितरण और repetitions), नमूना आकार, और धारणा के मापदंडों का अनुकरण करके एक Bayesian शक्ति विश्लेषण करते हैं। अनुमान है कि क्या यह अनुसंधान लक्ष्य (उदाहरण के लिए, मानकों में एक निश्चित अंतर) तक पहुंचने की संभावना है। बिजली के लिए पर्याप्त नहीं है, तो जोड़ने या SOAs या repetitions स्थानांतरण द्वारा डिजाइन में परिवर्तन और विश्लेषण दोहराएँ।
    1. प्रदान की TVATOJ सॉफ्टवेयर, खुले उपयोग करें और स्क्रिप्ट "exp1-power.R" संपादित करने के लिए। विशिष्ट विश्लेषण के लिए इसे समायोजित करने के लिए फ़ाइल में टिप्पणियों का पालन करें। Bayesian शक्ति आकलन पर सामान्य जानकारी के लिए Kruschke 13 को देखें।
<पी वर्ग = "jove_title"> 3। विशिष्टता या प्रयोग की प्रोग्रामिंग

  1. प्रयोग को लागू करने के लिए एक प्रयोग बिल्डर या psychophysical प्रस्तुति पुस्तकालय का प्रयोग करें।
    1. TVATOJ में प्रदान OpenSesame Toj प्लगइन का उपयोग करने के लिए, एक परीक्षण प्रस्तुति पाश में "psylab_toj_stimulus" प्लगइन खींचें। वैकल्पिक रूप से, OpenSesame में "सरल-toj.osexp" उदाहरण के प्रयोग खुला।
    2. लटकती मेनू "प्रोत्साहन प्रकार" psylab_toj_stimulus विन्यास में से वांछित प्रोत्साहन प्रकार का चयन करें। नए प्रोत्साहन प्रकार जोड़ने के लिए यदि आवश्यक हो TVATOJ निर्देश का पालन करें।
  2. निम्न चरणों में वर्णित के रूप में परीक्षणों निर्दिष्ट करें।
    1. हर प्रयोगात्मक हालत के लिए, योजना बनाई SOAS के साथ परीक्षण पैदा करते हैं। Psylab_toj_stimulus प्लगइन और OpenSesame का उपयोग करते हैं, परीक्षण पाश (उदाहरण के लिए "एसओए") करने के लिए चर के रूप में सभी विभिन्न कारकों जोड़ें।
    2. साकार करने के लिए तालिका में पंक्तियां जोड़ेंसभी कारक संयोजन (जैसे, सात SOAs, -100 से 100 मिसे के लिए, प्रयोगात्मक शर्तों "ध्यान" और "तटस्थ" के साथ पार कर)। पाश की 'दोहराने "पर्याप्त repetitions बनाने के लिए विशेषता समायोजित (वितरण और SOAs की पुनरावृत्ति का निर्धारण करने के लिए प्रोटोकॉल चरण 2 देखें)।
      नोट: आमतौर पर, सबसे कम 800 परीक्षणों के एक घंटे के भीतर प्रस्तुत किया जा सकता है। अगर अधिक repetitions की जरूरत है, कई सत्रों में प्रयोग विभाजन पर विचार करें। सुनिश्चित करें कि पाश की "आदेश" विशेषता प्रयोग चलाने से पहले "यादृच्छिक" पर सेट है।
    3. Psylab_toj_stimulus प्लगइन विन्यास में, प्लेसहोल्डर जोड़ने (उदाहरण के लिए "[एसओए]") संबंधित क्षेत्रों में विभिन्न कारकों के लिए। कारकों के क्षेत्रों है कि विभिन्न नहीं कर रहे हैं में स्थिर मूल्यों दर्ज करें।
      नोट: प्रयोग चलाने से पहले, सुनिश्चित करें कि सही समय की गारंटी है बनाते हैं। नए मॉनिटर की उचित समय व्यवहार सत्यापित नहीं किया गया था, तो उपयोगCRT पर नज़र रखता है और ऊर्ध्वाधर खोजना संकेत 12 के साथ सिंक्रनाइज़।

4. प्रायोगिक प्रक्रिया

  1. स्वागत और प्रतिभागियों की ब्रीफिंग
    1. प्रतिभागियों का स्वागत है और उन्हें प्रयोग (कंप्यूटर आधारित धारणा प्रयोग) के सामान्य रूप के बारे में सूचित करें। प्रयोग की संभावित अवधि के बारे में प्रतिभागियों को सूचित करें। 'प्रतिभागियों सूचित सहमति प्रयोग में भाग लेने के लिए प्राप्त करते हैं।
    2. सुनिश्चित करें कि प्रतिभागियों को सामान्य या सही करने वाली सामान्य दृष्टि (बेहतर लघु दृष्टि परीक्षण करने से) दिखा। इस तरह के रंग का अंधापन के रूप में कुछ घाटा, सहनीय अगर वे प्रोत्साहन सामग्री के विशेष प्रकार के लिए अनुसंधान सवाल के साथ हस्तक्षेप नहीं करते हो सकता है।
    3. एक शांत बूथ जहां प्रयोग का आयोजन किया जाता है प्रदान करें। , कुर्सी, ठोड़ी बाकी है, कीबोर्ड स्थिति को समायोजित करें, और इतने पर experime के लिए इष्टतम देखने और प्रतिक्रिया की स्थिति सुनिश्चित करने के लिएNT।
    4. प्रतिभागियों को पता है कि प्रयोग का ध्यान और मानसिक ध्यान की आवश्यकता है और थकाऊ जा सकता है। उनसे पूछो कम टूट लेने के लिए जब जरूरी है। लेकिन उसे यह भी उतना ही महत्वपूर्ण नहीं मजबूत attentional तनाव के तहत इन सरल कार्य करने के लिए है। प्रतिभागियों को बताओ कि यह कुछ त्रुटियों बनाने के लिए ठीक है।
  2. निर्देश और वार्म अप
    1. कार्य के लिए वर्तमान परदे पर निर्देशों का ब्यौरा, प्रस्तुति अनुक्रम और प्रतिक्रिया संग्रह प्रक्रिया। प्रतिभागियों को सूचित उस कार्य को जिस क्रम में लक्ष्य पहुंचे, और यह कुछ परीक्षणों में मुश्किल हो जाएगा कि रिपोर्ट करने के लिए है। उनकी पहली धारणा रिपोर्ट करने के लिए जब वे कुछ के लिए आदेश नहीं बता सकता प्रतिभागियों से पूछो, और उन्हें अगर वे सब पर ऐसी कोई धारणा है लगता है कि चलो।
      नोट: द्विआधारी यहां इस्तेमाल TOJs में, वहाँ समकालीनता की धारणा इंगित करने के लिए कोई विकल्प नहीं है। अत्यधिक अनुमान लगाने से बचने के लिए, SIMU के साथ परीक्षण की उपस्थिति बाहर बात नहीं हैltaneously स्पष्ट लक्ष्यों को प्रस्तुत किया। ये सिर्फ निर्देश ऊपर उल्लिखित के साथ कठिन परीक्षण किया जाना है।
    2. ट्रायल के दौरान आँख आंदोलनों से बचने के लिए, एक निशान है जो स्क्रीन के केंद्र में दिखाया गया है fixate के लिए प्रतिभागियों से पूछो। उन्हें एक ठोड़ी बाकी पर अपने सिर को आराम करने के लिए पूछो।
    3. प्रतिभागियों से पूछें कि आवश्यक कम टूट लेने के लिए। उन्हें पता है कि जब टूटता अनुमति दी जाती हैं और जब वे परहेज किया जाना चाहिए (उदाहरण के लिए, लक्ष्य प्रस्तुति के दौरान और प्रतिक्रिया से पहले)।
    4. एक छोटी प्रशिक्षण जिसमें प्रतिभागियों को इस काम के लिए इस्तेमाल किया हो सकता शामिल हैं। यह अंत करने के लिए, प्रायोगिक परीक्षणों के एक यादृच्छिक सबसेट वर्तमान (प्रोटोकॉल 3.2 कदम देखें)।
      नोट: क्योंकि काम खुद नहीं बल्कि साधारण है, दस से बीस परीक्षणों आमतौर पर पर्याप्त हैं। यह इस कार्य में उनके प्रदर्शन में भाग लेने वालों का विश्वास बढ़ाने के लिए फायदेमंद हो सकता है। यह नीचे प्रस्तुति धीमा और प्रतिक्रिया प्रदान करके किया जा सकता है।
    5. 'प्रतिभागियों confirmati प्राप्तकि वे काम पर समझ में आ गया और कहा कि वे आगे कोई सवाल नहीं है (उन्हें यह समझाने)।
  3. मुख्य प्रयोग चल रहा है
    1. मुख्य परीक्षणों की प्रस्तुति के साथ प्रयोगात्मक सॉफ्टवेयर शुरू करते हैं। मुख्य प्रयोग के लिए बूथ छोड़ दें।

5. मॉडल के आधार पर Toj डेटा का विश्लेषण

  1. हर एसओए के लिए "जांच पहले" निर्णयों की गिनती में कच्चे डेटा फ़ाइलों को परिवर्तित। उदाहरण के लिए, स्क्रिप्ट "os2toj.py" TVATOJ के साथ प्रदान की चलाते हैं।
  2. Bayesian अनुमान प्रक्रिया चलाने मुख्य मापदंडों डब्ल्यू पी और सी अनुमान लगाने के लिए, व्युत्पन्न वाले वी पी और वी आर और मापदंडों के मतभेद। इस प्रयोजन के लिए स्क्रिप्ट को चलाने के "चलाने evaluation.R" फ़ाइल में दिए गए निर्देशों के अनुसार यह संपादन के बाद।
  3. जब नमूने समाप्त हो गया है, अनुसंधान के सवालों के लिए ब्याज के मतभेद का आकलन किया जा सकता है। examplतों निम्न अनुभाग में पाया जा सकता है।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

बाद में, प्रस्तावित विधि के साथ प्राप्त परिणामों रिपोर्ट कर रहे हैं। तीन प्रयोगों प्रोत्साहन सामग्री के तीन अत्यधिक विभिन्न प्रकार के साथ अलग अलग attentional जोड़तोड़ के प्रभाव को मापा। उत्तेजनाओं पॉप बाहर पैटर्न में सरल रेखा क्षेत्रों, प्राकृतिक छवियों में कार्रवाई अंतरिक्ष वस्तुओं, और cued पत्र लक्ष्य कर रहे हैं।

प्रयोग 1: पॉप बाहर दिखाता में प्रमुखता
प्रयोग 1 एक कृत्रिम पैटर्न में लाइन खंडों के प्रसंस्करण की गति पर दृश्य प्रमुखता के प्रभाव को मापने के उद्देश्य से। विषयों न्याय दो लक्ष्य लाइन खंडों (बाएं या दाएं) उन्मुख लाइन खंडों की एक पृष्ठभूमि के पैटर्न में से कौन पहले flickered। परीक्षणों में से आधे में, जांच एक रंग पॉप बाहर था (चित्रा 2A देखें)। पॉप बाहर की Toj आधारित आकलन पर अधिक पृष्ठभूमि क्रूगर और उनके सहयोगियों 8, जहां स्थानीय ORIENTA ने एक अध्ययन में पाया जा सकता हैtion प्रमुखता रंग के बजाय चालाकी से किया गया था। वितरण और SOAs की आवृत्ति चित्रा 2 बी में दिखाया जाता है।

(एक से उत्पन्न ध्यान हालत में मुख्य लक्ष्य के लिए के बारे में 7 हर्ट्ज से ठेठ समूह समग्र दरों सी (एम = 70 हर्ट्ज, एसडी = 20) और एक काल्पनिक लाभ के लिए प्रोटोकॉल चरण 2 में वर्णित के रूप में एक Bayesian शक्ति विश्लेषण आयोजित किया गया एम = 0.55, एसडी = 0.02) की attentional वजन, 200 सिमुलेशन प्रदर्शन किया गया। लाभ का पता लगाने के लिए सफलता की दर 95% मानव विकास सूचकांक के निचले सीमा (उच्चतम घनत्व अंतराल) 4 हर्ट्ज से ऊपर जा रहा है और नियंत्रण हालत के अंतर के बारे में अतिरिक्त आवश्यकताओं को पूरा करने (देखें TVATOJ उदाहरण "शक्ति-exp1.R के लिए" के लिए गणना की गई सभी विवरण)। 25 प्रतिभागियों के साथ काल्पनिक शर्तों के तहत इस लक्ष्य तक पहुँचने के लिए सफलता की दर 0.88 से बाहर कर दिया साथ होना करने के लिएएक 95% 0.82 से 0.92 से लेकर एचडीआई।

वास्तविक प्रयोग के लिए, 30 प्रतिभागियों भर्ती थे। एक सहभागी विश्लेषण से बाहर रखा गया है, क्योंकि वह निर्देशों का पालन नहीं किया था, लेकिन हमेशा एक ही कुंजी दबाया गया था।

चित्र 2

चित्रा 2: प्रयोग 1. (क) लक्ष्य तटस्थ (ऊपरी भाग) और ध्यान (निचले भाग) हालत (उदाहरण के लिए हलकों के साथ चिह्नित)। (ख) एसओए वितरण। (ग) तीन अनुकरणीय विषय-स्तर प्रतिक्रिया मायने रखता है (अंक) और पीछे भविष्य कहनेवाला घटता (छायांकित क्षेत्र; तीव्रता सुक्ष्म SOAS में 100 नकली repetitions के संबंध में संभावना का प्रतिनिधित्व करता है)। ब्लू नियंत्रण और हरे रंग का ध्यान हालत इंगित करता है। ( पी और डब्ल्यू आर के (ई) पीछे वितरण। (च) वी पी और वी पी और अपने मतभेदों के पीछे वितरण। यह आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

डेटा Toj मॉडल (परिचय में वर्णित) TVA से निकाली गई Jags 10 में लागू एक श्रेणीबद्ध Bayesian प्रक्रिया का उपयोग कर के साथ लगाया गया था। चित्रा -2 सी कच्चे डेटा और पीछे भविष्य कहनेवाला अनुमान फिट मॉडल का विषय स्तर के नमूनों से प्राप्त की तीन अनुकरणीय विषय स्तर के भूखंडों से पता चलता है। ग्रुप स्तर के पीछे भविष्य कहनेवाला घटता चित्रा 2e में चित्रा 2 डी और पैरामीटर अनुमान में दिखाया जाता है और पी और डब्ल्यू आर (चित्रा 2 ई) या अलग-अलग दर मापदंडों के वी पी और वी आर (चित्रा 2 एफ) मूल्यांकन किया जा सकता मापदंडों। समग्र प्रसंस्करण क्षमता सी हेरफेर से बदल गया था, तो बाद के मानकों को दिखा सकते हैं कि क्या और कैसे अलग-अलग प्रोत्साहन प्रसंस्करण दरों में बदल दिया है।

प्रस्तावित श्रेणीबद्ध Bayesian अनुमान प्रक्रिया परिणामों की एक धन उपलब्ध कराता है। उदाहरण के लिए, सभी मापदंडों विषय स्तर पर प्रत्येक भागीदार के लिए मूल्यांकन किया जा सकता है। आमतौर पर, वहाँ की आबादी में प्रवृत्तियों में रुचि है। इसलिए, समूह स्तर पर परिणामों पर चर्चा कर रहे हैं। histograms पैरामीटर स्थान पर वितरण दिखा। वितरण के तरीके मापदंडों 'केंद्रीय प्रवृत्तियों इंगित करने के लिए कहा गया है। 95% HDIs पर्वतमाला निशान जिसमेंसही मूल्यों मॉडल और आंकड़ों के अनुसार 95% की एक संभावना के साथ झूठ (कैसे Bayesian सांख्यिकी व्याख्या करने पर अधिक जानकारी के लिए, Kruschke 11, 13 को देखें)।

चित्रा 2 ई वजन और समग्र दर मापदंडों के लिए विषयों भर में साधन के अनुमान से पता चलता है। मुख्य प्रोत्साहन के लिए एक attentional लाभ ध्यान हालत में देखा जा सकता है। डब्ल्यू पी पैरामीटर के केंद्रीय प्रवृत्ति 0.59 है, और 0.55 से 0.63 के लिए अपनी 95% मानव विकास सूचकांक के बीच है। इसलिए, प्रमुखता 0.5 के तटस्थ मूल्य से attentional वजन दूर स्थानांतरित कर दिया। नियंत्रण हालत है, जहां लक्ष्यों में से कोई भी प्रमुख था, डब्ल्यू पी के एक तटस्थ वजन = 0.5 प्राप्त किया गया था (95% एचडीआई: 0.48 0.51 करने के लिए)। इसी पंक्ति "तुलना" पता चलता है कि शर्तों के पार डब्ल्यू पी वजन के बीच का अंतर 0.09 है, और इस अंतर का 95% एचडीआई बजी-0.11 से 0.07 के लिए तों। इसलिए, वहाँ मुख्य प्रोत्साहन के पक्ष में दो भार के बीच एक विश्वसनीय अंतर है।

हालांकि, इसका मतलब यह है कि मुख्य लक्ष्य तेजी से संसाधित किया गया था? एक साथ ध्यान हालत में साझा समग्र दर सी के साथ वजन में अंतर से संकेत मिलता है कि यह तेजी से इस हालत में गैर-मुख्य लक्ष्य से संसाधित किया गया था। हालांकि, एक महत्वपूर्ण सवाल है कि क्या यह भी नियंत्रण हालत के लक्ष्य की तुलना में तेजी से संसाधित किया गया था। खाते में प्रसंस्करण दरों का अनुमान ले रहा है, जवाब नहीं होना चाहिए। सी अनुमान चित्रा 2 ई में दिखाया गया है लगभग 17 हर्ट्ज की एक अंतर से ध्यान हालत में कम है। इसी "तुलना" साजिश, 0, कोई फर्क नहीं है, सिर्फ 95% मानव विकास सूचकांक के हाशिये पर है, इसलिए यह लगभग नामुमकिन है। दोनों की हालत में जांच (वी पी) और संदर्भ (वी आर) की अलग-अलग दरों को ध्यान में रखते प्रोत्साहनएस (चित्रा 2 एफ), यह स्पष्ट है कि ध्यान की हालत में गैर-प्रमुख प्रोत्साहन के प्रसंस्करण की दर से एक 16 हर्ट्ज कमी से मुख्य प्रोत्साहन परिणामों का लाभ। इन परिणामों के एक संभव व्याख्या यह है कि मुख्य लक्ष्य ध्यान हालत में गैर-मुख्य लक्ष्य की एक दमन और इस तरह के संबंध में लाभ होता है।

ध्यान दें कि इस प्रयोग में है, भले ही जांच और संदर्भ के दिखावे तटस्थ हालत में समान थे, परीक्षण शुरू करने और जांच घटना के बीच में देरी स्थिर था। इसलिए, प्रतिभागियों समय में इस बिंदु की ओर ध्यान निर्देशित हो सकता है, इस प्रकार तटस्थ मूल्य 0.5 से दूर attentional वजन स्थानांतरण। नतीजतन, नियंत्रण हालत में जांच के प्रोत्साहन की वास्तविक attentional वजन का अनुमान है और 0.5 पर तय किया जाना चाहिए। पैरामीटर फिक्सिंग संभव है जब भागीदार सिद्धांत रूप में भी नहीं बता सकता है जो जांच और जो प्रयोग 3 में नियंत्रण हालत में के रूप में संदर्भ प्रोत्साहन।

प्रयोग 2: लड़ाई प्राकृतिक छवियों में अंतरिक्ष के फायदे
दूसरे प्रयोग प्राकृतिक छवियों में कार्रवाई अंतरिक्ष में वस्तुओं के लिए attentional लाभ में मापा जाता है। परिवर्तन से अंधापन अध्ययन यह ज्ञात है कि केंद्र के हित वस्तुओं प्राकृतिक छवियों 14 में अर्थ-संचालित orienting से लाभ। इस आशय अनुपस्थित जब छवियों ऊपर से नीचे प्रस्तुति से छिप जाता है। अप्रकाशित परिवर्तन अंधापन प्रयोगों में, हम कार्रवाई अंतरिक्ष और पृष्ठभूमि वस्तुओं में परिवर्तन के साथ छवियों का एक सेट के साथ एक कार्रवाई अंतरिक्ष लाभ पाया (वहाँ संदर्भ 15 में इसी तरह के प्रोत्साहन सामग्री के साथ एक प्रकाशित प्रतिकृति है)। हम परिकल्पना है कि इन कार्रवाई अंतरिक्ष वस्तुओं, जो पर्यवेक्षक के करीब है और संभवतः graspable कर रहे हैं, उनके प्रसंस्करण दरों में एक समान लाभ दिखा रहे हैं।

"Fo: रख-together.within-पेज =" 1 "> इस प्रकार, प्रस्तावित Toj आधारित पद्धति प्राकृतिक छवियों के साथ परीक्षण किया है कार्रवाई अंतरिक्ष (जांच) और अधिक दूर (संदर्भ) वस्तुओं, जो प्राकृतिक छवियों में अचानक प्रकट हुए, का गठन किया। toj प्रक्रिया के लिए लक्ष्य (चित्रा 3A देखें)। एक के बीच-विषयों नियंत्रण हालत में, एक ही छवियों के ऊपर से नीचे संस्करणों का उपयोग किया गया था। ये परिवर्तन का पता लगाने के प्रयोगों 15, 16 में कम संदर्भ प्रभाव है जाना जाता है। एसओए के बीच onsets वितरण चित्रा 3 ए में दिखाया गया के अनुसार अलग किया गया था।

एक बिजली के आकलन प्रयोगात्मक और नियंत्रण हालत के बीच यह है कि बीच-विषय तुलना आयोजित किए गए को छोड़कर, बिल्कुल प्रयोग 1 के लिए के रूप में प्रदर्शन किया गया था। लक्ष्य को प्राप्त करने के लिए सफलता की दर 0.92 से अनुमान लगाया गया था (95% मानव विकास सूचकांक 0.88 0.96 करने के लिए) 35 शर्त के अनुसार नकली प्रतिभागियों के साथ (विवरण के लिए हो सकता हैTVATOJ उदाहरण "शक्ति-exp2.R") में अंड।

वहाँ वास्तविक प्रयोग के नियंत्रण हालत में 38 ध्यान हालत में 39 विषयों और थे। (कुछ विषयों के दोनों स्थितियों में भाग लिया। हमारे ज्ञान करने के लिए, इस Bayesian सांख्यिकीय विश्लेषण समझौता नहीं करता। मिश्रित डेटा इलाज के रूप में बीच-विषयों के भीतर-विषय मतभेदों पर विचार की तुलना में शक्ति कम कर देता है।) फिर, एक भागीदार (एक ही व्यक्ति दोनों स्थितियों में) प्रयोग के दौरान जानबूझकर यादृच्छिक प्रतिक्रियाओं दिया होने के कारण हर हालत के विश्लेषण से हटा दिया गया था।

चित्र तीन

चित्रा 3: प्रयोग 2. (क) कार्रवाई अंतरिक्ष (सफेद Arro के साथ चिह्नितWS) और पृष्ठभूमि (काला तीर) तटस्थ (बाएं) और ध्यान (दाएं) हालत में लक्ष्य। (ख) एसओए वितरण। (ग) तटस्थ (नीला) के हालत से दो अनुकरणीय विषय स्तर के भूखंडों और ध्यान देने की हालत (हरा) प्रतिक्रिया मायने रखता है (अंक) और पीछे भविष्य कहनेवाला घटता छायांकित क्षेत्र के साथ से दो भूखंडों; तीव्रता सुक्ष्म SOAS में 100 नकली repetitions के संबंध में संभावना का प्रतिनिधित्व करता है)। समग्र दर सी और attentional वजन डब्ल्यू पी और डब्ल्यू आर के (घ) पीछे वितरण। (ई) ग्रुप स्तर के पीछे भविष्य कहनेवाला घटता। (च) वी पी और वी आर और अपने मतभेदों के पीछे वितरण। यह आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

इस डाटा को एक ही मान में लगाया गया थाएर पहला प्रयोग के रूप में। फर्क सिर्फ इतना है कि क्योंकि बीच-विषयों के डिजाइन के दो स्थितियों के बीच मतभेद पैरामीटर विषय स्तर पर नमूने के दौरान की गणना नहीं की जा सकती थी। यह भीतर-विषय मतभेदों की तुलना में शक्ति कम कर देता है।

अनुकरणीय विषय-स्तर और समूह-स्तरीय चित्रा -3 सी शो वितरण में पीछे भविष्य कहनेवाला वितरण है कि मुश्किल से एक दूसरे के खिलाफ स्थानांतरित कर रहे हैं। दो की स्थिति, समूह-स्तरीय पीछे भविष्य कहनेवाला साजिश (चित्रा 3E) में लगभग पूरी तरह से ओवरलैप इतना है कि यह रूप में अगर ध्यान में गड़बड़ी पर सभी काम नहीं किया था, लग सकता है। मापदंडों के पीछे वितरण का निरीक्षण, तथापि, का पता चलता है कि वहां वास्तव कार्रवाई अंतरिक्ष वस्तुओं के लिए एक लाभ यह है कि। ध्यान हालत में डब्ल्यू पी अनुमान 0.5 से तटस्थ राज्य है, जो केवल 95% मानव विकास सूचकांक के बहुत छोड़ दिया अंत में है से दूर स्थानांतरित कर दिया है। मजे की बात है, हालांकि, यह हैयह भी नियंत्रण हालत में स्थानांतरित कर दिया गया, 95% मानव विकास सूचकांक भी 0.5 छोड़कर सुझाव छवियों का उलटा संभावित कार्रवाई अंतरिक्ष लाभ को दूर नहीं किया है कि के साथ।

व्यक्तिगत प्रोत्साहन प्रसंस्करण दरों की तुलना (चित्रा 3F, "तुलना") को देखते हुए, ध्यान का एक प्रभाव संदर्भ प्रोत्साहन वी आर की दर के लिए देखा जा सकता है। (: 0.66 -3.36 करने के लिए 95% एचडीआई) हालांकि, दिशा में अंतर अंक परिकल्पना के विपरीत और केवल 2 हर्ट्ज की दर परिवर्तन को दर्शाती है, छोटा है।

इसलिए, यह निष्कर्ष निकाला जाना चाहिए कि या तो (क) कार्रवाई अंतरिक्ष वस्तुओं की attentional लाभ एक पहलू यह है कि इस तरह की प्रमुखता या दृश्यता के रूप में दृश्य उलटा से प्रभावित नहीं है, के कारण है। वैकल्पिक रूप से, (ख) दृश्य उलटा कार्रवाई अंतरिक्ष प्रभाव के रूप में करना कम नहीं करता है, या (ग) वर्तमान प्रयोग की शक्ति का प्रभावी तरीके पता लगाने के लिए बहुत छोटा थासीटी। स्पष्टीकरण (क) और (ख), या एक संयोजन है, संभावना वाले हैं। हमारे अप्रकाशित परिवर्तन अंधापन प्रयोगों पहले उल्लेख किया है, जो एक ही छवियों के साथ आयोजित की गई, वहां अभी भी एक फायदा उल्टे दृश्यों में कार्रवाई अंतरिक्ष वस्तुओं के लिए (हालांकि कम) था।

इस विधि के प्रति केन्द्रित कागज के संदर्भ में, हालांकि, विकल्प (ग) सबसे दिलचस्प हो सकता है। इसलिए, संभवतः अनदेखी की प्रभाव का परिमाण संक्षेप में चर्चा की जाएगी। attentional वजन की तुलना में देख रहे हैं, कम 95% एचडीआई, जो धारणा दिशा को दर्शाता है, -0.01 पर है ही सीमित है। इसलिए, केवल वजन में 0.01 से बड़ा नियंत्रण हालत की तुलना में भाग लिया संभावित हैं। यह अंतर अन्य प्रयोगों की तुलना में छोटा है, और बाधाओं भी इस तरह के एक छोटे से प्रभाव के खिलाफ हैं। यह ऊपरी एचडीआई बाध्य 0.04 तक पहुँचने से परिलक्षित होता है। प्रसंस्करण दरों को देखते हुए उपयोगी है क्योंकि हर्ट्ज में दरों आसानी प्रक्रिया के रूप में व्याख्या की जा सकती हैssing गति।

दो स्थितियों के बीच मतभेद चित्रा 3F में "तुलना" पंक्ति में दिखाए जाते हैं। संदर्भ उत्तेजनाओं के बीच अंतर Δv आर, नकारात्मक है -2.03 हर्ट्ज, और 95% एचडीआई शामिल 0. नकारात्मक अंतर संदर्भ लक्ष्य, पृष्ठभूमि वस्तुओं, जो भी कार्रवाई अंतरिक्ष लाभ परिकल्पना के खिलाफ है के प्रसंस्करण की दर में वृद्धि को दर्शाता है । एक छोटा सा attentional लाभ अभी भी उनके अंतर Δv पी शून्य के करीब रहने का अनुमान है, जांच के लक्ष्यों के प्रसंस्करण दरों में संभव है, लेकिन 95% एचडीआई -1.64 हर्ट्ज से 1.51 हर्ट्ज के बीच है। हालांकि शून्य के करीब एक मूल्य के सबसे संभावित है, परिकल्पना के पक्ष में 1.64 हर्ट्ज, करने के लिए ऊपर और ऊपर इसके खिलाफ 1.51 हर्ट्ज के लिए दर प्रभाव, 95% मानव विकास सूचकांक के विषय में संभव रहते हैं। कुल मिलाकर, इन परिणामों मूल परिकल्पना के लिए अनुकूल नहीं हैं, लेकिन उनकी चर्चा दिखाया है कि कैसे संभवतः चूक प्रभाव का सार्थक आकार चोर हो सकता हैveniently परिणामों से निकाली गई। ध्यान दें कि इस तरह के चित्र घूर्णन द्वारा कार्रवाई अंतरिक्ष लाभ की कमी कमी के रूप में अशक्त परिणाम को स्वीकार करने के लिए, व्यावहारिक तुल्यता के क्षेत्रों में परिभाषित किया जा सकता है और 95% मानव विकास सूचकांक के साथ उनके ओवरलैप 11 का परीक्षण किया जा सकता है (चर्चा अनुभाग देखें)।

प्रयोग 3: पत्र मान्यता में स्थानिक cueing
तीसरे प्रयोग प्रस्तावित TVA-आधारित Toj मॉडल की सीमाओं की जांच की और पता चलता है कि कैसे मॉडल इन कठिनाइयों से निपटने के लिए बढ़ाया जा सकता है।

यह क्या मुसीबत में प्रस्तावित विधि हो जाता है? पिछले दो प्रयोगों में, प्रतिभागियों को दो अस्थायी घटनाओं का न्याय करने के लिए किया था। अब हम एक तिहाई अस्थायी घटना, एक परिधीय क्यू कि यह की ओर सीधा ध्यान में जांच के प्रोत्साहन से पहले 110 मिसे दिखाया गया है जोड़ें। यह तीसरी घटना सरल TVA-आधारित Toj मो करने के लिए कठिनाइयों प्रस्तुतडेल, जिसके लिए केवल दो उत्तेजनाओं को स्पष्ट रूप से मॉडलिंग कर रहे हैं।

चित्रा 4

चित्रा 4: अवधारणात्मक सुप्तावस्था पर संकेतों की विशिष्ट प्रभाव। ध्यान प्रभाव के परिमाण आम तौर पर परिधीय संकेतों (क्षैतिज लाइनों) के साथ TOJs में पाया। जांच प्रोत्साहन (घटता) की attentional वजन बढ़ाने के लिए TVA-आधारित Toj मॉडल के आधार पर भविष्यवाणी की परिमाण। ठोस वक्र आम तौर पर मनाया मापदंडों के लिए मेल खाती है। यह आंकड़ा का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Toj साहित्य में रिपोर्ट attentional लाभ के परिमाण पहले से ही इन कठिनाइयों पर संकेत। विलंबता मतभेद परिधीय संकेतों से प्रेरित अक्सर 50% के रूप में उच्च रहे हैं औरcueing अंतराल 19% से कभी कभी भी रूप में उच्च के रूप में 80। जैसा कि चित्र 4 में सचित्र, इस तरह के एक बड़े बदलाव के ठेठ प्रसंस्करण दरों पर डब्ल्यू पी = 0.9 के करीब संभावना नहीं attentional वजन की आवश्यकता होगी। इसके अलावा, इस तरह के चरम वजन अत्यधिक विषम साइकोमेट्रिक वितरण के लिए सीसा। ये एक छोर पर एक खड़ी ढलान और दूसरे छोर पर एक उथले ढलान होगा। एक कमजोर अभिव्यक्ति में, यह पहला प्रयोग (चित्रा -2 सी और डी) के पीछे भविष्य कहनेवाला भूखंडों में देखा जा सकता है। इस तरह की दृढ़ता से विकृत घटता शायद ही कभी सूचित कर रहे हैं। वर्तमान परिधीय cueing प्रयोग से डेटा TVA-आधारित Toj मॉडल के साथ लगाया जाता है, पीछे की भविष्यवाणी घटता दृढ़ता से वास्तविक डेटा पैटर्न से विचलित।

महत्वपूर्ण बात है, तथापि, परिधीय संकेतों ध्यान की सबसे मजबूत और सबसे विश्वसनीय प्रभाव psychophysical Toj 20 में उत्पादन। इसलिए, यह worthwh हैप्रस्तावित मॉडल की एक विस्तारित संस्करण के साथ एक मॉडल के आधार पर मूल्यांकन लागू करने के लिए इले। Alcalá-क्विंटाना और गार्सिया-पेरेस 21 घातीय प्रोत्साहन एन्कोडिंग के सामान्य मान्यताओं पर आधारित एक Toj मॉडल का प्रस्ताव रखा। यह मॉडल एक अतिरिक्त पैरामीटर है कि बड़े बदलाव के लिए साइकोमेट्रिक घटता की ढलानों बदलने के बिना अनुमति देता है। Alcalá-क्विंटाना और गार्सिया-पेरेस crossmodal TOJs, जहां इस तरह के बदलाव के तौर तरीकों के बीच देरी से ही शुरू करने के लिए इसका इस्तेमाल किया। इसलिए, cued TOJs से डेटा मॉडल में, हम उनके पैरामीटर τ शामिल हैं। एन्कोडिंग प्रक्रियाओं की शुरुआत के बीच एक देरी की उम्मीद बड़े पार्श्व बदलाव के लिए खाते सकता है। पैरामीटर τ भी एक TVA-संगत व्याख्या हो सकती है। बहरहाल, यह पूरी तरह से unproblematic नहीं है और बाद में चर्चा की जाएगी। मॉडल किफ़ायती रखने के लिए, अन्य Alcalá-क्विंटाना और गार्सिया-पेरेस (प्रतिक्रिया पूर्वाग्रहों, खामियों, और एक न्यूनतम संभव अस्थायी ने सुझाव दिया पैरामीटर्ससंकल्प) शामिल नहीं थे।

औपचारिक रूप से, 4 समीकरण में मूल साइकोमेट्रिक मॉडल एक समायोजित अवधि एसओए adj = एसओए + τ द्वारा अवधि एसओए जगह से संशोधित किया गया है। घातीय एन्कोडिंग प्रक्रियाओं के शुरू होने से अब केवल एसओए से अलग नहीं कर रहे हैं, लेकिन एक अतिरिक्त निरंतर देरी जोड़ा गया है: यह समायोजन भी τ की व्याख्या को दर्शाता है। श्रेणीबद्ध Bayesian मॉडल में, विषय स्तर τ एक समूह-स्तरीय सामान्य वितरण से नमूना है।

एक स्पष्ट शक्ति विश्लेषण इस प्रयोग के लिए नहीं किया गया था। क्योंकि भीतर विषयों डिजाइन Expriment 1 से एक के समान है, एक समान बिजली दरों में और attentional वजन में प्रभाव के लिए उम्मीद है। उम्मीद बड़े पार्श्व पारी τ पैरामीटर द्वारा कब्जा किया जा करने के लिए, बहुत बड़ा और अधिक स्थिर से दर और वजन प्रभाव आम तौर पर कर रहे हैं, ताकि कोई बिजली समस्या ई हो सकता हैयह पता लगाने के लिए या तो xpected।

डेटा 32 प्रतिभागियों (उन के बीच तीन लेखकों) प्रोटोकॉल चरण 4 प्रतिभागियों को दो अक्षरों के क्रम को रिपोर्ट करने के लिए किया था में वर्णित प्रक्रिया के अनुसार प्रयोगात्मक के लिए एकत्र किया गया था। एक परिधीय चार डॉट क्यू द्वारा परीक्षणों जांच प्रोत्साहन पहले किया गया था (110 मिसे) की छमाही में (चित्रा 5 ए देखें)। प्रोत्साहन सामग्री का एक विस्तृत विवरण Tünnermann, पीटरसन में पाया जा सकता है, और Scharlau के अध्ययन 7। SOAS के लिए और उनके आवृत्तियों चित्रा 5 ब में दिखाया जाता है। प्रत्येक प्रतिभागी को एक या दो सत्र में प्रदर्शन किया।

चित्रा 5

चित्रा 5: प्रयोग 3. (क) लक्ष्य, मनमाने ढंग से डीजांच और तटस्थ हालत (ऊपरी भाग) में संदर्भ के रूप में signated। ध्यान हालत (निचले भाग) में जांच के प्रोत्साहन के लिए एक चार डॉट क्यू से पहले किया गया था (110 मिसे)। (ग) तीन अनुकरणीय विषय-स्तर प्रतिक्रिया मायने रखता है (अंक) और पीछे भविष्य कहनेवाला वितरण (छायांकित क्षेत्र; तीव्रता सुक्ष्म SOAS में 100 नकली repetitions के संबंध में संभावना का प्रतिनिधित्व करता है)। ब्लू तटस्थ और हरे रंग का ध्यान हालत का प्रतिनिधित्व करता है। (घ) ग्रुप स्तर के पीछे भविष्य कहनेवाला घटता। समग्र दर सी और attentional वजन डब्ल्यू पी और डब्ल्यू आर के (ई) पीछे वितरण। (च) τ और शून्य से अपने अंतर के पीछे वितरण। वी पी और वी आर और अपने मतभेदों की (G) पोस्टीरियर वितरण। वें में से एक बड़ा संस्करण देखने के लिए यहां क्लिक करेंआंकड़ा है।

जैसा कि ऊपर वर्णित बढ़ाया मॉडल श्रेणीबद्ध Bayesian अनुमान प्रक्रिया में लागू किया गया था। वजह से (जो प्रतिभागियों के पहले सत्र में बहुत तेजी से साइकोमेट्रिक घटता उत्पादन के लिए, छोटे SOAS के दूसरे सत्र में इस्तेमाल किया गया। यह देखा जा सकता है, उदाहरण के लिए, सबसे बाएँ साजिश चित्रा 5C, जो छोटे SOAS में अतिरिक्त डेटा बिंदुओं में शामिल है।) और अधिक जटिल मॉडल, स्टेन सॉफ्टवेयर पैकेज से शक्तिशाली पागल पारखी इस विश्लेषण 22 में कार्यरत था।

अन्य प्रयोगों में, जांच प्रोत्साहन भी नियंत्रण हालत में संदर्भ प्रोत्साहन से एक अलग प्रसंस्करण दर हो सकता था। प्रयोग 1 में, यह था क्योंकि प्रतिभागियों परीक्षण शुरू होने के समय सापेक्ष में अपनी उम्मीद के मुताबिक बिंदु पर ध्यान आवंटित हो सकता था। प्रयोग 2 में, छवियों का उलटा करने की उम्मीद नहीं कर रहा था पूरी तरह से कार्रवाई अंतरिक्ष वस्तुओं के लाभ को हटा दें। इस पत्र के आधार पर cueing प्रयोग में, हालांकि, प्रतिभागियों को भी नहीं सिद्धांत रूप में जो जांच और जो संदर्भ प्रोत्साहन है की पहचान करने में सक्षम हो सकता है, क्योंकि एक ही यादृच्छिक पत्र का इस्तेमाल किया गया और परीक्षण के बीच समय और शुरुआत लक्ष्य समाप्त करने के लिए अनुमति नहीं दी लक्ष्य प्रकार। इसलिए, वास्तव में एक तटस्थ नियंत्रण हालत की उम्मीद है और डब्ल्यू पी तटस्थ हालत में 0 पर 0.5 और τ पर तय की।

चित्रा 5C और 5 डी में देखा जा सकता है, क्यू अन्य प्रयोगों की तुलना में साइकोमेट्रिक समारोह का एक बड़ा बदलाव के लिए होता है। इसके अलावा, चित्रा में पीछे भूखंडों 5F कि τ दिखाने के रूप में एक एमएस 53.27 cued लक्ष्य के लिए लाभ का अनुमान है। अंतर ( "तुलना" पंक्ति) पर 95% एचडीआई, सभी मतभेदों की तुलना में छोटे 47.56 (या 57.73 से बड़ा) शामिल नहीं है उन्हें प्रतिपादन अत्यधिक असंभव।

टी "> दिलचस्प है, वहाँ uncued लक्ष्य (चित्रा 5e) के पक्ष में attentional वजन में एक परिवर्तन। 0.42 पर पी अपनी विधा है w के पीछे वितरण है। 0.5 के तटस्थ weigth 95% मानव विकास सूचकांक में शामिल नहीं है। के लिए सी पैरामीटर, वहाँ ध्यान हालत। वी मानकों (चित्रा 5F) में व्यक्त के लिए 4.69 हर्ट्ज से वृद्धि हुई है, यह सबसे उल्लेखनीय है कि ध्यान की हालत में बढ़ संदर्भ प्रोत्साहन की दर वी आर।

पिछले दो प्रयोगों में यह पाया गया है कि ध्यान जोड़तोड़ जांच प्रोत्साहन की attentional वजन में वृद्धि हुई। वर्तमान प्रयोग में, हालांकि, पैटर्न लक्ष्य के साथ क्यू की एक हस्तक्षेप प्रतिबिंबित कर सकते हैं, जिससे एन्कोडिंग के लिए दौड़ में इसकी दर को कम करने। इसी समय, τ पैरामीटर के कारण तेजी से प्रसंस्करण से cued लक्ष्य लाभ। बाद के पहले cued लक्ष्य की देरी की कमी से जोड़ा जा सकता है याघातीय दौड़ के बाद। ध्यान दें, तथापि, τ के विषय में है कि, uncued प्रोत्साहन के साथ जुड़े एक देरी की मोहलत रिश्तेदार अंतर उतना ही अच्छा बताते हैं।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

इस लेख में प्रोटोकॉल का वर्णन कैसे सरल TOJs आचरण और मौलिक प्रोत्साहन एन्कोडिंग पर आधारित मॉडल के साथ डेटा फिट करने के लिए। तीन प्रयोगों का प्रदर्शन कैसे परिणाम बेहद अलग प्रोत्साहन सामग्री में ध्यान के प्रभाव का आकलन करने के लिए एक श्रेणीबद्ध Bayesian अनुमान ढांचे में मूल्यांकन किया जा सकता है। पॉप बाहर दिखाता में प्रमुखता से वृद्धि हुई attentional वजन करने के लिए नेतृत्व किया। इसके अलावा, बढ़ा वजन प्राकृतिक छवियों में कार्रवाई अंतरिक्ष वस्तुओं के लिए अनुमान लगाया गया था। हालांकि, बने फायदा जब स्थानिक संबंधों ऐसी छवियों उल्टा दिखा कर परेशान कर रहे थे के कारण, यह संभव है कि एक अन्य स्थानीय attentional लाभ वजन वृद्धि हो जाती है। एक परिधीय क्यू, के रूप में प्रयोग 3 में इस्तेमाल किया, attentional वजन पर एक नकारात्मक प्रभाव को दर्शाती है। हालांकि, यह τ पैरामीटर, जो मॉडल एन्कोडिंग प्रक्रियाओं के शुरू के दिनों के बीच एक देरी में एक बड़ा प्रभाव होता है।

प्रोटोकॉल का सबसे आम कदम इस प्रकारसामान्य में TOJs और धारणा प्रयोगों के संचालन में। ध्यान दें, तथापि, कि TVA के मामले में परिणामों की व्याख्या दृश्य अल्पकालिक स्मृति में उत्तेजनाओं एन्कोडिंग से बंधा है। शुद्ध शुरुआत पता लगाने के द्वारा Toj प्रदर्शन की संभावना जितना संभव हो उतना कम किया जाना चाहिए। इसलिए, के रूप में प्रोटोकॉल 1.2 चरण में उल्लेख किया है, यह महत्वपूर्ण है कि ब्याज की विशेषताओं या तो स्वत: इनकोड किया गया है या एन्कोडिंग (कुछ उत्तेजनाओं, जैसे, प्रमुखता पॉप बहिष्कार के लिए ग्रहण किया जा सकता है) के माध्यम से काम में मदद की जानी चाहिए (उदाहरण के लिए, रिपोर्टिंग प्रोत्साहन पहचान)।

यह संक्षेप कच्चे डेटा का निरीक्षण करने की सलाह दी जाती है ( "की जांच पहले" SOAs भर में गिना जाता है repetitions की संख्या से विभाजित) अंतिम विश्लेषण चलाने से पहले। इस डेटा के रूप में प्रतिनिधि परिणाम खंड के आंकड़ों में साइकोमेट्रिक कार्यों में दिखाया गया है एक एस के आकार का वक्र का पालन करना चाहिए। ध्यान दें कि binomially वितरित प्रतिक्रियाओं के कारण, डेटा बिंदुओं यादृच्छिकLy आदर्श पथ से विचलित। विचलन repetitions के एक कम संख्या के साथ वृद्धि हुई है। कुछ repetitions के साथ, विचलन अक्सर आदर्श एस आकार ढक अपेक्षाकृत बड़े हैं। हालांकि, अगर पैटर्न स्पष्ट रूप से सामान्य अवस्था से भटक जाता है, गणितीय मॉडल समायोजित करने की आवश्यकता हो सकती है। उदाहरण के लिए, जब बड़े पार्श्व पारियों (इस लेख का प्रयोग 3 के रूप में) मनाया जाता है, Alcalá-क्विंटाना और गार्सिया-पेरेस τ पैरामीटर शामिल किया जा सकता है। वक्र एक और शून्य अपने सिरों पर एकाग्र करने के लिए नहीं है, तो अतिरिक्त चूक 21 जोड़ा जा सकता है मापदंडों।

ऐसा लगता है जैसे Alcalá-क्विंटाना और गार्सिया-पेरेस 21 में सुझाव विभिन्न मॉडलों के बीच तय करने के लिए एक औपचारिक मॉडल तुलना प्रदर्शन करने के लिए संभव है। मॉडल परिचय में उल्लिखित एक से अलग प्रयोग, तथापि, को प्रभावित कर सकता है कि क्या परिणाम TVA के संदर्भ में व्याख्या की जा सकती है।

वहाँ परsults इस लेख में सूचना दी, हम उनके 95% HDIs के साथ-साथ अनुमान मतभेद की केंद्रीय प्रवृत्तियों कहा गया। हालांकि, Bayesian ढांचे में, यह संभव स्वीकार या अस्वीकार वहाँ दो अनुमानों के बीच कोई अंतर नहीं है कि करने के लिए है। इस उद्देश्य के लिए, एक रस्सी (व्यावहारिक प्रासंगिकता के क्षेत्र), 13 11 निर्दिष्ट किया जाना चाहिए। रस्सी शून्य के आसपास एक छोटे से सीमा इंगित करता है। इस सीमा के भीतर मान व्यावहारिक रूप से शून्य के बराबर माना जाता है। रस्सी मानव विकास सूचकांक के साथ ओवरलैप नहीं करता है, शून्य परिकल्पना को अस्वीकार कर दिया है। सार्थक रस्सी सीमा अनुसंधान प्रश्न या आवेदन पर निर्भर करते हैं। परंपरागत साधनों के साथ Toj विश्लेषण के विपरीत, TVA-आधारित दृष्टिकोण सार्थक रस्सी सीमा की स्थापना के मार्गदर्शन कर सकते हैं: अपने सार्थक इकाइयों, मापदंडों अन्य TVA मानदंड से अनुमान से संबंधित हो सकता है के कारण (जैसे, पूरी रिपोर्ट को देखने के संदर्भ 3) । इसके अलावा, प्रसंस्करण दरों एन्कोडिंग डु में परिवर्तित किया जा सकताराशन (के के प्रोत्साहन एक्स एन्कोडिंग अवधि ई एक्स उम्मीद मूल्य 1 / वी एक्स, संदर्भ देखें 7) रस्सी सीमा सूचित करने के लिए। उदाहरण के लिए, यदि शोधकर्ताओं ने एक ध्यान हेरफेर एक ड्राइविंग अनुकरण में एक भागीदार के लिए एक प्रतिक्रिया के समय में कमी के लिए योगदान देता है कि क्या में रुचि रखते हैं, वे इस प्रकार के रूप में कारण सकता है: (मोटर घटक सहित) प्रतिक्रिया समय कुछ सौ मिसे की रेंज में हैं, इसलिए , ध्यान हेरफेर समग्र प्रतिक्रिया केवल कुछ मिसे बदलता है, तो परिवर्तन व्यावहारिक रूप से शून्य हो जाएगा। इसलिए -2 -2 एमएस से एक रस्सी संदर्भ और जांच एन्कोडिंग अवधि के अंतर करने के लिए लागू किया जा सकता है (ई आरपी)। इस अंतर की रस्सी पूरी तरह से मानव विकास सूचकांक में शामिल हैं, तो परिणाम यह है कि वहाँ कोई फर्क नहीं स्वीकार किया जा सकता है। मानव विकास सूचकांक और रस्सी ओवरलैप नहीं है, तो शून्य परिकल्पना को अस्वीकार कर दिया जा सकता है। यदि न मामला है, इस तरह का कोई मतलब निर्णय लिया जा सकता है। Bayesian ईवा के विषय में आगे की जानकारीसामान्य में luation दृष्टिकोण उदाहरण के लिए, पाया जा सकता है, Kruschke की किताब 13 में।

अधिक सामान्य मुद्दों की ओर मुड़ते इस प्रोटोकॉल की सफलता के लिए, यह केवल दो उत्तेजनाओं कि लक्ष्य स्थान पर अस्थायी संकेतों को उत्पन्न देखते हैं कि महत्वपूर्ण है। उदाहरण के लिए, (3 प्रयोग के रूप में) एक परिधीय क्यू या मास्क बड़े पार्श्व पारियों कि वर्तमान TVA-आधारित मॉडल के हिसाब से नहीं किया जा सकता करने के लिए 7 सीसा। इस तरह की स्थितियों असामान्य नहीं हैं और वे एक पैरामीटर Alcalá-क्विंटाना और गार्सिया-पेरेस 21 से सुझाव को शामिल करने से मॉडलिंग कर रहे थे। इस विस्तारित मॉडल में, τ घटक स्पष्ट रूप से एक TVA तंत्र से जोड़ा नहीं जा सकता है। वहाँ τ और TVA के बीच एक अस्थायी कनेक्शन है, लेकिन वहाँ कुछ अनसुलझी समस्याएं हैं। दरअसल, TVA शुरू होता है एन्कोडिंग से पहले एक छोटी देरी हो जाती है। पैरामीटर टी 0, जो परिचय में चर्चा की गई, dur अधिकतम अप्रभावी जोखिम हैव्यावहारिक जो पहले कुछ भी नहीं सब पर इनकोडिंग है। अंतर टी 0r आयकर 0p τ रूप में समझा जा सकता है। हालांकि, टी 0 10 से 20 मिसे के आसपास है, आम तौर पर छोटा है। इसके अलावा, सिद्धांत नहीं मानता कि यह ध्यान से प्रभावित है। फिर भी, टी 0 कटौती पत्र मान्यता 7, 24 में मनाया गया है। एक इस संभावना को स्वीकार करता है, एक और प्रतिबद्धता बनाया जाना चाहिए। पैरामीटर τ 50 एमएस आसपास मापा गया था। तथ्य यह है कि टी cued प्रोत्साहन के 0p ज़्यादा से ज़्यादा 10 से 20 एमएस द्वारा कम किया जा सकता है क्योंकि यह पहली जगह में बड़ा नहीं है को देखते हुए, τ के सबसे अधिक 50 से 60 मिसे के लिए uncued की टी 0r बढ़ती से आया होगा। इस परिमाण क्या कभी कभी (10 मिसे के आसपास) मनाया जाता है परे एक रास्ता है। TVA को τ के अस्पष्ट संबंध का एक परिणाम के रूप में, कुछ महत्वपूर्ण सवालों के जवाब दिए नहीं किया जा सकता। उदाहरण के लिए, यह है कि क्या भाग लिया Stimu की देरी का फैसला नहीं किया जा सकताली कम कर रहे हैं या यदि पहुंच से बाहर उत्तेजनाओं के उन लोगों के लंबे समय तक कर रहे हैं (मनाया τ अंतर में जिसके परिणामस्वरूप)।

तकनीक उपर्युक्त सीमाओं तथ्य यह है कि केवल दो उत्तेजनाओं स्पष्ट TVA साथ मॉडलिंग कर रहे हैं से उत्पन्न होती हैं। इस पर सुधार करने के लिए, भविष्य के अनुसंधान के लिए दो से अधिक उत्तेजनाओं को TVA-आधारित मॉडल का विस्तार करना है। विशेष रूप से, स्पष्ट रूप से TVA साथ cued Toj में क्यू मॉडलिंग बाद में अनुसंधान 25 के एक महत्वपूर्ण उद्देश्य है।

प्रोटोकॉल के लाभ Toj कार्य जो लगभग मनमाना उत्तेजनाओं, TVA द्वारा पूरी तरह से सैद्धांतिक आधार, और Bayesian मूल्यांकन योजना का उपयोग कर सकते हैं की सादगी कर रहे हैं। TVA-आधारित मॉडल पारंपरिक मॉडल से मुक्त दृष्टिकोण से एक बड़ा कदम है। अतीत में, ज्यादातर सामान्य साइकोमेट्रिक कार्यों Toj डेटा को फिट किया गया है। उनके सारांश में परिवर्तन मापदंडों पीएसएस (व्यक्तिपरक समकालीनता के बिंदु) और डीएल (अंतर Limen; का एक उपायभेदभाव प्रदर्शन) attentional जोड़तोड़ से जोड़ा गया है। समय-समय पर इन मापदंडों पर-व्याख्या कर रहे हैं। उदाहरण के लिए, यह बार बार दावा किया है कि ध्यान में भाग लिया प्रोत्साहन के प्रसंस्करण accelerates, जबकि यह भी मामला है कि पहुंच के बाहर प्रोत्साहन धीमा है 7 हो सकता है। इस कमजोरी के अलावा, इन मानकों के बजाय अप्रत्यक्ष कर रहे हैं। वे कार्य में प्रदर्शन का वर्णन है और प्रक्रियाओं है कि यह उत्पादन को चिह्नित नहीं है। TOJs के मॉडल के आधार पर विश्लेषण TVA के आधार पर सार्थक मानकों को प्रदान करके इन कमियों पर सुधार।

Subscription Required. Please recommend JoVE to your librarian.

Materials

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

DOWNLOAD MATERIALS LIST

References

  1. Posner, M. I. Orienting of attention. Quarterly Journal of Experimental Psychology. 32, (1), 3-25 (1980).
  2. 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).
  3. Bundesen, C. A theory of visual attention. Psychological Review. 97, (4), 523-547 (1990).
  4. 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).
  5. Petersen, A., Kyllingsbæk, S., Bundesen, C. Measuring and modeling attentional dwell time. Psychonomic Bulletin & Review. 19, (6), 1029-1046 (2012).
  6. Vroomen, J., Keetels, M. Perception of intersensory synchrony: A tutorial review. Attention, Perception, & Psychophysics. 72, (4), 871-884 (2010).
  7. 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).
  8. 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).
  9. Bundesen, C., Habekost, T. Principles of Visual Attention: Linking Mind and Brain. Oxford University Press. Oxford, UK. (2008).
  10. 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).
  11. 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).
  12. 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).
  13. Kruschke, J. K. Doing Bayesian data analysis: A tutorial with R, JAGS, and Stan. 2nd, Academic Press. Boston, MA. (2015).
  14. 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).
  15. 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).
  16. Shore, D. I., Klein, R. M. The effects of scene inversion on change blindness. The Journal of General Psychology. 127, (1), 27-43 (2000).
  17. Scharlau, I., Neumann, O. Temporal parameters and time course of perceptual latency priming. Acta Psychologica. 113, (2), 185-203 (2003).
  18. Schneider, K. A., Bavelier, D. Components of visual prior entry. Cognitive Psychology. 47, (4), 333-366 (2003).
  19. Scharlau, I., Neumann, O. Perceptual latency priming by masked and unmasked stimuli: Evidence for an attentional interpretation. Psychological Research. 67, (3), 184-196 (2003).
  20. Shore, D. I., Spence, C., Klein, R. M. Visual prior entry. Psychological Science. 12, (3), 205-212 (2001).
  21. 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).
  22. 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).
  23. Lee, M. D., Wagenmakers, E. J. Bayesian cognitive modeling: A practical course. Cambridge University Press. Cambridge, UK. (2014).
  24. Vangkilde, S., Bundesen, C., Coull, J. T. Prompt but inefficient: Nicotine differentially modulates discrete components of attention. Psychopharmacology. 218, (4), 667-680 (2011).
  25. Tünnermann, J., Scharlau, I. Peripheral Visual Cues: Their Fate in Processing and Effects on Attention and Temporal-order. Front. Psychol. 7, (1442), (2016).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics