Author Produced

Mess Achtung und Visual Verarbeitungsgeschwindigkeit von Modellbasierte Analyse zeitlicher Ordnung Urteile

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

Dieses Protokoll beschreibt, wie zeitliche Ordnung Experimente durchzuführen visuelle Verarbeitungsgeschwindigkeit und die Aufmerksamkeits Ressourcenverteilung zu messen. Das vorgeschlagene Verfahren basiert auf einer neuen und synergistische Kombination aus drei Komponenten: die zeitliche Ordnung Urteile (TOJ) Paradigma, Bundesen Theorie der visuellen Aufmerksamkeit (TVA) und eine hierarchische Bayes-Schätzung Rahmen. Das Verfahren sieht leicht interpretierbare Parameter, die durch die theoretischen und neurophysiologischen Grundlagen der TVA unterstützt werden. Mit tojs kann TVA basierten Schätzungen für ein breites Spektrum von Stimuli erhalten werden, während traditionelle Paradigmen mit TVA verwendet werden, vor allem auf Buchstaben und Ziffern begrenzt. Schließlich erlauben es die sinnvolle Parameter des vorgeschlagenen Modells für die Einrichtung eines hierarchischen Bayes-Modell. Ein solches statistisches Modell ermöglicht Ergebnisse in eine kohärente Analyse sowohl über das Thema und Konzernebene zu beurteilen.

Zur Demonstration der Durchführbarkeit und vin synthetischen Pop-Out-Displays, natürliche Bilder und ein cued Brief-Bericht Paradigma ersatility dieses neuen Ansatzes werden drei Experimente mit Aufmerksamkeit Manipulationen berichtet.

Introduction

Wie Aufmerksamkeit in Raum und Zeit verteilt wird, ist einer der wichtigsten Faktoren bei der menschlichen visuellen Wahrnehmung. Objekte, die Aufmerksamkeit auf sich ziehen wegen ihrer Auffälligkeit oder Bedeutung sind in der Regel schneller verarbeitet und mit höherer Genauigkeit. In Verhaltensforschung sind solche Leistungsvorteile in einer Vielzahl von experimentellen Paradigmen unter Beweis gestellt. Zum Beispiel, die Aufmerksamkeit auf die Zielposition Zuteilung beschleunigt die Reaktion in Sonde Detektionsaufgaben 1 auf. In ähnlicher Weise wird die Genauigkeit der Berichterstattung Briefe Aufmerksamkeit 2 verbessert. Solche Erkenntnisse belegen, dass die Aufmerksamkeit verbessert die Verarbeitung, aber sie bleiben hoffnungslos stumm darüber, wie diese Erweiterung hergestellt wird.

Die vorliegende Arbeit zeigt, dass die Low-Level-Mechanismen hinter attentional Vorteile können durch die Messung der Verarbeitungsgeschwindigkeit der einzelnen Stimuli in einer modellbasierten Rahmen beurteilt werden, die die Messungen bezieht sich auf feinkörnigem components der Aufmerksamkeit. Bei einem solchen Modell wird die Gesamtverarbeitungskapazität und seine Verteilung auf die Reize aus Verarbeitungsgeschwindigkeitsmessungen abgeleitet werden.

Bundesen Theorie der visuellen Aufmerksamkeit (TVA) 3 stellt ein geeignetes Modell für dieses Unterfangen. Es wird in der Regel auf die Daten aus dem Brief Bericht Aufgaben angewendet. Im Folgenden werden die Grundlagen der TVA erklärt und es wird gezeigt, wie sie zeitliche Ordnung Urteil (TOJ) erhaltenen Daten mit (fast) beliebige Stimuli zu modellieren erweitert werden. Dieses neuartige Verfahren liefert Schätzungen der Verarbeitungsgeschwindigkeit und der Ressourcenverteilung, die leicht interpretiert werden können. Das Protokoll in diesem Artikel erläutert, wie solche Experimente und Details zu planen und durchzuführen, wie die Daten analysiert werden können.

Wie oben erwähnt, ist die übliche Paradigma in TVA-basierte Modellierung und Abschätzung der Aufmerksamkeit Parameter der Brief Bericht Aufgabe. Die Teilnehmer berichten über die Identität einer Reihe von Briefen, diekurz geflasht ist und in der Regel nach einer veränderlichen Verzögerung maskiert. Unter anderen Parametern, die Rate, mit der Bildelemente in visuelle Kurzzeitgedächtnis codiert werden kann abgeschätzt werden. Das Verfahren wurde auf die Fragen in der Grundlagenforschung und klinische Forschung erfolgreich eingesetzt. Zum Beispiel Bublak und Kollegen 4 bewertet , welche sind attentional Parameter beeinflusst in verschiedenen Stadien der altersbedingten kognitiven Defiziten. In grundlegenden Aufmerksamkeitsforschung, Petersen, Kyllingsbæk und Bundesen 5 verwendet TVA die attentional Verweilzeit Wirkung zu modellieren, die Schwierigkeit der Beobachter in der zweiten von zwei Ziele in bestimmten Zeitintervallen wahrzunehmen. Ein wesentlicher Nachteil des Schreibens Bericht Paradigma ist, dass es ausreichend lernter und maskable Reize erfordert. Diese Anforderung begrenzt die Methode, um Buchstaben und Ziffern. Andere Reize würden schwere Ausbildung der Teilnehmer erfordern.

Das TOJ Paradigma erfordert weder spezifische stimuli noch Maskierung. Es kann mit jeder Art von Stimuli verwendet werden, für die die Reihenfolge des Erscheinens beurteilt werden kann. Dies erweitert den Reiz Bereich so ziemlich alles, was von Interesse sein könnten, einschließlich direkte Cross-modale Vergleiche 6.

Die Untersuchung Aufmerksamkeit mit tojs wird auf das Phänomen der Aufmerksamkeits vor Eintritt basiert, die ein Maß dafür, wie viel früher ein besucht Stimulus im Vergleich wahrgenommen wird einem eine unbeaufsichtigt. Unglücklicherweise unterscheiden die übliche Methode zur Analyse von TOJ Daten, Montage Beobachter Leistung psychometrischer Funktionen (wie zB kumulative Gauß- oder logistischen Funktionen) können nicht , ob die Aufmerksamkeit der Verarbeitungsrate der besuchten Reiz erhöht , oder wenn es um die Rate des unbeaufsichtigten Stimulus 7 abnimmt. Diese Zweideutigkeit ist ein großes Problem, da die Frage, ob die Wahrnehmung eines Reizes wirklich verbessert wird, oder wenn es zugute kommt, weil der Entzug von Ressourcen aus einem konkurrierenden stimul uns ist eine Frage der grundsätzlichen und praktischen Relevanz. Zum Beispiel für die Gestaltung der Mensch-Maschine-Schnittstellen ist es höchst relevant zu wissen, ob der Bedeutung eines Elements Erhöhung auf Kosten eines anderen funktioniert.

Die TOJ Aufgabe geht in der Regel wie folgt: Eine Fixationsmarke wird für eine kurze Verzögerung dargestellt, in der Regel ein zufällig Intervall kürzer als eine Sekunde gezogen. Dann wird das erste Ziel vorgestellt, gefolgt nach einer variablen Reizbeginn Asynchronität (SOA) von dem zweiten Target. Bei negativen SOAs, die Sonde, die besucht Stimulus, wird zuerst angezeigt. Bei positiven SOAs, die Referenz, die unbeaufsichtigte Reiz führt. Bei einer SOA von Null werden beide Ziele gleichzeitig gezeigt.

Typischerweise bezieht sich das Ziel stellt auf den Reiz zu wechseln. Unter bestimmten Bedingungen sind jedoch auch andere zeitliche Ereignisse, wie beispielsweise ein Flackern eines bereits vorliegenden Ziel oder Offsets 8 verwendet.

_content "> In tojs werden Antworten in einer unspeeded Weise gesammelt, in der Regel von den zugewiesenen Schlüssel zu den Reiz Identitäten und Präsentations Aufträge (zB wenn Reize sind Quadrate und Diamanten, zeigt ein Schlüssel" Quadrat erste "und ein anderer" Diamant erste ") . Wichtig ist, dass für die Beurteilung müssen diese Urteile "erste Sonde" umgewandelt werden (oder "Referenz zuerst") Urteile.

In der vorliegenden Arbeit wird eine Kombination aus dem Verarbeitungsmodell von TVA und der TOJ experimentelle Paradigma wird verwendet, um die Probleme in jedem einzelnen Domäne zu beseitigen. Mit diesem Verfahren kann leicht interpretierbare Geschwindigkeitsparameter für nahezu beliebige visuelle Reize geschätzt werden, so dass zu folgern, wie die Aufmerksamkeit des Betrachters zu konkurrierenden visuellen Elementen zugeordnet ist.

Das Modell basiert auf TVA-Gleichungen für die Verarbeitung von Einzelreizen, die im Folgenden kurz erläutert werden. Die Wahrscheinlichkeit, dass ein stimuluns in visuelle Kurzzeitgedächtnis codiert, bevor die andere als die Wahrscheinlichkeit des Beurteilens dieses Reizes als erscheinende erste interpretiert wird. Die einzelnen Codierung Dauern exponentiell 9 verteilt:

Gleichung 1 (1)

Die maximale ineffektiv Expositionsdauer t 0 eine Schwelle vor dem gar nichts codiert ist. Nach TVA, die Geschwindigkeit v x, i , an dem Objekt x als Mitglied einer Wahrnehmungskategorie i (wie Farbe oder Form) kodiert wird , wird durch die Rate Gleichung gegeben,

Gleichung 2 . (2)

Die Stärke der sensorischen Hinweise darauf , dass x gehört zur Kategorie i in η x ausgedrückt wird, i und ß i ist eine Entscheidung Bias für i Stimuli als Mitglieder der Kategorie kategorisieren. Dies wird durch einen multipliziertenttentional Gewichte. Einzel attentional Gewichte w x werden durch die attentional Gewichte aller Objekte im Gesichtsfeld unterteilt. Daher wird die relative attentional Gewicht berechnet als

Gleichung 3 (3)

wobei R alle Kategorien und η x darstellt, i die sensorische Hinweise darauf , dass das Objekt x zur Kategorie j gehört. Der Wert π j Stichhaltigkeit der Kategorie j genannt und spiegelt eine Tendenz zu Kategorisierungen in j machen. Die Gesamtverarbeitungskapazität C ist die Summe aller Verarbeitungsraten für alle Reize und Kategorisierungen. Für eine detailliertere Beschreibung der TVA, siehe Bundesen und Habekost Buch 9.

In unserem neuen Verfahren, Gleichung 1, die die Kodierung der Einzelreize beschreibt, wird in ein Modell der tojs umgewandelt. Unter der Annahme, dass Selektionsverzerrungen und Berichtskategorien sind constant innerhalb einer experimentellen Aufgabe, die Verarbeitungsgeschwindigkeiten v p und v r der beiden Zielreize Sonde (p) und Referenz (r) hängen von C und den attentional Gewichte in der Form v p = C · w p und v r = C · w r, respectively. Das neue TOJ Modell drückt die Erfolgswahrscheinlichkeit P p 1 , dass ein Teilnehmer beurteilt die Sonde Stimulus als Funktion des SOA und die Verarbeitungsgeschwindigkeiten erste sein. Es kann wie folgt formalisiert werden:

Gleichung 4 (4)

Eine detailliertere Beschreibung, wie diese Gleichung aus den Grund TVA Gleichungen abgeleitet wird , wird durch Tünnermann, Petersen, und Scharlau 7 beschrieben.

Aus Gründen der Einfachheit, 0 der Parameter t in dem Modell in Gleichung 1. Nach dem ursprünglichen TVA weggelassen wird, t 0 sollten für bo identisch seinth Ziele in der TOJ Aufgabe, und daher ist es aufhebt. Jedoch kann diese Annahme manchmal (siehe Abschnitt Diskussion) verletzt werden.

Zur Montage dieser Gleichung zu TOJ Daten eine hierarchische Bayes - Schätzschema 11 vorgeschlagen. Dieser Ansatz ermöglicht es diese Parameter die attentional Gewichte w p und w r der Sonde und Referenz Stimuli und die Gesamtverarbeitungsrate C. abzuschätzen, die sich ergebende Aufnahmeraten v p und v r und Aufmerksamkeit induzierte Unterschiede zwischen ihnen, kann beurteilt werden , zu den Themen und Gruppenebene zusammen mit geschätzten Unsicherheiten. Das hierarchische Modell ist in Abbildung 1 dargestellt Während der Planungsphase für ein Experiment, bequeme Bayes-Power-Analyse durchgeführt werden.

Das folgende Protokoll beschreibt, wie die Planung, Ausführung und TOJ Experimente, aus denen die Verarbeitungsgeschwindigkeit Parameter und Aufmerksamkeits Gewichte für visuelle Reize zu analysierenerhalten werden. Das Protokoll geht davon aus, dass der Forscher interessiert, wie eine Aufmerksamkeitsorientierung beeinflusst die Verarbeitungsgeschwindigkeiten einiger Ziele von Interesse.

Abbildung 1

Abbildung 1: Grafische Modell in der Bayes - Schätzverfahren verwendet. Kreise zeigen geschätzte Verteilungen; Doppel Kreise zeigen determinis Knoten. Quadrate zeigen Daten. Die Beziehungen werden auf der rechten Seite der Figur angegeben. Die Knoten außerhalb der abgerundeten Rahmen ( "Platten") stellen den Mittelwert und Streuung Schätzungen der TVA-Parameter (siehe Einleitung) auf Konzernebene. In der "j Themen" Platte kann man sehen, wie Aufmerksamkeits Gewichte (w) mit den Gesamtverarbeitungsraten (C) von Reizverarbeitungsraten (v) auf der Subjektebene kombiniert werden werden. Plate "i SOAs &# 8221; zeigt , wie diese Parameter TVA dann transformiert werden (über die Funktion P p 1. in der Einleitung beschrieben) in die Erfolgswahrscheinlichkeit (θ) für die binomialverteilte Antworten bei jeder SOA. Daher beschreiben die θ zusammen mit den Wiederholungen des SOA (n) die Datenpunkte (y). Für weitere Einzelheiten über Notation und Interpretation von graphischen Modellen, siehe Lee und Wagenmakers 23. Man beachte, dass aus Gründen der Klarheit sind die Knoten, die Unterschiede der Parameter darstellen weggelassen. Diese deterministischen Parameter werden stattdessen in den Figuren der experimentellen Ergebnisse angegeben. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

HINWEIS: Einige Schritte in diesem Protokoll erreicht werden kann (zusammen mit Installationsanweisungen), die kundenspezifische Software auf http://groups.upb.de/viat/TVATOJ. Im Protokoll wird bezeichnet diese Sammlung von Programmen und Skripten als "TVATOJ".

1. Auswahl von Stimulusmaterial

  1. Wählen Sie Stimuli gemäß der Fragestellung .
    HINWEIS: In der Regel werden zwei Ziele werden an verschiedenen Stellen auf dem Bildschirm angezeigt. Reize, die mit dem vorliegenden Verfahren verwendet wurden, umfassen zum Beispiel Formen, Zahlen, Buchstaben, Singletons in Pop-Out-Displays und Objekte in natürlichen Bildern. Die letzteren drei Typen wurden in diesem Protokoll verwendet.
    HINWEIS: Mehrere verschiedene Reizarten werden im TOJ - Plugin ( "psylab_toj_stimulus" versehen mit TVATOJ) für das Experiment Builder enthalten OpenSesame 12.
  2. Wenn neue Stimulus-Typen erstellen, stellen Sie sicher, dass die Eigenschaften von interest haben für die Beurteilung codiert werden , indem sie wichtig für die Aufgabe oder wählen Stimuli zu machen , wo die Eigenschaften von Interesse automatisch verschlüsselt werden (zB Singletons in Pop-Out - Displays).

2. Leistungsschätzung und Planung

  1. Führen Sie eine Bayes - Power - Analyse von Datensätzen mit dem ausgewählten Modell simuliert, geplante Design (SOA Verteilung und Wiederholungen), Stichprobengrößen und hypothetisch angenommenen Parameter. Abschätzen , ob es wahrscheinlich ist , das Forschungsziel zu erreichen (zum Beispiel eine gewisse Differenz in den Parametern). Wenn die Leistung nicht ausreicht, verändern das Design durch das Hinzufügen oder Verschieben von SOAs oder Wiederholungen und die Analyse wiederholen.
    1. So verwenden Sie die mitgelieferte Software TVATOJ, öffnen und bearbeiten Sie das Skript "exp1-power.R". Folgen Sie den Kommentaren in der Datei, um sie für die spezifische Analyse anzupassen. Allgemeine Informationen über die Bayes - Leistungsschätzung beziehen sich auf Kruschke 13.
<p class = "jove_title"> 3. Spezifikation oder Programmierung des Experiments

  1. Verwenden Sie ein Experiment Builder oder psycho - physischen Präsentation Bibliothek , um das Experiment zu implementieren.
    1. Um das OpenSesame TOJ Plugin in TVATOJ bereitgestellt verwenden, ziehen Sie den "psylab_toj_stimulus" Plug-in in einer Studie Präsentation Schleife. Alternativ öffnen Sie die "simple-toj.osexp" Beispiel Experiment in OpenSesame.
    2. Wählen Sie den gewünschten Stimulustyp aus dem Dropdown-Menü "Stimulus-Typ" in der psylab_toj_stimulus Konfiguration. Folgen Sie den Anweisungen in TVATOJ für das Hinzufügen neuer Stimulus Typen, falls erforderlich.
  2. Geben Sie die Prüfungen , wie in den folgenden Schritten beschrieben.
    1. Für jede experimentelle Bedingung, erstellen Studien mit dem geplanten SOAs. Wenn das psylab_toj_stimulus Plugin und OpenSesame verwenden, fügen Sie alle vielfältigen Faktoren als Variablen in die Probeschleife (zB "SOA").
    2. Fügen Sie Zeilen in der Tabelle zu erkennen,alle Faktorkombinationen (zB sieben SOAs, von -100 bis 100 ms, gekreuzt mit den experimentellen Bedingungen "Aufmerksamkeit" und "neutral"). Passen Sie die Schleife des "Repeat" Attribut, um eine ausreichende Wiederholungen erzeugen (siehe Protokoll Schritt 2 zur Bestimmung der Verteilung und Wiederholung von SOAs).
      HINWEIS: In der Regel höchstens 800 Versuche innerhalb einer Stunde vorgestellt. Wenn mehr Wiederholungen benötigt werden, sollten Sie das Experiment in mehrere Sitzungen aufgeteilt wird. Stellen Sie sicher, dass die "Order" Attribut der Schleife "Random" eingestellt ist, bevor das Experiment ausgeführt wird.
    3. Im psylab_toj_stimulus Plugin - Konfiguration, fügen Sie Platzhalter (zB "[SOA]") für die vielfältigen Faktoren in den jeweiligen Bereichen. Geben Sie konstante Werte in den Bereichen von Faktoren, die nicht verändert werden.
      HINWEIS: Vor dem Experiment ausgeführt wird, stellen Sie sicher, dass ein genaues Timing gewährleistet ist. Wenn entsprechende Zeitverhalten von neueren Monitore nicht überprüft wurde, VerwendungCRT - Monitore und Synchronisierung mit dem Vertikal - Rücklaufsignal 12.

4. Versuchsdurchführung

  1. Begrüßung und Einweisung der Teilnehmer
    1. Begrüßen Sie die Teilnehmer und informieren sie über die allgemeine Form des Experiments (computergestützte Wahrnehmung Experiment). Informieren Sie die Teilnehmer über die voraussichtliche Dauer des Experiments. Besorgen Sie sich die informierte Einwilligung der Teilnehmer an dem Experiment teilzunehmen.
    2. Stellen Sie sicher, dass die Teilnehmer zeigen, normal oder korrigiert zu normalen Vision (optimal durch kurze Sehtests Dirigieren). Einige Defizite, wie Farbenblindheit, kann tolerierbar sein, wenn sie nicht mit der Fragestellung für die jeweilige Art von Reizmaterial stören.
    3. Geben Sie einen ruhigen Stand, an dem das Experiment durchgeführt wird. Stellen Sie den Stuhl, Kinnstütze, Tastaturposition, und so weiter, eine optimale Anzeige und Reaktionsbedingungen für die Experime, um sicherzustellen,nt.
    4. Machen Sie sich die Teilnehmer bewusst, dass das Experiment Aufmerksamkeit und geistige Konzentration erfordert und ermüdend sein kann. Bitten Sie sie, kurze Pausen zu machen, wenn erforderlich. Es ist jedoch ebenso wichtig, nicht diese einfachen Aufgaben unter starken Aufmerksamkeits Belastung durchzuführen. Sagen Sie den Teilnehmern, dass es okay ist, einige Fehler zu machen.
  2. Anleitung und Warm-up
    1. Anwesend Anweisungen auf dem Bildschirm für die Aufgabe, Detaillierung der Präsentationssequenz und Antwortsammelverfahren. Informieren Sie die Teilnehmer, dass die Aufgabe, in welcher Reihenfolge zu berichten, ist die Ziele angekommen, und dass dies in einigen Studien schwierig sein. Bitten Sie die Teilnehmer ihren ersten Eindruck zu melden, wenn sie den Auftrag nicht mit Sicherheit sagen kann, und lassen Sie sie erraten, wenn sie überhaupt keinen solchen Eindruck haben.
      HINWEIS: In den binären tojs hier verwendet wird, gibt es keine Option, um die Wahrnehmung der Gleichzeitigkeit anzuzeigen. Um zu vermeiden, übermäßige Erraten, Sie weisen darauf hin, nicht die Anwesenheit von Studien mit Simultaneously Ziele explizit dargestellt. Lassen Sie diese einfach schwierig Studien mit den Anweisungen der oben umrissenen.
    2. Um die Augenbewegungen während der Versuche zu vermeiden, bitten die Teilnehmer, eine Marke zu fixieren, die in der Mitte des Bildschirms angezeigt wird. Bitten Sie sie, den Kopf auf einer Kinnstütze ruhen.
    3. Bitten Sie die Teilnehmer kurze Pausen, wenn nötig zu nehmen. Lassen Sie sie wissen , wann Pausen sind erlaubt und wenn sie müssen vermieden werden (zB während der Ziel Präsentation und vor der Reaktion).
    4. Fügen Sie eine kurze Ausbildung in dem die Teilnehmer können an die Aufgabe zu gewöhnen. Zu diesem Zweck stellen eine zufällige Teilmenge der experimentellen Studien (Protokollschritt 3.2).
      Hinweis: Da die Aufgabe selbst ist recht einfach, zehn bis zwanzig Versuche sind in der Regel ausreichend. Es kann von Vorteil sein, das Vertrauen der Teilnehmer in ihrer Leistung bei dieser Aufgabe zu erhöhen. Dies kann durch die Verlangsamung der Präsentation und Feedback durchgeführt werden.
    5. Erhalten der Teilnehmer confirmatiauf, dass sie die Aufgabe verstanden haben (lassen Sie sie es erklären), und dass sie keine weiteren Fragen haben.
  3. Das Ausführen des Hauptexperiment
    1. Lassen Sie die experimentelle Software-Start mit der Präsentation der wichtigsten Studien. Lassen Sie den Stand für das Hauptexperiment.

5. Modellbasierte Analyse der TOJ Daten

  1. Konvertieren Sie die Rohdatendateien in Zählungen von "Sonde erste" Urteile für jedes SOA. So führen Sie das Skript "os2toj.py" versehen mit TVATOJ.
  2. Führen Sie die Bayes - Schätzverfahren die wichtigsten Parameter w p und C, die abgeleitete diejenigen v p und v r und die Unterschiede der Parameter zu schätzen. Zu diesem Zweck führen Sie das Skript "run-evaluation.R" nach der Bearbeitung gemäß den Anweisungen in der Datei zur Verfügung gestellt.
  3. Wenn die Abtastung beendet ist, können die Unterschiede von Interesse für die Forschungsfragen zu beurteilen. examples kann im folgenden Abschnitt zu finden.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Im Folgenden wird mit dem vorgeschlagenen Verfahren erhaltenen Ergebnisse berichtet. Drei Experimente gemessen, um den Einfluß verschiedener attentional Manipulationen mit drei sehr verschiedenen Arten von Reizmaterial. Die Reize sind einfache Liniensegmente in Pop-Out-Muster, Aktionsraum Objekte in natürlichen Bildern und cued Brief Ziele.

Versuch 1: Salience in Pop-Out-Displays
Experiment 1 bei Messung des Einflusses der visuellen Auffälligkeit von der Verarbeitungsgeschwindigkeit von Liniensegmenten in einem synthetischen Muster ausgerichtet. Themen, die von zwei Zielliniensegmente (links oder rechts) in einem Hintergrundmuster der orientierten Liniensegmente beurteilt erste flackerte. In der Hälfte der Studien war die Sonde ein Farb - Pop-out (siehe Abbildung 2a). Weitere Hintergrundinformationen über TOJ-basierte Bewertung von Pop-Out kann in einer Studie von Krüger und Kollegen 8, wo lokale orienta gefunden werdention salience anstelle von Farbe manipuliert. Die Verteilung und die Frequenz des SOAs sind in 2b gezeigt.

A Bayesian Leistungsanalyse wurde durchgeführt, wie im Protokoll Schritt 2. Für typische Gruppe Gesamtraten C (M = 70 Hz, SD = 20) und einem hypothetischen Vorteil von etwa 7 Hz für den ausgeprägten Ziel in der Aufmerksamkeit Zustand beschrieben (resultierend aus einer attentional Gewicht von M = 0,55, SD = 0,02) wurden 200 Simulationen durchgeführt. Die Erfolgsrate den Vorteil, zum Nachweis wurde für die untere Grenze des 95% HDI (höchste Dichte Intervall) berechnet über 4 Hz sein und zusätzliche Anforderungen erfüllen, um den Unterschied zu der Kontrollbedingung in Bezug auf (siehe TVATOJ Beispiel "Power-exp1.R" für Alle Details). Die Erfolgsquote dieses Ziel unter den hypothetischen Bedingungen mit 25 Teilnehmern für das Erreichen erwies sich als 0,88 mitein 95 HDI% 0,82-0,92 reichen.

Für die eigentliche Experiment wurden 30 Teilnehmer rekrutiert. Ein Teilnehmer wurde von der Analyse ausgeschlossen, weil er nicht den Anweisungen folgen, sondern drückte immer den gleichen Schlüssel.

Figur 2

Abbildung 2: Experiment 1 (a) Ziele (markiert mit Kreisen für Illustration) in der neutralen (oberer Teil) und Aufmerksamkeit (Unterrang ) Zustand. (B) SOA - Distributionen. (C) Drei exemplarische Gegen Ebene Ansprechteilchenzählungen (Punkte) und posterioren prädiktive Kurven (schraffierte Fläche, Intensität repräsentiert Wahrscheinlichkeit in Bezug auf 100 simuliert Wiederholungen bei feinkörnigem SOAs). Blau bedeutet, Kontrolle und grün Aufmerksamkeit Zustand. ( (E) posteriori - Verteilungen der Gesamtrate C und attentional Gewichte w p und w r. (F) posteriori - Verteilungen von v p und v p und ihre Unterschiede. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Die Daten wurden mit dem TOJ Modell von TVA abgeleitet ausgestattet mit einem hierarchischen Bayes - Verfahren implementiert in JAGS 10 (wie in der Einleitung beschrieben). 2c zeigt drei beispielhafte fach Ebene Plots der Rohdaten und posterior prädiktive ermittelten Schätzungen von Subjekt-Ebene Proben des angepassten Modells. Konzernebene hinteren prädiktive Kurven sind in Abbildung 2d und Parameterschätzungen in Figur 2e gezeigt und p und w r (Abbildung 2e) oder den einzelnen Frequenzparameter v p und v r (Abbildung 2f) beurteilt werden kann. Wenn die Gesamtverarbeitungskapazität C durch die Manipulation geändert wurde, können diese Parameter zeigen, ob und wie die einzelnen Reizverarbeitungsraten haben sich geändert.

Die vorgeschlagene hierarchische Bayes-Schätzverfahren bietet eine Fülle von Ergebnissen. Zum Beispiel können alle Parameter für jeden Teilnehmer auf der Subjektebene bewertet werden. Typischerweise besteht ein Interesse in Tendenzen in der Bevölkerung. Daher werden die Ergebnisse auf Konzernebene diskutiert. Die Histogramme zeigen Verteilungen über den Parameterraum. Die Modi der Verteilungen sind angegeben die Parameter 'zentrale Tendenzen anzuzeigen. Die 95% HDIs markieren die Bereiche, in denendie wahren Werte mit einer Wahrscheinlichkeit von 95% liegen , je nach Modell und Daten (für weitere Details, wie die Bayes - Statistik zu interpretieren, beziehen sich auf Kruschke 11, 13).

2e zeigt Schätzungen der Mittel über Themen für das Gewicht und die Gesamtrate Parameter. Ein attentional Nutzen für den ausgeprägten Reiz in der Aufmerksamkeit Zustand zu sehen. Die zentrale Tendenz der Parameter w p beträgt 0,59, und seine 95% HDI reicht von 0,55 bis 0,63. Daher verlagerte salience das Aufmerksamkeits Gewicht von dem neutralen Wert von 0,5 entfernt. In der Kontrollbedingung, in der keine der Ziele war ausgeprägten, eine neutrale Gewicht von w p = 0,5 erhalten wurde (95% HDI: 0,48 bis 0,51). Die entsprechende Zeile "Vergleich" zeigt , dass der Unterschied zwischen den w p Gewichte über Bedingungen beträgt 0,09, und die 95% HDI dieser Differenz klingeltees von -0,11 bis 0,07. Daher gibt es eine zuverlässige Unterschied zwischen den beiden Gewichten für den vorspringenden Stimulus.

Allerdings bedeutet dies, dass die markante Ziel schneller verarbeitet wurde? Der Unterschied in der Gewichte zusammen mit dem gemeinsamen C Gesamtrate in der Aufmerksamkeit Zustand anzuzeigen, dass es schneller verarbeitet als der nicht ausgeprägten Ziel in diesem Zustand. Allerdings ist eine wichtige Frage ist, ob es auch schneller verarbeitet als die Ziele der Kontrollbedingung. Nimmt man die Schätzungen der Verarbeitungsraten zu berücksichtigen, muss die Antwort nein sein. Die C Schätzung in Figur 2e gezeigt ist niedriger in der Aufmerksamkeit Zustand durch eine Differenz von fast 17 Hz. In den entsprechenden "Vergleich" plot, 0, kein Unterschied, nur am Rande des 95% HDI; daher ist es höchst unwahrscheinlich. Betrachtet man die einzelnen Raten der Sonde (v p) und Referenz (v r) Stimulus sowohl in der Bedingungs (Figur 2f), ist klar , daß der Vorteil der ausgeprägten Stimulus resultiert aus einer 16 Hz Verringerung der Verarbeitungsgeschwindigkeit des nicht ausgeprägten Stimulus in der Aufmerksamkeit Zustand. Eine mögliche Interpretation dieser Ergebnisse ist, dass das markante Ziel zu einer Unterdrückung des nicht ausgeprägten Ziel in der Aufmerksamkeit Zustand führt und dadurch Vorteile in Bezug.

Beachten Sie, dass in diesem Experiment, obwohl die Erscheinungen der Sonde und Referenz in der neutralen Zustand identisch waren, die Verzögerung zwischen Versuchsbeginn und Probe-Ereignis war konstant. Deshalb haben die Teilnehmer die Aufmerksamkeit auf diesen Punkt könnte in der Zeit gerichtet, so entfernt das Aufmerksamkeits Gewichtsverlagerung von der neutralen Wert 0,5. Folglich muss die tatsächliche attentional Gewicht des Sonden Stimulus in der Kontrollbedingung geschätzt und bei 0,5 fixiert werden. den Parameter Befestigung ist möglich, wenn der Teilnehmer nicht einmal grundsätzlich sagen kann, das ist die Sonde und die der Referenz Stimulus, wie in der Kontrollbedingung in Experiment 3.

Versuch 2: Aktionsraum Vorteile in natürlichen Bildern
Das zweite Experiment attentional Vorteile für Objekte im Aktionsraum in natürlichen Bildern gemessen. Blindheit Studien aus Veränderung bekannt ist , dass Mitte-of-Interest - Objekte profitieren 14 in natürliche Bilder-Sinn angetrieben Orientieren. Dieser Effekt ist nicht vorhanden, wenn Bilder von upside-down Präsentation verdeckt sind. In nicht veröffentlichten Änderung Blindheit Experimenten wir einen Aktionsraumvorteil mit einem Satz von Bildern mit Änderungen in Aktion-Raum und Hintergrundobjekte gefunden (es gibt eine veröffentlichte Replikation mit ähnlichen Stimulusmaterial in Bezug 15). Wir vermuten, dass diese Aktionsraumobjekte, die dem Betrachter nahe sind und möglicherweise fassbar, einen ähnlichen Vorteil in ihren Verarbeitungsraten aufweisen.

"Fo: keep-together.within-page =" 1 "> So die vorgeschlagene TOJ-basierte Verfahren mit natürlichen Bildern getestet Aktionsraum (Sonde) und weiter entfernt (Referenz) Objekte, die abrupt in natürlichen Bildern erschienen, gebildet. die Ziele für das TOJ Verfahren. in einem Zwischensubjektkontrollbedingung, upside-down - Versionen der gleichen Bilder verwendet wurden. Diese sind bekannt haben , reduziert Kontexteffekte in Änderungserkennung Experimente 15, 16. der SOA (3a sehen) zwischen nach der Verteilung wurde die Onsets in 3a gezeigt variiert.

Eine Leistungsschätzung wurde durchgeführt, genau wie für Experiment 1, mit der Ausnahme, dass zwischen individuelle Vergleiche zwischen experimentellen und Kontrollbedingung durchgeführt wurden. (95% HDI: 0,88 bis 0,96) Die Erfolgsquote für die Erreichung des Ziels mit 0,92 geschätzt wurde mit 35 simulierten Teilnehmer pro Bedingung (Details kann found in der TVATOJ Beispiel "Power-exp2.R").

Es gab 39 Probanden in der Aufmerksamkeit Zustand und 38 in der Kontrollbedingung des eigentlichen Experiments. (Einige Probanden in beiden Bedingungen teilgenommen. Unseres Wissens ist dies nicht die Bayesian statistische Analyse nicht beeinträchtigt. Die Behandlung der gemischten Daten als Zwischensubjekt die Leistung reduziert im Vergleich zu den intraindividuelle Unterschiede berücksichtigen.) Wieder ein Teilnehmer (die gleiche Person in beiden Bedingungen) wurde aus der Analyse jeder Bedingung entfernt, wegen absichtlich zufällige Antworten während des gesamten Experiments gegeben zu haben.

Figur 3

Abbildung 3: Experiment 2 (a) Aktionsraum (markiert mit weißen arrows) und Hintergrund (schwarzer Pfeil) richtet sich in der neutralen (links) und Aufmerksamkeit (rechts) Zustand. (B) SOA - Verteilung. (C) Zwei beispielhafte fach Ebene Plots aus der neutralen (blau) Zustand und zwei Parzellen von der Aufmerksamkeit Zustand (grün) mit Ansprechteilchenzählungen (Punkte) und posterioren prädiktive Kurven schraffierte Fläche; Intensität repräsentiert Wahrscheinlichkeit in Bezug auf 100 simuliert Wiederholungen bei feinkörnigem SOAs). (D) posteriori - Verteilungen der Gesamtrate C und attentional Gewichte w p und w r. (E) auf Konzernebene hinteren prädiktive Kurven. (F) posteriori - Verteilungen von v p und v r und ihre Unterschiede. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Diese Daten wurden in der gleichen Mann ausgestatteter wie in dem ersten Experiment. Der einzige Unterschied war, dass wegen der Zwischensubjekt Design, Parameter Unterschiede zwischen den beiden Bedingungen konnten nicht während der Probenahme auf der Subjektebene berechnet werden. Dadurch verringert sich die Leistung im Vergleich zu intraindividuelle Unterschiede.

Die exemplarische Gegenstand und die Gruppe-Ebene hinteren prädiktiven Verteilungen in Abbildung 3c Verteilungen , die kaum verschoben werden gegeneinander. Die beiden Bedingungen überlappen fast perfekt in die Gruppe-Ebene hinteren prädiktive Plot (Abbildung 3e), so dass es als scheinen mag , wenn die Aufmerksamkeit Manipulation hatte nicht gearbeitet. Inspektion der hinteren Verteilungen der Parameter zeigt jedoch, dass es in der Tat ist ein Vorteil für die Aktionsraumobjekte. Die w p Schätzung in der Aufmerksamkeit Zustand wird aus dem neutralen Zustand von 0,5, die ganz am linken Ende des 95% HDI nur weg verschoben ist. Erstaunlicherweise ist es aberauch verschoben in der Kontrollbedingung, mit der 95% HDI 0,5 sogar ohne, was darauf hindeutet, dass die Umkehrung der Bilder nicht das Potential Aktionsraum Vorteil entfernen.

In Anbetracht der Vergleich der einzelnen Stimulus Verarbeitungsraten (3f, "Comparison"), kann ein Effekt der Aufmerksamkeit für die Rate des Referenzstimulus v r betrachtet werden. die Differenzpunkte in der Richtung entgegengesetzt zu der Hypothese, aber, und klein ist, eine Änderungsrate von nur 2 Hz Reflektieren (95% HDI: -3,36 bis 0,66).

Daher muß gefolgert werden, daß entweder (a) das beobachtete Vorteil Aktionsraum Objekte aufgrund eines Faktors ist, der nicht von der Bildinversion, wie salience oder die Sicht beeinträchtigt wird. Alternativ, (b) die Szene Inversion verringert nicht die Handlungsraum Effekte wie beabsichtigt, oder (c) die Leistung des vorliegenden Experiment war zu klein, um die effe zu erkennenct. Erläuterungen (a) und (b), oder eine Kombination, die wahrscheinlich diejenigen. In unserer nicht veröffentlichten Änderungsblindheit Experimente bereits erwähnt, die mit den gleichen Bildern durchgeführt wurden, gab es noch ein Vorteil (wenn auch reduziert) für die Aktionsraum Objekte in umgekehrter Szenen.

Im Rahmen dieses Verfahrens zentrierte Papier jedoch alternative (c) die interessanteste sein. Daher werden die Beträge von möglicherweise übersehen Effekte kurz diskutiert. Mit Blick auf den Vergleich der attentional Gewichte, gebunden die untere der 95% HDI, die die hypothetisch angenommenen Richtung reflektiert, ist bei -0,01. Daher wird nur Gewichte größer von 0,01 in der im Vergleich zu der Kontrollbedingung begleitet sind wahrscheinlich. Dieser Unterschied ist klein im Vergleich zu den anderen Versuchen und die Vorteile sind sogar gegen eine so kleine Wirkung. Dies wird durch die obere Grenze erreicht HDI 0,04 reflektiert. Mit Blick auf die Verarbeitungsraten ist hilfreich, da die Preise in Hz ohne weiteres als proce interpretiert werdenssing Geschwindigkeit.

Die Unterschiede zwischen den beiden Bedingungen sind in der "Vergleich" Reihe in 3f gezeigt. Differenz AV r zwischen den Bezugsstimuli negativ ist , -2,03 Hz und 95% HDI schließt 0. Die negative Differenz eine Erhöhung der Verarbeitungsrate der Referenzziele entspricht, die Hintergrundobjekte, die auch gegen die Wirkung Raumvorteil Hypothese . Ein kleiner attentional Vorteil ist weiterhin möglich , in den Verarbeitungsraten der Sondenzielen Ihre Differenz & Dgr; v p nahe bei Null geschätzt wird, aber die 95% HDI liegt im Bereich von -1,64 Hz bis 1,51 Hz. Auch wenn ein Wert nahe Null am wahrscheinlichsten ist, Kurseffekte von bis zu 1,64 Hz zu Gunsten der Hypothese, und bis zu 1,51 Hz dagegen bleiben möglich über die 95% HDI. Insgesamt sind diese Ergebnisse nicht günstig für die ursprüngliche Hypothese, aber ihre Diskussion zeigte, wie sinnvolle Größen von möglicherweise verpasst Effekte können con seinveniently aus den Ergebnissen extrahiert. Beachten Sie, dass null Ergebnisse für die Annahme, wie die fehlende Reduktion des Aktionsraum Vorteil durch die Bilder drehen, Regionen praktische Äquivalenz definiert werden kann und deren Überlappung mit der 95% HDI 11 kann getestet werden (siehe Diskussion Abschnitt).

Versuch 3: Spatial cueing in Buchstabeanerkennung
Das dritte Experiment untersucht die Grenzen der vorgeschlagenen TVA-basierten TOJ Modell und zeigt, wie das Modell mit diesen Schwierigkeiten fertig zu erweitert werden kann.

Was ist es, dass das vorgeschlagene Verfahren in Schwierigkeiten gerät? In den beiden früheren Experimenten hatten die Teilnehmer zwei zeitliche Ereignisse zu beurteilen. Nun fügen wir eine dritte zeitliche Ereignis, eine periphere Cue, die 110 ms vor der Sonde Reiz direkte Aufmerksamkeit auf sie gezeigt wird. Diese dritte Veranstaltung präsentiert Schwierigkeiten einfach die TVA-basierte TOJ model, für die nur zwei Stimuli explizit modelliert.

Abbildung 4

Abbildung 4: Typische Effekte von Cues auf Wahrnehmungs Latenzen. Magnituden der Aufmerksamkeit Effekte typischerweise in tojs mit peripheren Cues (horizontale Linien) gefunden. Magnituden von der TVA-basierten TOJ Modell vorhergesagt für attentional Gewichte der Sonde Reiz zu erhöhen (Kurven). Die durchgezogene Kurve entspricht typischerweise beobachtet Parameter. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Magnituden von Aufmerksamkeitsleistungen in der Literatur TOJ berichtet Hinweis bereits bei diesen Schwierigkeiten. Die Latenz Unterschiede durch periphere cues induziert sind oft so hoch wie 50% undmanchmal sogar so hoch wie 80% des Cueing Intervalls 19. Wie in 4 dargestellt ist , eine so große Verschiebung würde unwahrscheinlich attentional Gewichte erfordern Nähe von w p = 0,9 bei typischen Verarbeitungsraten. Darüber hinaus führen solche extremen Gewichte zu sehr schief psychometrischer Verteilungen. Diese würden eine steile Steigung an einem Ende und eine flache Steigung an dem anderen Ende. In einer schwächeren Manifestation, kann diese in den hinteren prädiktiven Plots des ersten Experiments zu sehen (Abbildung 2c und d). Solche stark verzerrte Kurven sind selten berichtet. Wenn die Daten aus dem vorliegenden Experiment peripheren Cueing mit der TVA-basierten TOJ Modell ausgestattet ist, stark die posterior vorhergesagte Kurven von der tatsächlichen Datenmuster abweichen.

Wichtig ist jedoch, produzieren peripheren Cues die stärksten und zuverlässigsten Auswirkungen der Aufmerksamkeit in psycho - physischen TOJ 20. Daher ist es worthwhile eine modellbasierte Bewertung mit einer erweiterten Version des vorgeschlagenen Modells anzuwenden. Alcalá-Quintana und García-Pérez 21 vorgeschlagen , ein TOJ Modell basierend auf allgemeinen Annahmen des exponentiellen Stimulus - Codierung. Dieses Modell enthält einen zusätzlichen Parameter, ohne Änderung der Steigungen der psychometrischen Kurven für große Verschiebungen erlaubt. Alcalá-Quintana und García-Pérez benutzte es für crossmodalen tojs, wo solche Verschiebungen von Verzögerungen zwischen Modalitäten stammen. Daher, um Daten von cued tojs modellieren, sind wir ihre Parameter τ. Eine Verzögerung zwischen dem Beginn der Codierung Prozesse könnten für die zu erwartenden großen seitlichen Verschiebungen berücksichtigen. Der Parameter τ können sogar eine TVA-kompatible Interpretation. Dies ist jedoch nicht ganz unproblematisch und wird später diskutiert. Damit das Modell geizig, andere Parameter vorgeschlagen von Alcalá-Quintana und García-Pérez (Antwort Vorurteile, Verfehlungen und eine möglichst geringe zeitlicheAuflösung) wurden nicht berücksichtigt.

Formal ist die ursprüngliche psychometrischer Modell in Gleichung 4 durch Ersetzen der Begriff SOA durch bereinigter Begriff SOA adj geändert = SOA + τ. Diese Anpassung spiegelt auch die Interpretation von τ: die Starts des exponentiellen Codierungsprozesse werden nun nicht nur durch den SOA getrennt, aber eine zusätzliche konstante Verzögerung hinzugefügt wird. In der hierarchischen Bayes-Modell wird unter den Pegel τ aus einer Gruppe-Ebene Normalverteilung abgetastet.

Eine explizite Leistungsanalyse wurde für dieses Experiment durchgeführt. Da der Innersubjekt Design zum einen von Expriment 1 ähnlich ist, wird eine ähnliche Leistung für Effekte in den Preisen und attentional Gewichte erwartet. Die erwartete große seitliche Verschiebung durch den τ Parameter erfasst werden, ist viel größer und stabiler als die Rate und das Gewicht Effekte sind typischerweise, so dass kein Leistungsproblem e sein kannRWARTETE es entweder zu erfassen.

Daten wurden für 32 Teilnehmer gesammelt (darunter die drei Autoren) entsprechend der Versuchsdurchführung in dem Protokollschritt 4 beschrieben Teilnehmer die Reihenfolge der zwei Buchstaben zu berichten hat. In der Hälfte der Versuche wurde die Sonde Reiz voraus (110 ms) durch eine periphere Vierpunkt Cue (siehe Abbildung 5a). Eine detaillierte Beschreibung des Reizes Material kann in Tünnermann, Petersen und Scharlau Studie 7. Die SOAs und ihre Frequenzen sind in 5b gezeigt. Jeder Teilnehmer durchgeführt ein oder zwei Sitzungen.

Abbildung 5

Abbildung 5: Experiment 3 (a) Ziele, willkürlich designated als Sonde und Referenz in der die neutralen Zustand (oberer Teil). Im Aufmerksamkeit Zustand (unterer Teil) wurde die Sonde Stimulus (110 ms) durch einen Vier-Punkt-Cue voraus. (C) Drei exemplarische Gegen Ebene Ansprechteilchenzählungen (Punkte) und posterioren prädiktiven Verteilungen (schraffierte Fläche, Intensität repräsentiert Wahrscheinlichkeit in Bezug auf 100 simuliert Wiederholungen bei feinkörnigem SOAs). Blau steht für den neutralen und grün die Aufmerksamkeit erhalten. (D) auf Konzernebene hinteren prädiktive Kurven. (E) posteriori - Verteilungen der Gesamtrate C und attentional Gewichte w p und w r. (F) posteriori - Verteilungen von τ und seine Differenz von Null. (G) posteriori - Verteilungen von v p und v r und ihre Unterschiede. Bitte klicken Sie hier , um eine größere Version zu sehen thFigur.

Das erweiterte Modell wurde wie oben in der hierarchischen Bayes-Schätzverfahren angewendet beschrieben. (Für Teilnehmer , die sehr steilen psychometrische Kurven in der ersten Sitzung erzeugt, kleiner SOAs wurden in der zweiten Sitzung verwendet. Gesehen werden kann, beispielsweise in der äußersten linken Plot 5c, die zusätzliche Datenpunkte bei kleinen SOAs enthält.) Wegen je komplexer Modell, der mächtige NUTS - Sampler aus dem Paket Stan Software wurde in dieser Analyse 22 eingesetzt.

In den anderen Versuchen konnte die Sonde Stimulus eine andere Verarbeitungsrate als das Referenz Reizes, auch in der Kontrollbedingung. In Experiment 1 war dies, weil die Teilnehmer auf seine vorhersehbare Zeitpunkt in Bezug auf die Studie Ausbruch zugeordnet haben könnte. In Experiment 2 wurde die Inversion der Bilder nicht zu erwarten den Vorteil der Aktionsraum Objekte vollständig zu entfernen. In diesem Brief-basierte cueing Experiment würde jedoch die Teilnehmer nicht einmal grundsätzlich in der Lage sein, zu erkennen, welche die Sonde und die die Referenz Reiz, weil die gleichen zufälligen Buchstaben und die Zeit zwischen den Versuch verwendet wurden, und Ziel Beginn war es nicht zu dem Schluss, der Zieltyp. Daher wird eine wirklich neutrale Steuerzustand erwartet und w p bei 0,5 und τ bei 0 in dem neutralen Zustand fixiert.

In 5c und 5d zu sehen ist, führt die cue zu einer erheblichen Verschiebung der psychometrischen Funktion im Vergleich zu den anderen Versuchen als kann. Darüber hinaus 5f die hinteren Grundstücke in Abbildung , dass τ zeigen wird geschätzt als ein 53,27 ms für die cued Ziel profitieren. Die 95% HDI auf der Differenz ( "Vergleich" Reihe) schließt alle Unterschiede kleiner als 47,56 (oder größer als 57,73), wodurch sie sehr unwahrscheinlich.

t "> Interessanterweise gibt es eine Änderung in attentional Gewichte zugunsten des uncued Target (Figur 5e). Die hintere Verteilung von w p seinen Modus bei 0,42 hat. Der neutrale weigth von 0,5 ist in der 95% HDI enthalten sind . Bei der C Parameter, eine Zunahme von 4,69 Hz für die Aufmerksamkeit Zustand ist. ausgedrückt in V-Parameter (5f), es ist am bemerkenswertesten , daß die Geschwindigkeit v r des Referenz Reizes in den Zustand Aufmerksamkeit erhöht.

In den beiden vorangegangenen Versuchen wurde beobachtet, dass die Aufmerksamkeit des Manipulationen attentional Gewicht des Sonden Reizes erhöht. Im vorliegenden Experiment konnte jedoch das Muster eine Störung des Cue mit dem Ziel zu reflektieren, damit seine Geschwindigkeit im Rennen um die Codierung zu reduzieren. Zur gleichen Zeit werden die cued Zielprofitiert von der schnelleren Verarbeitung aufgrund der τ-Parameter. Letzteres kann, bevor die Reduktion der cued Ziels Verzögerungen verknüpft werden odernach den exponentiellen Rennen. Man beachte jedoch, daß τ über eine Verlängerung einer Verzögerung im Zusammenhang mit dem Reiz uncued erläutert die relative Differenz gleich gut.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Das Protokoll in diesem Artikel wird beschrieben, wie einfach tojs durchzuführen und die Daten mit den Modellen auf der Basis grundlegender Stimulus Codierung passen. Drei Versuche zeigen, wie die Ergebnisse können in einer hierarchischen Bayesian Schätzung Rahmen ausgewertet werden, um den Einfluss der Aufmerksamkeit in sehr unterschiedlichen Stimulusmaterial zu beurteilen. Salience in Pop-Out-Displays zu einer erhöhten Aufmerksamkeits Gewichte. Auch erhöhte Gewichte wurden Handlungsraumobjekte in natürlichen Bildern geschätzt. Aufgrund der anhaltenden Vorteil, wenn räumlichen Beziehungen durch zeigt solche Bilder den Kopf gestört wurden, ist es wahrscheinlich, dass eine andere lokale attentional Nutzen führt zur Gewichtszunahme. Ein peripherer cue, wie in Experiment 3 verwendet wird, zeigt einen negativen Einfluss auf die Aufmerksamkeits Gewicht. Allerdings führt es zu einer großen Wirkung in der τ Parameter, die Modelle zu einer Verzögerung zwischen den Startzeiten der Codierung Prozesse.

Der größte Teil des Protokolls folgt gemeinsame Schrittein tojs und Wahrnehmungsexperimente im Allgemeinen durch. Beachten Sie jedoch, dass die Interpretation der Ergebnisse in Bezug auf die TVA zu codieren, die Stimuli in visuelle Kurzzeitgedächtnis gebunden ist. Die Möglichkeit, die durch reine TOJ Ersteinsatzbestimmung Durchführung sollte so weit wie möglich reduziert werden. Daher 1.2 wie in Protokollschritt erwähnt, ist es entscheidend, dass die Attribute von Interesse werden entweder automatisch verschlüsselt (die für bestimmte Reize ausgegangen werden kann, zum Beispiel salience Pop-outs) oder Codierung muss über die Aufgabe erleichtert werden (zB die Berichterstattung der Reiz Identität).

Es ist ratsam, die zusammengefassten Rohdaten ( "Sonde zuerst" zählt über SOAs durch die Anzahl der Wiederholungen aufgeteilt) zu inspizieren, bevor die endgültige Analyse ausgeführt wird. Diese Daten sollten eine S-förmige Kurve, wie in den psychometrischen Funktionen in den Zahlen des Repräsentative Ergebnisse Abschnitt. Man beachte, dass aufgrund der binomialverteilte Antworten, die Datenpunkte zufälligly vom idealen Weg abweichen. Die Abweichungen erhöhen mit einer abnehmenden Anzahl der Wiederholungen. Mit wenigen Wiederholungen sind die Abweichungen oft relativ groß ist, die ideale S-Form verschleiern. Wenn jedoch das Muster sich deutlich von den üblichen Kurve abweicht, kann das mathematische Modell angepasst werden müssen. Zum Beispiel, wenn große seitliche Verschiebungen beobachtet werden (wie in Experiment 3 dieses Artikels), Alcalá-Quintana und García-Pérez τ Parameter enthalten sein. Wenn die Kurve zusätzliche Verstreichen nicht konvergiert auf Eins und Null an seinen Enden Parameter können 21 hinzugefügt werden.

Es ist möglich , ein formales Modell Vergleich durchzuführen , wie in Alcalá-Quintana und García-Pérez 21 zu entscheiden , zwischen den verschiedenen Modellen vorgeschlagen. Mit Modellen unterscheidet sich von dem in der Einleitung dargelegt, kann jedoch beeinflussen, ob die Ergebnisse in Bezug auf die TVA interpretiert werden kann.

Da drinnisse in diesem Artikel berichtet, stellten wir fest, die zentralen Tendenzen der geschätzten Unterschiede zusammen mit ihren 95% HDIs. Jedoch in dem Bayesian Rahmen ist es möglich, anzunehmen oder abzulehnen, dass es keinen Unterschied zwischen den zwei Schätzungen ist. Zu diesem Zweck wird ein SEIL (Region Praxisbezug) muss 11 angegeben werden, 13. Die SEIL zeigt einen kleinen Bereich um den Nullpunkt. Die Werte in diesem Bereich sind praktisch gleich Null betrachtet. Wenn das Seil nicht überlappt mit dem HDI, wird die Nullhypothese verworfen. Bedeutungsvolle SEIL Grenzen hängen von der Forschungsfrage oder Anwendung. Im Gegensatz zu TOJ Analyse mit herkömmlichen Mitteln, die TVA-basierten Ansatz , um die Schaffung von sinnvollen SEIL Grenzen führen kann: Aufgrund ihrer sinnvollen Einheiten können die Parameter Schätzungen von anderen TVA Paradigmen in Beziehung gesetzt werden (zB ganze Berichte, siehe Referenz 3) . Darüber hinaus können Verarbeitungsraten in Codierung du umgewandelt werdenRationen (der erwartete Wert der Codierung Dauer E x von Stimulus x 1 / v x, Referenz 7 sehen) SEIL Grenzen zu informieren. Zum Beispiel, wenn Forscher interessiert sind, ob eine Aufmerksamkeit Manipulation trägt zu einer Reaktionszeitverkürzung für einen Teilnehmer in einer Fahrsimulation, könnten sie argumentieren wie folgt: Die Reaktionszeiten (einschließlich Motorkomponenten) im Bereich von wenigen hundert Millisekunden sind daher wenn die Aufmerksamkeit Manipulation die Gesamtreaktion nur wenige Millisekunden ändert, würde die Veränderung praktisch Null sein. Daher ist eine SEIL von -2 bis +2 ms auf die Differenz von Soll- und Sonde Codierung Dauer angewandt werden könnten (E r -E p). Wenn die SEIL dieser Differenz vollständig die HDI enthält, dass das Ergebnis gibt es keinen Unterschied akzeptiert werden kann. Wenn HDI und SEIL nicht überlappen, kann die Nullhypothese verworfen werden. Wenn weder der Fall ist, kann kein solcher Punkt Entscheidung getroffen werden. Weitere Einzelheiten zu den Bayesian evawertung Ansatz im Allgemeinen gefunden werden kann, zum Beispiel, in Kruschke Buch 13.

Drehen auf allgemeinere Probleme, für den Erfolg dieses Protokolls ist es entscheidend, dass es nur zwei Reize, die zeitlichen Signale an der Zielposition zu erzeugen. Zum Beispiel kann eine periphere cue (wie in Experiment 3) oder Masken 7 führen zu großen seitlichen Verschiebungen, die für sein können nicht durch den derzeitigen TVA-basierten Modell berücksichtigt. Solche Situationen sind nicht selten und sie durch den Einbau eines Parameter vorgeschlagen von Alcalá-Quintana und García-Pérez 21 modelliert wurden. In diesem erweiterten Modell kann die τ Komponente nicht eindeutig einer TVA-Mechanismus verknüpft werden. Es ist eine vorläufige Verbindung zwischen τ und TVA, aber es gibt einige ungelöste Probleme. Tatsächlich nimmt TVA eine kurze Verzögerung vor Beginn kodiert. Parameter t 0, die in der Einleitung diskutiert wurde, ist die maximale unwirksam Exposition duration vor dem gar nichts codiert ist. Die Differenz t 0r -t 0p könnte als τ verstanden werden. Jedoch, t 0 ist in der Regel klein, etwa 10 bis 20 ms. Darüber hinaus ist die Theorie nicht davon ausgehen, dass es durch die Aufmerksamkeit beeinflusst wird. Dennoch haben t 0 Reduzierungen wurden in Buchstabeanerkennung beobachtet 7, 24. Wenn man diese Möglichkeit nimmt, muss ein weiteres Engagement gemacht werden. Parameter τ wurde um 50 ms gemessen. Angesichts der Tatsache , dass t 0p des cued Stimulus kann maximal um 10 bis 20 ms verringert werden , da sie nicht größer in erster Linie ist, würden die meisten von τ kommen von t 0r des uncued zu 50 bis 60 msec erhöht wird . Diese Größe ist weit jenseits dessen, was manchmal zu beobachten ist (ca. 10 ms). Als Folge der unklaren Beziehung des τ auf TVA, einige wichtige Fragen nicht beantwortet werden können. Zum Beispiel kann es nicht, ob die Verzögerungen der besuchten STIMU entschiedenli reduziert oder wenn die der unbeaufsichtigten Reize verlängert werden (was zu dem beobachteten τ Differenz).

Die Grenzen der Technik, die oben erwähnten ergeben sich aus der Tatsache, daß nur zwei Impulse explizit mit TVA modelliert. Zur Verbesserung dieser, die künftige Forschung zielt auf die Verlängerung TVA-basiertes Modell, um mehr als zwei Reize. Insbesondere die Queue in cued TOJ mit TVA explizit Modellierung ist ein wichtiges Ziel der spätere Forschung 25.

Vorteile des Protokolls sind die Einfachheit der TOJ Aufgabe, die nahezu beliebige Reize nutzen können, die gründliche theoretische Untermauerung von TVA und die Bayes-Bewertungsschema. Die TVA-basiertes Modell ist ein großer Schritt nach vorne von der traditionellen modellfreien Ansätzen. In der Vergangenheit meist generic psychometrischen Funktionen wurden TOJ Daten angepasst. Änderungen in ihrer Zusammenfassung Parameter PSS (Punkt subjektiver Gleichzeitigkeit) und DL (Differenz limen, ein Maß fürUnterscheidungsleistung) wurden attentional Manipulationen verbunden. Manchmal werden diese Parameter überinterpretiert. Zum Beispiel ist es oft behauptet , dass die Aufmerksamkeit der Verarbeitung des besuchten Stimulus beschleunigt, während es auch der Fall , dass das unbeaufsichtigte Reiz 7 verlangsamt werden könnte. Zusätzlich zu dieser Schwäche sind diese Parameter eher indirekt. Sie beschreiben die Leistung in der Aufgabe und charakterisieren nicht die Prozesse, die sie produzieren. Die modellbasierte Analyse von tojs verbessert auf diese Nachteile durch sinnvolle Parameter Bereitstellung basierend auf TVA.

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