Author Produced

Mesure de l'attention et de vitesse de traitement visuel par analyse des Temporal ordre Arrêts Model-based

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

Ce protocole décrit la façon de mener des expériences temporelles d'ordre pour mesurer la vitesse de traitement visuel et la distribution des ressources attentionnelles. La méthode proposée est basée sur une nouvelle et synergique combinaison de trois éléments: le paradigme temporel d'ordre des jugements (TOJ), Théorie de Bundesen de Visual Attention (TVA), et un cadre hiérarchique d'estimation bayésienne. La méthode fournit des paramètres facilement interprétables, qui sont soutenus par les fondements théoriques et neurophysiologiques de TVA. Utilisation de Tojs, les estimations basées sur la TVA peuvent être obtenus pour un large éventail de stimuli, alors que les paradigmes traditionnels utilisés avec TVA sont principalement limités aux lettres et des chiffres. Enfin, les paramètres significatifs du modèle proposé permettent la mise en place d'un modèle bayésien hiérarchique. Un tel modèle statistique permet d'évaluer les résultats dans une analyse cohérente à la fois sur le sujet et le niveau du groupe.

Pour démontrer la faisabilité et versatility de cette nouvelle approche, trois expériences sont rapportés avec des manipulations de l'attention dans les écrans pop-out synthétiques, des images naturelles, et une lettre-rapport indicé paradigme.

Introduction

Comment l'attention est répartie dans l'espace et le temps est l'un des facteurs les plus importants dans la perception visuelle humaine. Les objets qui captent l'attention en raison de leur visibilité ou de l'importance sont généralement traitées plus rapidement et avec une plus grande précision. Dans la recherche comportementale, ces avantages de performance ont été démontrées dans une variété de paradigmes expérimentaux. Par exemple, l' allocation d' attention à l'emplacement cible accélère la réaction à des tâches de détection de la sonde 1. De même, la précision des lettres de rapports est améliorée par une attention 2. Ces résultats prouvent que l'attention améliore le traitement, mais ils restent désespérément muet sur la façon dont cette amélioration est établie.

Le présent document montre que les mécanismes de bas niveau derrière avantages attentionnelles peuvent être évalués en mesurant la vitesse de traitement des stimuli individuels dans un cadre basé sur un modèle qui concerne les mesures à grains fins components d'attention. Avec un tel modèle, la capacité de traitement globale et sa répartition entre les stimuli peuvent être déduites à partir de mesures de vitesse de traitement.

Théorie de Bundesen de Visual Attention (TVA) 3 fournit un modèle approprié pour cette entreprise. Il est généralement appliqué aux données de tâches de rapport de lettre. Dans ce qui suit, les principes fondamentaux de la TVA sont expliqués et on montre comment ils peuvent être étendus pour modéliser le jugement temporel d'ordre (PFCE) données obtenues avec (presque) stimuli arbitraires. Cette nouvelle méthode fournit des estimations de la vitesse de traitement et de distribution des ressources qui peuvent être facilement interprétés. Le protocole de cet article explique comment planifier et de mener de telles expériences et les détails comment les données peuvent être analysées.

Comme mentionné ci-dessus, le paradigme habituel dans la modélisation et l'estimation des paramètres d'attention à base de TVA est la tâche de rapport de lettre. Les participants indiquent l'identité d'un ensemble de lettresest brièvement flashé et typiquement masqué après un délai variable. Parmi les autres paramètres, la vitesse à laquelle les éléments visuels sont codés dans la mémoire visuelle à court terme peut être estimé. La méthode a été appliquée avec succès à des questions en matière de recherche fondamentale et clinique. Par exemple, Bublak et ses collègues 4 évalués quels paramètres attentionnels sont affectés à différents stades de déficits cognitifs liés à l' âge. Dans la recherche de l' attention fondamentale, Petersen, Kyllingsbæk et Bundesen 5 utilisés TVA pour modéliser l'effet attentionnel temps de séjour, la difficulté de l'observateur à percevoir la seconde de deux cibles à certains intervalles de temps. Un inconvénient majeur du rapport de lettre paradigme est qu'il nécessite des stimuli suffisamment surapprise et masquables. Cette exigence limite la méthode de lettres et de chiffres. D'autres stimuli auraient besoin d'une formation lourde des participants.

Le paradigme TOJ ne nécessite ni stimul spécifiquei ni masquage. Il peut être utilisé avec tout type de stimuli pour lesquels l'ordre d'apparition peut être jugé. Cela étend la gamme de stimulus à peu près tout ce qui pourrait être d'intérêt, y compris les comparaisons entre les modes de transport directs 6.

Enquête sur l'attention avec Tojs est basée sur le phénomène d'entrée avant attentionnel qui est une mesure de la façon dont beaucoup plus tôt un stimulus assisté est perçue par rapport à un un sans surveillance. Malheureusement, la méthode usuelle pour analyser les données TOJ, les fonctions d' ajustement de la performance d'observation psychométriques (tels que gaussiennes ou logistiques cumulées), ne peut pas distinguer si une attention augmente la vitesse du stimulus assisté de traitement ou si elle diminue la vitesse de la 7 stimulation sans surveillance. Cette ambiguïté est un problème majeur parce que la question de savoir si la perception d'un stimulus est vraiment améliorée ou si elle bénéficie en raison du retrait des ressources à partir d'un stimul concurrents nous est une question à la fois la pertinence fondamentale et pratique. Par exemple, pour la conception des interfaces homme-machine, il est très important de savoir si l'augmentation de l'importance d'un élément travaille au détriment de l'autre.

La tâche TOJ procède généralement comme suit: Une marque de fixation est présenté pour un bref délai, généralement un tracé aléatoire intervalle inférieur à une seconde. Ensuite, la première cible est présentée, suivie après un début asynchronisme de stimulus variable (SOA) par la seconde cible. A AOS négatives, la sonde, le stimulus assisté, est affiché en premier. A AOS positifs, la référence, le stimulus sans surveillance, conduit. Lors d'une SOA de zéro, les deux cibles sont affichées simultanément.

En règle générale, la présentation de la cible se réfère à la commutation du stimulus. Sous certaines conditions, cependant, d' autres événements temporels, comme un scintillement d'une cible ou des décalages déjà présents sont utilisés 8.

_content "> Dans Tojs, les réponses sont collectées de manière unspeeded, généralement par des clés mappés sur les identités de relance et les ordres de présentation (par exemple, si les stimuli sont des carrés et des diamants, une clé indique" carré d' abord »et un autre« diamant d' abord ») . Il est important, pour l'évaluation, ces jugements doivent être convertis en "première sonde" (ou "première référence") jugements.

Dans le présent travail, une combinaison du modèle de traitement de la TVA et le paradigme expérimental TOJ est utilisé pour éliminer les problèmes dans les deux domaines particuliers. Avec cette méthode, les paramètres de vitesse facilement interprétables peuvent être estimés pour les stimuli visuels presque arbitraires, ce qui permet de déduire comment l'attention de l'observateur est affecté à des éléments visuels en compétition.

Le modèle est basé sur les équations de TVA pour le traitement des stimuli individuels, qui seront expliquées brièvement dans ce qui suit. La probabilité que l'une stimulnous est encodée dans la mémoire visuelle à court terme avant que l'autre est interprété comme la probabilité de juger ce stimulus comme apparaissant en premier. Les durées d'encodage individuels sont distribués de façon exponentielle 9:

L'équation 1 (1)

L'exposition maximale inefficace durée t 0 est un seuil avant que rien ne soit encodée en tout. Selon TVA, le taux v x, i à laquelle l' objet x est codé en tant que membre d'une catégorie perceptive i (comme la couleur ou une forme) est donnée par l'équation de vitesse,

équation 2 . (2)

La force de la preuve sensorielle que x appartient à la catégorie i est exprimée en x Þ, i et ß i est un parti pris de décision pour classer les stimuli en tant que membres de la catégorie i. Ce nombre est multiplié par unpoids ttentional. Poids attentionnelles individuels w x sont divisés par les poids attentionnelles de tous les objets dans le champ visuel. Par conséquent, le poids relatif attentionnels est calculé comme

l'équation 3 (3)

où R représente toutes les catégories et Þ x, i représente la preuve sensorielle cet objet x appartient à la catégorie j. La valeur π j est appelée pertinence de la catégorie j et reflète un parti pris pour faire catégorisations dans j. La capacité globale de traitement C est la somme de tous les taux de traitement pour tous les stimuli et les catégorisations. Pour obtenir une description plus détaillée de TVA, reportez - vous au livre de Bundesen et Habekost 9.

Dans notre nouveau procédé, l'équation 1, qui décrit le codage des stimuli individuels, est transformé en un modèle de Tojs. En supposant que les biais de sélection et les catégories de rapport sont constant au sein d' une tâche expérimentale, le taux de traitement v p et v r de la sonde à deux cibles stimuli (p) et de référence (r) dépendent de C et les poids attentionnelles sous la forme v p = C · w p et v r = C · w r, respectivement. Le nouveau modèle TOJ exprime la probabilité de succès P p 1er qu'un participant juge le stimulus de la sonde pour être d' abord comme fonction de la SOA et les taux de traitement. Il peut être formalisé comme suit:

l'équation 4 (4)

Une description plus détaillée de la façon dont cette équation est dérivée à partir des équations de TVA de base est décrit par Tünnermann, Petersen et Scharlau 7.

Par souci de simplicité, le paramètre t 0 est omis dans le modèle de l'équation 1. Selon la TVA d' origine, t 0 doit être identique pour boe cibles dans la tâche TOJ, et, par conséquent, qu'il annule. Toutefois, cette hypothèse peut parfois être violé (voir la section Discussion).

Pour le montage de cette équation aux données PFCE, un système d'estimation bayésienne hiérarchique 11 est suggéré. Cette approche permet d'estimer les poids attentionnelles w p et w r de la sonde et de référence stimuli et l'ensemble C. taux de traitement Ces paramètres, la résultante des taux d'absorption v p et v r, et les différences induites par l' attention-entre eux, peut être évalué sur les niveaux de réserve et de groupe ainsi que des incertitudes estimées. Le modèle hiérarchique est illustré à la figure 1. Au cours de la phase de planification pour une expérience, pratique l'analyse de puissance bayésienne peut être effectuée.

Le protocole suivant décrit comment planifier, exécuter et analyser des expériences PFCE à partir de laquelle les paramètres de vitesse de traitement et de poids attentionnelles pour stimuli visuels peuventêtre obtenu. Le protocole suppose que le chercheur est intéressé à savoir comment une manipulation attentionnel influence les vitesses de traitement de certaines cibles d'intérêt.

Figure 1

Figure 1: Modèle graphique utilisé dans la procédure d'estimation bayésienne. Les cercles indiquent les distributions estimées; doubles cercles indiquent les nœuds déterministes. Squares indiquent les données. Les relations sont donnés sur le côté droit de la figure. Les noeuds en dehors des cadres arrondis ( "plaques") représentent les estimations moyennes et de dispersion des paramètres TVA (voir Introduction) au niveau du groupe. Dans l'assiette "j des sujets", on peut voir comment les poids attentionnelles (W) sont combinés avec les taux de traitement global (C) à partir des taux de traitement de stimulus (v) sur le niveau de l'objet. Plate "i AOS &# 8221; montre comment ces paramètres TVA sont ensuite transformés (via la fonction P p 1er décrit dans l'introduction) dans la probabilité de réussite (θ) pour les réponses binomiale distribués à chaque SOA. Par conséquent, la θ ainsi que les répétitions de la SOA (n) décrivent les points de données (y). Pour plus de détails sur la notation et l' interprétation des modèles graphiques, reportez - vous à Lee et Wagenmakers 23. Notez que pour des raisons de clarté, les noeuds qui représentent des différences de paramètres ont été omis. Ces paramètres déterministes sont indiqués dans les figures des résultats expérimentaux à la place. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

NOTE: Certaines étapes de ce protocole peut être accompli en utilisant un logiciel personnalisé fourni (ainsi que des instructions d'installation) à http://groups.upb.de/viat/TVATOJ. Dans le protocole, cette collection de programmes et de scripts est appelé "TVATOJ".

1. Sélection de stimulation Matériel

  1. Sélectionnez stimuli en fonction de la question de recherche.
    NOTE: En général, les deux objectifs sont présentés à différents endroits sur l'écran. Stimuli qui ont été utilisés avec le présent procédé comprennent, par exemple, des formes, des chiffres, des lettres, des singletons dans les écrans pop-out, et des objets dans des images naturelles. Les trois derniers types ont été utilisés dans ce protocole.
    NOTE: Plusieurs types de relance différents sont inclus dans le plugin TOJ ( "de psylab_toj_stimulus" fourni avec TVATOJ) pour le constructeur d'expérience OpenSesame 12.
  2. Lors de la création de nouveaux types de relance, assurez-vous que les propriétés de interest doivent être encodés pour le jugement en les rendant important pour la tâche ou sélectionnez stimuli où les propriétés d'intérêt sont codés automatiquement (par exemple, dans singletons affiche pop-out).

2. Puissance Estimation et planification

  1. Effectuer une analyse de puissance bayésien en simulant des ensembles de données avec le modèle choisi, la conception prévue ( la distribution SOA et répétitions), la taille des échantillons et les paramètres hypothétiques. Estimer si elle est susceptible d'atteindre l'objectif de la recherche (par exemple, une certaine différence dans les paramètres). Si la puissance ne suffit pas, modifier la conception en ajoutant ou en décalage AOS ou des répétitions et répéter l'analyse.
    1. Pour utiliser le logiciel fourni TVATOJ, ouvrir et modifier le script "exp1-power.R". Suivez les commentaires dans le fichier pour l'ajuster pour l'analyse spécifique. Pour des informations générales sur l' estimation de puissance bayésienne consulter Kruschke 13.
<p class = "jove_title"> 3. Spécification ou programmation de l'expérience

  1. Utilisez un constructeur d'expérience ou d'une bibliothèque de présentation psychophysique pour mettre en œuvre l'expérience.
    1. Pour utiliser le plugin OpenSesame TOJ fourni dans TVATOJ, faites glisser le "psylab_toj_stimulus" plug-in dans une boucle de la présentation du procès. Sinon, ouvrez le «simple-toj.osexp" exemple expérience en OpenSesame.
    2. Sélectionnez le type de stimulation souhaitée dans le menu déroulant "Type de stimulation" dans la configuration de psylab_toj_stimulus. Suivez les instructions de TVATOJ pour ajouter de nouveaux types de relance si nécessaire.
  2. Spécifiez les essais comme décrit dans les étapes suivantes.
    1. Pour chaque condition expérimentale, créer des essais avec l'AOS prévu. Lorsque vous utilisez le plugin psylab_toj_stimulus et OpenSesame, ajouter tous les facteurs variés comme des variables à la boucle d'essai (par exemple , "SOA").
    2. Ajouter des lignes à la table pour réalisertoutes les combinaisons de facteurs (par exemple, sept SOAS, -100 à 100 msec, croisées avec les conditions expérimentales "attention" et "neutre"). Réglez "Repeat" l'attribut de la boucle pour créer des répétitions suffisantes (voir protocole étape 2 pour déterminer la distribution et la répétition des AOS).
      NOTE: En règle générale, au plus 800 essais peuvent être présentés en une heure. Si plus de répétitions sont nécessaires, envisager de scinder l'expérience en plusieurs sessions. Assurez-vous que l ' "Ordre" attribut de la boucle est réglé sur "Random" avant de lancer l'expérience.
    3. Dans la configuration du plugin psylab_toj_stimulus, ajouter des espaces réservés (par exemple "[SOA]") pour les facteurs variés dans les domaines respectifs. Entrez des valeurs constantes dans les domaines des facteurs qui ne sont pas variés.
      NOTE: Avant de lancer l'expérience, assurez-vous que le timing précis est garanti. Si le comportement de synchronisation appropriée des moniteurs récents n'a pas été vérifiée, l'utilisationMoniteurs CRT et synchroniser avec le signal de retour vertical 12.

4. Procédure expérimentale

  1. Accueil et information des participants
    1. Accueillir les participants et les informer sur la forme générale de l'expérience (expérience de la perception par ordinateur). Informer les participants sur la durée prospective de l'expérience. Obtenir le consentement éclairé des participants à participer à l'expérience.
    2. Veiller à ce que les participants montrent normale ou vision corrigée à la normale (de façon optimale en effectuant des tests de vision courts). Certains déficits, comme la couleur la cécité, peuvent être tolérable si elles ne nuisent pas à la question de recherche pour le type particulier de matériel de stimulation.
    3. Fournir une cabine calme où se déroule l'expérience. Ajustez la chaise, le menton reste, la position du clavier, et ainsi de suite, pour assurer la visualisation et la réponse des conditions optimales pour l'experimeNT.
    4. Faire prendre conscience aux participants que l'expérience exige l'attention et la concentration mentale et peut être fatigante. Demandez-leur de prendre de courtes pauses au besoin. Il est, cependant, tout aussi important de ne pas effectuer ces tâches simples sous forte contrainte attentionnel. Dites aux participants qu'il est normal de faire des erreurs.
  2. Instruction et warm-up
    1. instructions à l'écran Présent pour la tâche, détaillant la procédure de séquence de présentation et de collecte de réponse. Informer les participants que la tâche est de rapporter l'ordre dans lequel les cibles sont arrivés, et que ce sera difficile dans certains essais. Demandez aux participants de signaler leur première impression quand ils ne peuvent pas dire l'ordre pour certains, et laissez-les deviner s'ils ont pas une telle impression du tout.
      NOTE: Dans les Tojs binaires utilisés ici, il n'y a pas d'option pour indiquer la perception de la simultanéité. Pour éviter de deviner excessive, ne pas remarquer la présence d'essais avec simultaneously présenté des objectifs explicitement. Que ceux-ci soient simplement des essais difficiles avec les instructions décrites ci-dessus.
    2. Pour éviter les mouvements oculaires pendant les essais, demandez aux participants de fixer une marque qui est représentée dans le centre de l'écran. Demandez-leur de se reposer la tête sur un repose-menton.
    3. Demandez aux participants de prendre de courtes pauses si nécessaire. Faites - leur savoir quand les pauses sont autorisées et quand ils doivent être évités (par exemple, lors de la présentation de la cible et avant la réponse).
    4. Inclure une courte formation dans lequel les participants peuvent se habituer à la tâche. A cet effet, présenter un sous-ensemble aléatoire des essais expérimentaux (voir protocole étape 3.2).
      NOTE: Parce que la tâche elle-même est assez simple, dix à vingt essais sont généralement suffisants. Il peut être avantageux d'augmenter la confiance des participants dans leur performance dans cette tâche. Cela peut se faire en ralentissant la présentation et à fournir une rétroaction.
    5. Obtenir les PREUVE des participantssur ce qu'ils ont compris la tâche (laissez-les expliquent) et qu'ils ont pas d'autres questions.
  3. Exécution de l'expérience principale
    1. Laissez démarrer le logiciel expérimental avec la présentation des principaux essais. Laissez le stand pour l'expérience principale.

5. Analyse fondée sur un modèle de données TOJ

  1. Convertir les fichiers de données brutes en chiffres de "sonde" premiers jugements pour chaque SOA. Par exemple, exécutez le script "os2toj.py" fourni avec TVATOJ.
  2. Exécutez la procédure d'estimation bayésienne pour estimer les paramètres principaux w p et C, celles v p dérivée et v r et les différences entre les paramètres. A cet effet, exécutez le script "run-evaluation.R" après l'avoir modifié selon les instructions fournies dans le fichier.
  3. Lorsque le prélèvement est terminé, les différences d'intérêt pour les questions de recherche peuvent être évaluées. examples peuvent être trouvés dans la section suivante.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Dans ce qui suit, les résultats obtenus avec la méthode proposée sont rapportés. Trois expériences ont mesuré l'influence des différentes manipulations attentionnels avec trois types de matériel de stimulation très différents. Les stimuli sont des segments simples de ligne dans les modes de pop-out, les objets spatiaux d'action dans les images naturelles et des cibles indicés lettre.

Expérience 1: Salience pop-out affiche
Expérience 1 vise à mesurer l'influence de la saillance visuelle sur la vitesse de traitement de segments de ligne dans un modèle synthétique. Les sujets jugés dont deux segments de ligne cible (gauche ou droite) dans un modèle de segments de ligne orientés de fond vacillait premier. Dans la moitié des essais, la sonde était une couleur pop-out (voir Figure 2a). Plus d' arrière - plan sur l' évaluation de la pop-out basée sur TOJ peut être trouvée dans une étude réalisée par Krüger et ses collègues 8, où orienta localetion saillance a été manipulé au lieu de la couleur. La distribution et la fréquence de l'AOS sont représentés sur la figure 2b.

Une analyse de puissance bayésienne a été réalisée comme décrit dans l'étape de protocole 2. Pour groupe typique taux global C (M = 70 Hz, SD = 20) et un avantage hypothétique d'environ 7 Hz pour la cible saillant dans l'état de l'attention (résultant d'une poids attentionnel de M = 0,55, SD = 0,02), 200 simulations ont été réalisées. Le taux de réussite pour détecter l'avantage a été calculé pour la limite inférieure de 95% HDI (le plus haut intervalle de densité) étant supérieure à 4 Hz et satisfaire aux exigences supplémentaires en ce qui concerne la différence à la condition de contrôle (voir TVATOJ exemple "power-exp1.R" pour tous les détails). Le taux de réussite pour atteindre cet objectif dans les conditions hypothétiques avec 25 participants avéré être 0,88 avecun IDH de 95% allant de 0,82 à 0,92.

Pour l'expérience réelle, les 30 participants ont été recrutés. Un participant a été exclu de l'analyse parce qu'il n'a pas suivi les instructions, mais toujours appuyé sur la même touche.

Figure 2

Figure 2: Expérience 1. (a) Cibles (marqués par des cercles pour illustration) dans la (partie supérieure) neutre et l' attention (partie basse) condition. (B) des distributions SOA. (C) Trois chefs de réponse au niveau du sujet exemplaires (points) et courbes prédictives a posteriori (zone hachurée, l' intensité représente la probabilité à l' égard de 100 répétitions simulées à grains fins AOS). Bleu indique le contrôle et l'état de l'attention verte. ( (e) Postérieur du taux global C et des poids attentionnelles w p et r w. (F) les distributions postérieures de v p et v p et leurs différences. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Les données ont été équipé avec le modèle dérivé de la TVA TOJ (telle que décrite dans l'introduction) en utilisant une procédure hiérarchique bayésien mis en oeuvre dans JAGS 10. Figure 2c montre trois exemplaires parcelles au niveau du sujet des données brutes et des estimations prédictives a posteriori obtenues à partir d' échantillons de niveau objet du modèle ajusté. Courbes prédictives a posteriori au niveau du Groupe sont présentés en 2D et paramètres estimations Figure sur la figure 2e et p et r w (figure 2e) ou l'individu paramètres de vitesse v p et v r (Figure 2f) peut être évaluée. Si la capacité globale de traitement C a été modifiée par la manipulation, ces derniers paramètres peuvent montrer si et comment les taux de traitement de stimulus individuels ont changé.

La procédure proposée d'estimation bayésienne hiérarchique offre une multitude de résultats. Par exemple, tous les paramètres peuvent être évalués pour chaque participant au niveau du sujet. En règle générale, il y a un intérêt dans les tendances de la population. Par conséquent, les résultats au niveau du groupe sont discutées. Les histogrammes montrent des distributions sur l'espace des paramètres. Les modes de distributions sont indiquées pour indiquer les tendances centrales des paramètres. Les 95% IDH marquer les plages dans lesquellesles vraies valeurs se trouvent avec une probabilité de 95% selon le modèle et les données (pour plus de détails sur la façon d'interpréter les statistiques bayésiens, voir Kruschke 11, 13).

Figure 2e montre les estimations des moyennes à travers des sujets pour le poids et les paramètres globaux de taux. Un avantage attentionnel pour le stimulus saillant peut être vu dans la condition d'attention. La tendance centrale du paramètre w p est de 0,59, et ses gammes de HDI 95% de 0,55 à 0,63. Par conséquent, la saillance a déplacé le poids attentionnel loin de la valeur neutre de 0,5. Dans la condition de contrôle, où aucun des objectifs était saillant, un poids neutre de p w = 0,5 a été obtenu (95% IDH: 0,48 à 0,51). La ligne "Comparaison" correspondant montre que la différence entre les poids w p dans des conditions est de 0,09, et l'IDH de 95% de cette différence a sonnées de -0,11 à 0,07. Par conséquent, il y a une différence fiable entre les deux poids en faveur du stimulus saillant.

Cependant, cela signifie que la cible saillant a été traitée plus rapidement? La différence de poids ainsi que le taux global C partagé dans la condition d'attention indiquent qu'il a été traité plus rapidement que la cible non saillant dans cette condition. Cependant, une question importante est de savoir si elle a été également traité plus rapidement que les objectifs de la condition de contrôle. Prenant les estimations des taux de traitement en compte, la réponse doit être négative. L'estimation C représentée sur la figure 2e est plus faible dans la condition d'attention par une différence de près de 17 Hz. Dans la parcelle correspondante "Comparaison", 0, aucune différence, est juste à la limite des 95% HDI; par conséquent, il est très peu probable. Compte tenu des taux individuels de la sonde (v p) et de référence (v r) stimulus à la fois l' états (Figure 2f), il est clair que l'avantage des résultats de relance saillants d'une réduction de 16 Hz du taux du stimulus non saillant dans l'état de l' attention du traitement. Une interprétation possible de ces résultats est que la cible saillant conduit à une suppression de la cible non saillant dans l'état de l'attention et de ce fait des avantages en ce qui concerne.

Notez que dans cette expérience, même si les apparences de la sonde et de référence sont identiques à l'état neutre, le délai entre le début du procès et l'événement de la sonde a été constante. Par conséquent, les participants auraient attiré l'attention vers ce point dans le temps, déplaçant ainsi le poids attentionnel loin de la valeur neutre 0,5. Par conséquent, le poids attentionnel réelle du stimulus de la sonde dans l'état de contrôle doit être estimée et fixée à 0,5. Fixer le paramètre est possible lorsque le participant ne peut pas dire dans son principe même, qui est la sonde et que le stimulus de référence, comme dans la condition de contrôle dans l'expérience 3.

Expérience 2: action avantages de l'espace dans les images naturelles
La deuxième expérience mesurée avantages attentionnelles des objets dans l'espace d'action dans les images naturelles. De changement étudie la cécité , il est connu que les objets centre d'intérêts bénéficient d'orientation qui signifie axée sur des images naturelles 14. Cet effet est absent lorsque les images sont masquées par la présentation à l'envers. Dans inédites expériences de changement de la cécité, nous avons trouvé un espace avantage d'action avec une série d'images avec des changements dans l' action-espace et les objets d'arrière - plan (il y a une réplication publiée avec le matériel de stimulation similaire en référence 15). Nous supposons que ces objets spatiaux d'action, qui sont proches de l'observateur et peut-être saisissable, présentent un avantage similaire dans leurs taux de traitement.

"Fo: keep-together.within-page =" 1 "> Ainsi, la méthode basée sur TOJ proposée est testée avec des images naturelles action espace (sonde) et plus éloignés (de référence) des objets qui sont apparus brusquement dans les images naturelles, constituées. les objectifs de la procédure TOJ (voir Figure 3a). dans un état entre-sujets contrôle, versions à l' envers des mêmes images ont été utilisés. Ceux - ci sont connus pour avoir des effets de contexte réduits dans les expériences de détection de changement 15, 16. la SOA entre les onsets a fait varier en fonction de la distribution représentée sur la figure 3a.

Une estimation de la puissance a été réalisée exactement comme pour l'expérience 1, sauf que les comparaisons entre-sujet entre condition expérimentale et de contrôle ont été menées. Le taux de réussite pour atteindre l'objectif a été estimé à 0,92 (95% IDH: 0,88 à 0,96) avec 35 participants simulés par condition (détails peuvent être found dans l'exemple TVATOJ "power-exp2.R").

Il y avait 39 sujets à la condition de l'attention et 38 dans la condition de contrôle de l'expérience réelle. (Certains sujets ont participé à ces deux conditions. A notre connaissance, cela ne compromet pas l'analyse statistique bayésienne. Traiter les données mixtes entre-sujets réduit la puissance par rapport à l'examen des différences intra-sujets.) Encore une fois, l'un des participants (la même personne dans les deux conditions) a été retiré de l'analyse de chaque état, en raison d'avoir donné des réponses volontairement aléatoires tout au long de l'expérience.

Figure 3

Figure 3: Expérience 2. (a) Action espace (marqué avec arro blancws) et le fond (flèche noire) cible dans l'état neutre (à gauche) et de l'attention (à droite). (B) la distribution de la SOA. (C) Deux exemplaires des parcelles au niveau du sujet de la (bleu) condition neutre et deux parcelles de la condition de l' attention (vert) avec le nombre de réponses (points) et courbes prédictives a posteriori de la zone ombrée; l'intensité représente la probabilité à l'égard de 100 répétitions simulées à grains fins AOS). Distributions (d) Postérieur du taux global C et des poids attentionnelles w p et r w. (E) des courbes prédictives a posteriori au niveau du Groupe. (F) les distributions postérieures de v p et v r et de leurs différences. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Ces données ont été monté dans le même manner comme dans la première expérience. La seule différence est qu'en raison de la conception inter-sujets, les différences de paramètres entre les deux conditions ne peuvent pas être calculées lors de l'échantillonnage au niveau du sujet. Cela réduit la puissance par rapport aux différences intra-sujet.

Le niveau d'objet exemplaire et les distributions prédictives a posteriori au niveau du groupe dans la figure 3c représentent des distributions qui sont à peine décalés les uns contre les autres. Les deux conditions se chevauchent presque parfaitement au niveau du groupe postérieur tracé prédictif (Figure 3e), de sorte que cela puisse paraître comme si la manipulation de l' attention n'a pas fonctionné du tout. Inspecter les distributions postérieures des paramètres, cependant, révèle qu'il existe effectivement un avantage pour les objets spatiaux d'action. La p estimation de w dans l'état de l' attention se déplace loin de l'état neutre de 0,5, qui est seulement à la fin gauche de la 95% HDI. Curieusement, cependant, il estégalement déplacé dans la condition de contrôle, avec 95% HDI même en excluant 0,5, ce qui suggère que l'inversion des images n'a pas supprimé l'avantage de l'espace d'action potentiel.

Compte tenu de la comparaison des taux individuels de traitement de stimulation (Figure 3f, «Comparaison»), un effet de l' attention peut être vu pour le taux du stimulus de référence v r. Cependant, les points de différence dans la direction opposée à l'hypothèse et est petite, ce qui reflète un changement de taux de seulement 2 Hz (95% IDH: -3,36 à 0,66).

Par conséquent, il faut conclure que, soit (a) l'avantage attentionnel des objets spatiaux d'action est due à un facteur qui ne soit pas affectée par l'inversion de la scène, comme la saillance ou de visibilité. Sinon, (b) l'inversion de la scène ne réduit pas les effets de l'espace d'action comme prévu, ou (c) la puissance de la présente expérience était trop petit pour détecter la effect. Explications (a) et (b), ou une combinaison, sont ceux susceptibles. Dans nos expériences de changement cécité inédits mentionnés plus haut, qui ont été menées avec les mêmes images, il y avait encore un avantage (bien que réduit) pour les objets spatiaux d'action dans des scènes inversées.

Dans le cadre de ce document de méthode centrée, cependant, alternative (c) peut être le plus intéressant. Par conséquent, l'ampleur des effets éventuellement négligés seront brièvement discutées. En regardant la comparaison des poids attentionnels, la limite inférieure de l'IDH de 95%, ce qui reflète la direction hypothétique, est à -0.01. Par conséquent, seuls les poids plus grand de 0,01 dans le suivi par rapport à la condition de contrôle sont probables. Cette différence est faible par rapport aux autres expériences, et les chances sont contre un même si petit effet. Cela se traduit par l'IDH limite supérieure pour atteindre 0,04. En regardant les taux de traitement est utile parce que les taux en Hz peuvent être facilement interprétés comme procévitesse de ssing.

Les différences entre les deux conditions sont indiquées dans la ligne "Comparaison" dans la figure 3f. R Différence entre les stimuli de référence est négatif, -2,03 Hz, et 95% HDI exclut 0. La différence négative reflète une augmentation du taux des cibles de référence, les objets d'arrière - plan, ce qui est trop contre l'avantage de l' espace hypothèse d'action de traitement . Un petit avantage attentionnel est encore possible dans les taux des cibles de test de traitement, leur différence Av p est estimée proche de zéro, mais les 95% HDI varie de -1,64 Hz à 1,51 Hz. Même si une valeur proche de zéro est le plus probable, les effets des taux jusqu'à 1,64 Hz en faveur de l'hypothèse, et jusqu'à 1,51 Hz contre elle, restent possibles concernant les 95% HDI. Dans l'ensemble, ces résultats ne sont pas favorables à l'hypothèse de départ, mais leur discussion a montré comment des tailles significatives des effets éventuellement manqués peuvent être conextrait des commodément résultats. Notez que pour l' acceptation des résultats nuls, tels que la réduction de l'espace manque avantage d'action en faisant tourner les images, les régions d'équivalence pratique peuvent être définies et leur chevauchement avec les 95% HDI peuvent être testés 11 (voir la section Discussion).

Expérience 3: cueing spatiale dans la reconnaissance des lettres
La troisième expérience a enquêté sur les limites du modèle de TOJ proposé sur la base TVA et montre comment le modèle peut être étendu pour faire face à ces difficultés.

Qu'est-ce qui obtient la méthode proposée dans le pétrin? Dans les deux expériences précédentes, les participants ont eu à juger deux événements temporels. Maintenant, nous ajoutons un troisième événement temporel, un signal périphérique qui est représenté 110 msec avant que la sonde de stimulation à l'attention directe vers elle. Ce troisième événement présente des difficultés à simple, le mo TOJ basé à TVAdel, pour lesquels seuls deux stimuli sont explicitement modélisés.

Figure 4

Figure 4: Effets typiques d'indices sur les latences perceptives. Grandeurs des effets de l'attention généralement dans Tojs avec des indices périphériques (lignes horizontales). Grandeurs prédites par le modèle de base TOJ-TVA pour augmenter le poids attentionnelles de la sonde de stimulation (courbes). La courbe pleine correspond aux paramètres généralement observés. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Grandeurs des avantages attentionnelles rapportés dans la littérature TOJ allusion déjà à ces difficultés. Les différences de latence induits par des signaux périphériques sont souvent aussi élevés que 50% etparfois même aussi élevé que 80% de l'intervalle de repérage 19. Comme le montre la figure 4, un si grand changement nécessiterait des poids attentionnelles improbables près de w p = 0,9 à des taux de traitement typiques. En outre, ces poids extrêmes conduisent à des distributions psychométriques très asymétriques. Celles-ci ont une forte pente à une extrémité et d'une faible pente à l'autre extrémité. Dans une manifestation plus faible, cela peut être vu dans les tracés prédictifs postérieurs de la première expérience (figure 2c et d). Ces courbes fortement déformées sont rarement signalées. Lorsque les données de l'expérience actuelle de repérage périphérique est équipé d'un modèle basé TOJ-TVA, les courbes postérieures prédite dévient fortement de la configuration de données réelle.

Il est important, cependant, les indices périphériques produisent les effets les plus forts et les plus fiables de l' attention dans psychophysique TOJ 20. Par conséquent, il est worthwhile d'appliquer une évaluation basée sur un modèle avec une version étendue du modèle proposé. Alcalá-Quintana et García Pérez-21 proposé un modèle TOJ basé sur des hypothèses générales de codage exponentielle de stimulus. Ce modèle contient un paramètre supplémentaire qui permet de grands changements sans modifier les pentes des courbes psychométriques. Alcalá-Quintana et García-Pérez utilisés pour Tojs intermodaux, lorsque ces changements proviennent de retards entre les modalités. Par conséquent, pour modéliser les données de Tojs indicés, nous incluons leur paramètre τ. Un délai entre le début des processus de codage pourrait expliquer les grands décalages latéraux attendus. Le paramètre τ peut même avoir une interprétation TVA compatible. Cependant, ce ne sont pas tout à fait sans problème et sera discuté plus tard. Pour garder le modèle parcimonieux, d'autres paramètres proposés par Alcalá-Quintana et García-Pérez (Les biais de réponse, défaillances, et un minimum possible temporellerésolution) ne sont pas inclus.

Formellement, le modèle psychométrique d' origine dans l' équation 4 est modifié par le remplacement de la SOA terme par une ajustée SOA terme adj = SOA + τ. Cet ajustement reflète également l'interprétation de τ: le début des processus de codage exponentielles sont maintenant non seulement séparés par la SOA, mais un retard constant supplémentaire est ajouté. Dans le modèle hiérarchique bayésien, sous réserve de niveau τ est échantillonné à partir d'une distribution normale au niveau du groupe.

Une analyse de pouvoir explicite n'a pas été effectuée pour cette expérience. Parce que la conception intra-sujets est similaire à celui de Expriment 1, une puissance similaire est attendue pour les effets des taux et des poids attentionnelles. Le grand décalage latéral devrait être capturé par le paramètre τ est beaucoup plus grande et plus stable que le taux et le poids des effets sont généralement, de sorte qu'aucun problème d'alimentation peut être expected pour détecter non plus.

Les données ont été recueillies pour 32 participants (parmi lesquels les trois auteurs) selon le mode opératoire décrit dans l'étape du protocole 4. Les participants devaient signaler l'ordre de deux lettres. Dans la moitié des essais le stimulus de la sonde a été précédée (110 msec) par un repère de quatre points périphérique (voir la figure 5a). Une description détaillée du matériel de stimulation peut être trouvée dans Tünnermann, Petersen et Scharlau de l' étude 7. L'AOS et leurs fréquences sont représentées sur la figure 5b. Chaque participant effectue une ou deux séances.

Figure 5

Figure 5: Expérience 3. (a) Les objectifs, arbitrairement designated comme sonde et la référence dans la condition neutre (partie supérieure). Dans l'état de l'attention (partie inférieure) le stimulus de la sonde a été précédée (110 msec) par une information de quatre points. (C) Trois chefs de réponse au niveau du sujet exemplaires (points) et les distributions prédictives a posteriori (zone hachurée, l' intensité représente la probabilité à l' égard de 100 répétitions simulées à grains fins AOS). Le bleu représente le neutre et vert la condition d'attention. (D) des courbes prédictives a posteriori au niveau du Groupe. Distributions (e) Postérieur du taux global C et des poids attentionnelles w p et r w. (F) les distributions postérieures de τ et sa différence de zéro. Distributions (g) posterieures de v p et v r et de leurs différences. S'il vous plaît cliquer ici pour voir une version agrandie de thest la figure.

Le modèle élargi décrit ci-dessus a été appliquée dans la procédure d'estimation bayésienne hiérarchique. (Pour les participants qui ont produit des courbes psychométriques très raides dans la première session, les petites AOS ont été utilisés dans la deuxième session. Cela peut être vu, par exemple, dans la gauche parcelle Figure 5c, qui contient des points de données supplémentaires au petit AOS.) En raison de le modèle plus complexe, le puissant échantillonneur NUTS du progiciel Stan a été utilisé dans cette analyse 22.

Dans les autres expériences, le stimulus de la sonde pourrait avoir un taux de traitement différent que le stimulus de référence, même dans la condition de contrôle. Dans l'expérience 1, ce fut parce que les participants auraient alloué attention à son point prévisible dans le temps par rapport au début du procès. Dans l'expérience 2, l'inversion des images ne devait pas supprimer entièrement l'avantage des objets spatiaux d'action. Dans cette expérience de repérage sur lettre, cependant, les participants ne seraient pas même en principe être en mesure d'identifier qui est la sonde et que le stimulus de référence, parce que les mêmes lettres aléatoires ont été utilisés et le temps entre le procès et ciblent le début n'a pas permis de conclure le type de cible. Par conséquent, une condition de contrôle véritablement neutre est attendue et p w fixé à 0,5 et τ à 0 dans l'état neutre.

Comme on peut le voir sur la figure 5c et 5d, la queue mène à un changement substantiel de la fonction psychométrique par rapport aux autres expériences. En outre, les parcelles postérieures à la figure 5f montrent que τ est estimée en 53.27 ms bénéficient pour la cible indicé. L'IDH de 95% sur la différence (ligne «Comparaison») exclut toutes les différences plus petites que 47,56 (ou supérieur à 57,73), ce qui les rend très improbable.

t "> Fait intéressant, il y a un changement de poids attentionnels en faveur de la cible uncued (figure 5e). La distribution a posteriori de w p a son mode à 0,42. Le weigth neutre de 0,5 ne sont pas inclus dans les 95% HDI. Pour le paramètre C, il y a une augmentation de 4,69 Hz pour la condition de l' attention. Exprimé en v-paramètres (Figure 5f), il est plus notable que le taux v r du stimulus de référence dans les conditions de l' attention augmente.

Dans les deux expériences précédentes, on a observé que les manipulations d'attention ont augmenté le poids attentionnel du stimulus de la sonde. Dans la présente expérience, cependant, la tendance pourrait refléter une interférence de la queue avec la cible, réduisant ainsi son taux dans la course pour l'encodage. Dans le même temps, les prestations cibles indicés du traitement plus rapide en raison de la paramètre τ. Celle-ci peut être lié à la réduction des retards de la cible avant ou indicéaprès les courses exponentielles. On notera toutefois qu'en ce qui concerne τ, une prolongation d'un retard associé à l'impulsion uncued explique la différence par rapport aussi bien.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Le protocole de cet article décrit comment mener Tojs simples et adapter les données avec des modèles basés sur le codage de stimulus fondamental. Trois expériences ont démontré comment les résultats peuvent être évalués dans un cadre d'estimation bayésienne hiérarchique pour évaluer l'influence de l'attention en matière de relance très différent. Salience dans les écrans pop-out a conduit à des poids attentionnelles accrus. En outre, une augmentation du poids ont été estimés pour les objets spatiaux d'action dans les images naturelles. Cependant, en raison de l'avantage persistant lorsque les relations spatiales ont été perturbées en montrant ces images à l'envers, il est probable qu'un autre avantage attentionnel locale conduit à l'augmentation de poids. Un repère périphérique, tel qu'il est utilisé dans l'expérience 3, présente une influence négative sur le poids attentionnel. Toutefois, elle conduit à un effet important dans le paramètre τ, qui modélise un délai entre le temps de démarrage du processus de codage.

La plupart du protocole suit des étapes communesdans la conduite Tojs et expériences de perception en général. Notez, cependant, que l'interprétation des résultats en termes de TVA est liée à l'encodage des stimuli dans la mémoire visuelle à court terme. La possibilité d'effectuer la TOJ par détection de l'apparition pur doit être réduite autant que possible. Par conséquent, comme mentionné dans le protocole étape 1.2, il est crucial que les attributs d'intérêt sont soit automatiquement encodés (dont on peut supposer pour certains stimuli, par exemple, saillance pop-out) ou le codage doit être facilitée par la tâche (par exemple, les rapports de la stimulus identité).

Il est conseillé d'inspecter les données brutes résumées ( "première sonde" compte à travers AOS divisé par le nombre de répétitions) avant d'exécuter l'analyse finale. Ces données devraient suivre une courbe en forme de S, comme indiqué dans les fonctions psychométriques dans les chiffres de la section Résultats représentant. On notera que du fait des réponses binomiale distribuées, les points de données aléatoiresly dévier de la trajectoire idéale. Les écarts augmentent avec une diminution du nombre de répétitions. Avec quelques répétitions, les écarts sont souvent relativement grande, obscurcissant la forme de S idéal. Cependant, si le motif diffère nettement de la courbe habituelle, le modèle mathématique peut devoir être ajustée. Par exemple, lorsque de grands décalages latéraux sont observés (comme dans l'expérience 3 de cet article), Alcalá-Quintana et le paramètre τ de García-Pérez peuvent être inclus. Si la courbe ne converge pas vers un et zéro à ses extrémités, lapse paramètres supplémentaires 21 peuvent être ajoutés.

Il est possible d'effectuer une comparaison formelle du modèle tel que suggéré dans Alcalá-Quintana et García Pérez-21 de décider entre les différents modèles. En utilisant des modèles différents de celui décrit dans l'introduction, cependant, peut avoir une incidence si les résultats peuvent être interprétés en termes de TVA.

Dans la resultats rapporté dans cet article, nous avons indiqué les tendances centrales des différences estimées avec leur 95% IDH. Toutefois, dans le cadre bayésien, il est possible d'accepter ou de rejeter qu'il n'y a pas de différence entre les deux estimations. A cet effet, une CORDE (région de pertinence pratique) doit être spécifié 11, 13. Le ROPE indique une petite gamme autour de zéro. Les valeurs dans cette gamme sont considérés comme pratiquement égale à zéro. Si la CORDE ne se chevauchent pas avec l'IDH, l'hypothèse nulle est rejetée. limites ROPE significatives dépendent de la question de recherche ou de l'application. Contrairement à l' analyse TOJ avec des moyens traditionnels, l'approche basée sur TVA peut guider l'établissement de limites de CORDE significatives: En raison de leurs unités significatives, les paramètres peuvent être liés à des estimations provenant d' autres paradigmes de TVA (par exemple, des rapports entiers, voir référence 3) . En outre, des vitesses de traitement peuvent être converties en codage durations (la valeur attendue de la durée d'encodage E x de stimulus x est de 1 / v x, voir référence 7) pour informer les limites de CORDE. Par exemple, si les chercheurs sont intéressés à savoir si une manipulation de l'attention contribue à une réduction du temps de réaction pour un participant à une simulation de conduite, ils pourraient raisonner comme suit: Les temps de réaction (y compris les composants du moteur) sont de l'ordre de quelques centaines de millisecondes, par conséquent , si la manipulation de l'attention change la réaction globale à seulement quelques millisecondes, le changement serait pratiquement nul. Par conséquent , une CORDE de -2 à +2 ms pourrait être appliquée à la différence de la durée de référence et la sonde de codage (E r -E p). Si la CORDE de cette différence comprend complètement l'IDH, le résultat qu'il n'y a aucune différence ne peut être acceptée. Si HDI et CORDE ne se chevauchent pas, l'hypothèse nulle peut être rejetée. Si ni est le cas, aucune décision de point peut être faite. De plus amples détails concernant le bayésienne evaapproche luation en général peut être trouvée, par exemple, dans le livre de Kruschke 13.

En ce qui concerne des questions plus générales, pour le succès de ce protocole, il est essentiel qu'il n'y a que deux stimuli qui génèrent des signaux temporels à l'emplacement cible. Par exemple, un repère périphérique (comme dans l' expérience 3) ou des masques 7 conduisent à de grands décalages latéraux qui ne peuvent pas être pris en compte par le modèle basé sur la TVA actuelle. De telles situations ne sont pas rares et ils ont été modélisées en incorporant un paramètre suggéré par Alcalá-Quintana et García Pérez-21. Dans ce modèle étendu, le composant τ ne peut pas être clairement lié à un mécanisme TVA. Il existe un lien provisoire entre τ et TVA, mais il y a quelques problèmes non résolus. En effet, TVA suppose un court délai avant le codage commence. Paramètre t 0, ce qui a été discuté dans l'introduction, est l'exposition maximale inefficace duration avant que rien ne soit encodée en tout. La différence t 0r -t 0p pourrait être comprise comme τ. Cependant, t 0 est généralement faible, autour de 10 à 20 msec. En outre, la théorie ne suppose pas que elle est influencée par l'attention. Néanmoins, t 0 réductions ont été observées dans la reconnaissance des lettres 7, 24. Si l'on accepte cette possibilité, un engagement supplémentaire doit être faite. τ paramètre a été mesuré à environ 50 ms. Compte tenu du fait que t 0p du stimulus indicé peut au maximum être diminué de 10 à 20 ms , car il est pas plus grand en premier lieu, la plupart des τ proviendrait de l' augmentation t 0r du uncued 50 à 60 msec. Cette grandeur est bien au-delà ce qui est parfois observée (environ 10 msec). En conséquence de la relation claire de τ à TVA, certaines questions importantes ne peuvent pas répondre. Par exemple, il ne peut pas être décidé si les retards de stimu assistéli sont réduites ou si celles des stimuli sans surveillance sont prolongés (résultant de la différence de τ observée).

Les limites de la technique mentionnée ci-dessus proviennent du fait que seuls deux stimuli sont explicitement modélisés avec TVA. Pour améliorer cela, la recherche future vise à étendre le modèle à base de TVA à plus de deux stimuli. En particulier, la modélisation explicite la cue indicé TOJ avec TVA est un objectif important de la recherche ultérieure 25.

Avantages du protocole sont la simplicité de la tâche TOJ qui peut utiliser presque stimuli arbitraire, le fondement théorique approfondie par TVA, et le système d'évaluation bayésienne. Le modèle à base de TVA est un grand pas en avant des approches sans modèles traditionnels. Dans le passé, la plupart du temps les fonctions psychométriques génériques ont été montés sur des données PFCE. Des changements dans la synthèse Paramètres des PSS (point de simultanéité subjective) et DL (différence limen; une mesure dela performance de la discrimination) ont été liés à des manipulations attentionnelles. Parfois, ces paramètres sont sur-interprétés. Par exemple, il est souvent affirmé que l' attention accélère le traitement du stimulus assisté, alors qu'il pourrait également être le cas que le stimulus sans surveillance est ralentie 7. En plus de cette faiblesse, ces paramètres sont plutôt indirecte. Ils décrivent la performance dans la tâche et ne caractérisent pas les processus qui les produisent. L'analyse basée sur un modèle de Tojs améliore ces inconvénients en fournissant des paramètres significatifs sur la base 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