Author Produced

Misurazione Attenzione e velocità di elaborazione visiva dal Modello di analisi basata su delle decisioni di ordine temporale

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

Questo protocollo descrive come condurre esperimenti temporale fine di misurare la velocità di elaborazione visiva e la distribuzione delle risorse dell'attenzione. Il metodo proposto si basa su una nuova e sinergica combinazione di tre componenti: il paradigma giudizi temporali di ordine (TOJ), la teoria di Bundesen of Visual Attention (TVA), e un quadro di stima bayesiana gerarchica. Il metodo prevede parametri facilmente interpretabili, che sono supportate da le basi teoriche e neurofisiologici della TVA. Utilizzando tojs, le stime TVA-based possono essere ottenuti per una vasta gamma di stimoli, mentre paradigmi tradizionali utilizzati con IVA sono prevalentemente limitate alle lettere e cifre. Infine, i parametri significativi del modello proposto consentono la creazione di un modello bayesiano gerarchico. Tale modello statistico permette di valutare i risultati di una analisi coerente sia sul soggetto e il livello di gruppo.

Per dimostrare la fattibilità e versatility di questo nuovo approccio, tre esperimenti sono riportati con manipolazioni di attenzione in sintetico display pop-out, le immagini naturali, e un cued paradigma lettera-rapporto.

Introduction

Come attenzione viene distribuita nello spazio e nel tempo è uno dei fattori più importanti nella percezione visiva umana. Gli oggetti che catturano l'attenzione a causa della loro visibilità e importanza sono in genere elaborati più velocemente e con maggiore precisione. Nella ricerca comportamentale, tali vantaggi prestazionali sono stati dimostrati in una varietà di paradigmi sperimentali. Per esempio, destinando attenzione alla posizione di destinazione accelera la reazione in attività di rilevamento della sonda 1. Allo stesso modo, l'accuratezza delle lettere di segnalazione è migliorata l'attenzione 2. Tali risultati dimostrano che l'attenzione aumenta la lavorazione, ma rimangono irrimediabilmente muto su come è stabilito questo miglioramento.

Il presente lavoro dimostra che i meccanismi di basso livello alle spalle vantaggi di attenzione può essere valutata misurando la velocità di elaborazione dei singoli stimoli in un quadro model-based che mette in relazione le misure a piccolo grano components di attenzione. Con un tale modello, la capacità di elaborazione complessiva e la sua distribuzione tra gli stimoli possono essere dedotti dalla misurazione della velocità di elaborazione.

La teoria di Bundesen of Visual Attention (TVA) 3 fornisce un modello adatto a questo sforzo. E 'tipicamente applicato ai dati provenienti da attività di lettera di report. Di seguito, i fondamenti della TVA sono spiegati ed è mostrato come possono essere estesi per modellare i dati giudizio temporale-ordine (TOJ) ottenuti con (quasi) stimoli arbitrari. Questo nuovo metodo fornisce stime di velocità di elaborazione e distribuzione delle risorse che possono essere facilmente interpretabili. Il protocollo in questo articolo spiega come pianificare e condurre tali esperimenti e particolari come i dati possono essere analizzati.

Come accennato in precedenza, il solito paradigma modellazione TVA-based e stima dei parametri di attenzione è il compito lettera report. I partecipanti riportano le identità di una serie di lettere cheè brevemente lampo e tipicamente mascherato dopo un ritardo variabile. Tra gli altri parametri, il tasso al quale elementi visivi sono codificati nella memoria visiva a breve termine può essere stimato. Il metodo è stato applicato con successo a domande in ricerca di base e clinica. Per esempio, Bublak e colleghi hanno valutato 4 che i parametri di attenzione sono colpiti in diverse fasi di deficit cognitivi legati all'età. Nella ricerca fondamentale l'attenzione, Petersen, Kyllingsbæk, e Bundesen 5 utilizzati TVA per modellare l'effetto tempo di sosta attentivo, difficoltà dell'osservatore nel percepire il secondo dei due obiettivi in determinati intervalli di tempo. Un grave inconveniente del paradigma lettera rapporto è che richiede stimoli sufficientemente overlearned e mascherabili. Questo requisito limita il metodo di lettere e cifre. Altri stimoli richiederebbero una formazione pesante di partecipanti.

Il paradigma TOJ non richiede né stimul specificoio né mascheramento. Può essere utilizzato con qualsiasi tipo di stimoli per cui l'ordine di comparsa può essere giudicato. Questo si estende la gamma di stimolo per praticamente tutto ciò che possa essere di interesse, tra cui i confronti 6 cross-modali diretti.

Investigating attenzione con Tojs si basa sul fenomeno di entrata prima dell'attenzione che è una misura di quanto in precedenza uno stimolo frequentato è percepito rispetto ad uno automatica. Purtroppo, il solito metodo per analizzare i dati TOJ, fitting funzioni psicometriche prestazioni osservatore (come ad esempio le funzioni gaussiana o logistiche cumulativi), non può distinguere se l'attenzione aumenta il tasso di trasformazione dello stimolo assistito o se diminuisce la percentuale di stimolo incustodita 7. Questa ambiguità è un problema importante perché la questione se la percezione di uno stimolo è veramente migliorata o se beneficia a causa del ritiro di risorse da un stimul competere noi è una questione di rilevanza sia fondamentale e pratico. Ad esempio, per la progettazione di interfacce uomo-macchina è molto importante per sapere se aumentare la prominenza di un elemento funziona a scapito di un altro.

Il compito TOJ di solito procede come segue: un segno di fissaggio è presentato per un breve ritardo, tipicamente un estratto a sorte intervallo più breve di un secondo. Poi, il primo obiettivo è presentata, seguita dopo una variabile dello stimolo asincronia (SOA) dal secondo target. A SOA negativi, la sonda, lo stimolo frequentato, viene visualizzato per primo. A SOA positivi, il riferimento, lo stimolo incustodita, conduce. In una SOA zero, entrambi gli obiettivi sono mostrati simultaneamente.

Tipicamente, presentando il bersaglio si riferisce alla commutazione stimolo on. In determinate condizioni, tuttavia, altri eventi temporali, come ad esempio un guizzo di una già presente bersaglio o offset sono utilizzati 8.

_content "> In tojs, le risposte sono raccolte in maniera unspeeded, di solito con i tasti mappati alle identità di stimolo e gli ordini di presentazione (ad esempio, se gli stimoli sono quadrati e diamanti, una chiave indica" piazza prima "e un altro" diamanti primo ") . È importante sottolineare che, per la valutazione, questi giudizi devono essere convertiti in "sonda prima" (o "primo riferimento") giudizi.

Nel presente lavoro, una combinazione del modello di elaborazione di IVA e paradigma sperimentale TOJ viene utilizzato per eliminare i problemi in entrambi i domini individuale. Con questo metodo, i parametri di velocità facilmente interpretabili possono essere stimati per stimoli visivi quasi arbitrarie, consentendo di dedurre come l'attenzione dell'osservatore è assegnato a competere elementi visivi.

Il modello si basa sulle equazioni di TVA per la lavorazione dei singoli stimoli, che verranno brevemente spiegate nel seguito. La probabilità che uno stimulci è codificato nella memoria visiva a breve termine prima che l'altro viene interpretato come la probabilità di giudicare questo stimolo come apparire per primo. Le singole durate di codifica sono esponenzialmente distribuiti 9:

Equazione 1 (1)

La massima esposizione inefficace durata t 0 è una soglia di fronte al quale nulla è codificato a tutti. Secondo TVA, il tasso di v x, i in cui oggetto x è codificato come membro di una categoria percettiva i (come il colore o una forma) è data dall'equazione tasso,

Equazione 2 . (2)

La forza dell'evidenza sensoriale che x appartiene alla categoria I è espressa in x η, i, e beta i è un bias decisione per classificare gli stimoli come membri della categoria i. Questo viene moltiplicato per unpesi ttentional. I singoli pesi di attenzione W x sono divisi per i pesi di attenzione di tutti gli oggetti nel campo visivo. Pertanto, il peso attentivo relativa viene calcolato come

Equazione 3 (3)

dove R rappresenta tutte le categorie e η x, i rappresenta la prova sensoriale che oggetto x appartiene alla categoria j. Il valore di j π è chiamato pertinenza di categoria j e riflette una tendenza a fare categorizzazioni in j. La capacità di elaborazione totale C è la somma di tutte le tariffe di elaborazione per tutti gli stimoli e le categorizzazioni. Per una descrizione più dettagliata di TVA, fare riferimento a Bundesen e Habekost del libro 9.

Nel nostro nuovo metodo, Equazione 1, che descrive la codifica dei singoli stimoli, si trasforma in un modello di Tojs. Supponendo che bias di selezione e le categorie di rapporti sono constant all'interno di un compito sperimentale, la velocità di elaborazione v p e v r della sonda due porta stimoli (p) e di riferimento (R) dipende C ei pesi attenzionali nella forma v p = C · w p e v r = C · w r rispettivamente. Il nuovo modello TOJ esprime la probabilità di successo P p 1 ° che un partecipante giudica lo stimolo della sonda di essere prima in funzione della SOA e le tariffe di lavorazione. Può essere formalizzata come segue:

Equazione 4 (4)

Una descrizione più dettagliata di come questa equazione è derivata dalle equazioni di base TVA è descritto da Tünnermann, Petersen, e Scharlau 7.

Per semplicità, il parametro t 0 è omesso nel modello in Equazione 1. Secondo la TVA originale, t 0 deve essere identico per boobiettivi Th nel compito TOJ, e, di conseguenza, si annulla. Tuttavia, questa ipotesi può talvolta essere violata (vedere la sezione Discussione).

Per il montaggio questa equazione a dati TOJ, uno schema di stima bayesiana gerarchico 11 è suggerito. Questo approccio permette di stimare i pesi attentive w p e r w della sonda e di riferimento stimoli e la velocità di elaborazione complessiva C. Questi parametri, la conseguente tassi di assorbimento v p e V R, e le differenze di attenzione indotta tra di loro, può essere valutata sui livelli di soggetti e di gruppo insieme con le incertezze stimate. Il modello gerarchico è illustrato nella figura 1. Durante la fase di progettazione per un esperimento, comoda analisi di potenza bayesiana può essere condotta.

Il seguente protocollo descrive come pianificare, eseguire ed analizzare esperimenti TOJ da cui parametri di velocità di elaborazione e pesi di attenzione per gli stimoli visivi possonoessere ottenuto. Il protocollo presuppone che il ricercatore è interessato a come una manipolazione attenzionale influenza la velocità di elaborazione di alcuni obiettivi di interesse.

Figura 1

Figura 1: modello grafico utilizzato nella procedura di stima bayesiana. Cerchi indicano le distribuzioni stimate; doppi cerchi indicano i nodi deterministici. Piazze indicano i dati. Le relazioni sono riportati sul lato destro della figura. I nodi al di fuori dei telai arrotondati ( "piatti") rappresentano stime medie e dispersione dei parametri TVA (vedi introduzione) a livello di gruppo. Nella piastra di "soggetti J", si può vedere come i pesi di attenzione (W) sono combinati con i tassi di elaborazione complessiva (C) dalla velocità di elaborazione dello stimolo (V) sul livello di soggetto. Piastra "i SOA &# 8221; mostra come questi parametri TVA vengono poi trasformati (tramite la funzione P p 1 descritto nell'introduzione) nella probabilità di successo (θ) per le risposte binomiale distribuiti in ogni SOA. Pertanto, il θ insieme alle ripetizioni della SOA (n) descrivono i punti di dati (y). Per maggiori dettagli sulla notazione e l'interpretazione dei modelli grafici, fare riferimento a Lee e Wagenmakers 23. Si noti che, per motivi di chiarezza, i nodi che rappresentano differenze di parametri sono stati omessi. Questi parametri deterministici sono indicate nelle figure dei risultati sperimentali invece. Clicca qui per vedere una versione più grande di questa figura.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

NOTA: Alcuni passi in questo protocollo può essere realizzato utilizzando il software personalizzato fornito (insieme con istruzioni di installazione) a http://groups.upb.de/viat/TVATOJ. Nel protocollo, questa raccolta di programmi e script è denominato "TVATOJ".

1. Selezione di stimolo Materiale

  1. Selezionare stimoli in base alla domanda di ricerca.
    NOTA: In generale, due obiettivi sono mostrati in diverse posizioni sullo schermo. Gli stimoli che sono stati utilizzati con il presente metodo includono, ad esempio, forme, numeri, lettere, single nel display pop-out, e gli oggetti in immagini naturali. Gli ultimi tre tipi sono stati utilizzati in questo protocollo.
    NOTA: diversi tipi di stimolo diversi sono compresi nel plugin TOJ ( "psylab_toj_stimulus" fornito con TVATOJ) per il costruttore esperimento OpenSesame 12.
  2. Durante la creazione di nuovi tipi di stimolo, assicurarsi che le proprietà di interest devono essere codificati per la sentenza che li rende importante per l'attività o selezionare gli stimoli dove le proprietà di interesse sono codificati automaticamente (per esempio, singletons nei display pop-out).

2. Potenza Stima e pianificazione

  1. Eseguire un'analisi potere bayesiana simulando set di dati con il modello selezionato, progettazione pianificata (distribuzione SOA e ripetizioni), le dimensioni del campione e parametri ipotizzati. Valutare se è probabile che raggiungere l'obiettivo di ricerca (per esempio, una certa differenza nei parametri). Se l'alimentazione non è sufficiente, modificare il disegno aggiungendo o spostando SOA o ripetizioni e ripetere l'analisi.
    1. Per utilizzare il software fornito TVATOJ, aprire e modificare lo script "exp1-power.R". Seguire i commenti nel file per regolare per l'analisi specifica. Per informazioni di carattere generale sulla stima di potenza bayesiana riferimento a Kruschke 13.
<p class = "jove_title"> 3. Specifica o Programmazione del Experiment

  1. Utilizzare un costruttore esperimento o una libreria presentazione psicofisico per implementare l'esperimento.
    1. Per usare il plugin OpenSesame TOJ fornite in TVATOJ, trascinare il plugin "psylab_toj_stimulus" in un ciclo di presentazione di prova. In alternativa, aprire l'esempio esperimento "semplice-toj.osexp" in OpenSesame.
    2. Selezionare il tipo di stimolo desiderato dal menu a discesa "tipo di stimolo" nella configurazione psylab_toj_stimulus. Seguire le istruzioni in TVATOJ per l'aggiunta di nuovi tipi di stimolo, se necessario.
  2. Specificare le prove, come descritto nei seguenti passaggi.
    1. Per ogni condizione sperimentale, creare prove con la SOA previsto. Quando si utilizza il plugin psylab_toj_stimulus e OpenSesame, aggiungere tutti i vari fattori come variabili per il ciclo di prova (ad esempio, "SOA").
    2. Aggiungere righe alla tabella di realizzaretutte le combinazioni di fattori (ad esempio, sette SOA, da -100 a 100 msec, incrociati con le condizioni sperimentali "attenzione" e "neutrale"). Regolare l'attributo del loop "Ripeti" per creare ripetizioni sufficienti (vedere il passaggio del protocollo 2 per determinare la distribuzione e la ripetizione della SOA).
      NOTA: in genere, al massimo 800 prove possono essere presentati entro un'ora. Se sono necessarie più ripetizioni, pensare di dividere l'esperimento in varie sessioni. Assicurarsi che l'attributo "Ordine" del ciclo è impostato su "Random" prima di eseguire l'esperimento.
    3. Nella configurazione del plugin psylab_toj_stimulus, aggiungere segnaposto (ad esempio "[SOA]") per i vari fattori nei rispettivi campi. Inserisci valori costanti nei campi di fattori che non sono molteplici.
      NOTA: Prima di eseguire l'esperimento, assicurarsi che tempistica accurata è garantita. Se il comportamento tempistica adeguata dei monitor più recenti non è stata verificata, l'usoMonitor CRT e la sincronizzazione con il segnale di ritracciamento verticale 12.

4. Procedura sperimentale

  1. Accogliente e briefing dei partecipanti
    1. Il benvenuto ai partecipanti e informarli circa la forma generale di questo esperimento (esperimento di percezione del computer-based). Informare i partecipanti circa la durata prospettica dell'esperimento. Ottenere il consenso informato dei partecipanti di partecipare all'esperimento.
    2. Assicurarsi che i partecipanti mostrano normale o visione corretta-a-normale (in modo ottimale per lo svolgimento di brevi test di visione). Alcuni deficit, come cecità colore, può essere tollerabile se non interferiscono con la domanda di ricerca per il particolare tipo di materiale di stimolo.
    3. Fornire una cabina tranquilla dove viene condotto l'esperimento. Regolare la sedia, mentoniera, posizione sulla tastiera, e così via, al fine di garantire condizioni di visualizzazione e risposta ottimali per l'experiment.
    4. Rendere i partecipanti consapevoli del fatto che l'esperimento richiede attenzione e la concentrazione mentale e può essere faticoso. Chiedi loro di prendere brevi pause quando necessario. È, tuttavia, altrettanto importante non eseguire queste semplici operazioni sotto forte sforzo attentivo. Dire ai partecipanti che è bene fare alcuni errori.
  2. Istruzione e warm-up
    1. istruzioni su schermo presenti per il compito, in dettaglio la procedura di sequenza di presentazione e la raccolta di risposta. Informare i partecipanti che il compito è quello di riportare l'ordine in cui gli obiettivi sono arrivati, e che questo sarà difficile in alcuni studi. Chiedi ai partecipanti di segnalare la loro prima impressione quando non riescono a dire l'ordine con certezza, e far loro indovinare se non hanno tale impressione a tutti.
      NOTA: Nelle tojs binari usati qui, non esiste alcuna opzione per indicare la percezione della simultaneità. Per evitare un eccessivo indovinare, non sottolineare la presenza di prove con SIMUltaneously presentato gli obiettivi in ​​modo esplicito. Lasciate che queste siano semplicemente prove difficili con le istruzioni di cui sopra.
    2. Per evitare movimenti dell'occhio durante le prove, chiedere ai partecipanti di fissare un marchio che viene mostrato al centro dello schermo. Chiedi loro di riposare la testa su una mentoniera.
    3. Chiedi ai partecipanti di prendere brevi pause, se necessario. Fate loro sapere quando si rompe sono ammessi e quando devono essere evitati (ad esempio, durante la presentazione di destinazione e prima che la risposta).
    4. Includere una breve formazione in cui i partecipanti possono abituarsi al compito. A tal fine, presentare un sottoinsieme casuale delle prove sperimentali (vedere fase protocollo 3.2).
      NOTA: poiché il compito in sé è piuttosto semplice, da dieci a venti prove sono in genere sufficienti. Può essere utile per aumentare la fiducia dei partecipanti nella loro performance in questo compito. Questo può essere fatto rallentando la presentazione e fornire un feedback.
    5. Ottenere confirmati dei partecipantisu che hanno capito il compito (lasciarli spiegano) e che non hanno altre domande.
  3. Esecuzione di test principale
    1. Lasciate che l'avvio del software sperimentale con la presentazione delle prove principali. Lasciare la cabina per l'esperimento principale.

5. Analisi basata su modelli di dati TOJ

  1. Convertire i file di dati grezzi in conti di giudizio per ogni SOA "sonda primi". Ad esempio, eseguire lo script "os2toj.py" fornito con TVATOJ.
  2. Eseguire la procedura di stima bayesiana per stimare i parametri principali w p e C, il derivato quelli v p e r v e le differenze dei parametri. A tale scopo, eseguire lo script "run-evaluation.R" dopo averlo modificato in base alle istruzioni fornite nel file.
  3. Quando il campionamento è terminato, le differenze di interesse per le domande di ricerca possono essere valutati. examplES si possono trovare nella sezione seguente.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Nel seguito sono riportati i risultati ottenuti con il metodo proposto. Tre esperimenti misurato l'influenza di diversi manipolazioni attentive con tre altamente diversi tipi di materiale di stimolo. Gli stimoli sono semplici segmenti di linea nei modelli di pop-out, azione oggetti spaziali in immagini naturali, e gli obiettivi della lettera cued.

Esperimento 1: Salience nei display pop-out
Esperimento 1 diretta a misurare l'influenza della salienza visiva sulla velocità di elaborazione di segmenti di linea in un modello sintetico. I soggetti giudicati quale dei due segmenti di linea bersaglio (sinistra o destra) in un modello di segmenti di linea orientati sfondo tremolò prima. Nella metà dei processi, la sonda era un colore pop-out (si veda la Figura 2a). Più di fondo sulla valutazione TOJ a base di pop-out può essere trovato in uno studio condotto da Krüger e colleghi 8, dove Orienta localezione rilevanza è stato manipolato al posto del colore. La distribuzione e frequenza del SOA sono mostrati in Figura 2b.

Una analisi di potenza bayesiana è stata condotta come descritto nel passaggio protocollo 2. Per tipica gruppo tassi complessivi C (M = 70 Hz, SD = 20) e un ipotetico vantaggio da circa 7 Hz per il target saliente nella condizione di attenzione (conseguente a peso dell'attenzione di M = 0.55, DS = 0.02), sono state eseguite 200 simulazioni. Il tasso di successo per rilevare il vantaggio è stato calcolato per il limite inferiore del HDI 95% (più alto intervallo di densità) essendo superiore a 4 Hz e soddisfare i requisiti supplementari per quanto riguarda la differenza di condizione di controllo (vedi TVATOJ esempio "power-exp1.R" per tutti i dettagli). Il tasso di successo per il raggiungimento di questo obiettivo sotto le ipotetiche condizioni con 25 partecipanti si è rivelata 0,88 conun HDI 95% che vanno 0,82-0,92.

Per l'esperimento vero e proprio, 30 partecipanti sono stati reclutati. Un partecipante è stato escluso dall'analisi perché non seguire le istruzioni, ma sempre premuto lo stesso tasto.

figura 2

Figura 2: Esperimento 1. (a) Obiettivi (contrassegnati con cerchi per l'illustrazione) nella (parte alta) neutro e l'attenzione (parte bassa) condizione. (B) le distribuzioni SOA. (C) Tre esemplari conta di risposta a livello di soggetto (punti) e le curve posteriori predittiva (area ombreggiata; intensità rappresenta probabilità in relazione ai 100 ripetizioni simulate a grana fine SOA). Blu indica il controllo e la condizione di attenzione verde. ( (e) posteriore del tasso complessivo C e pesi di attenzione w p e r w. (F) distribuzioni posteriori di v p e v p e le loro differenze. Clicca qui per vedere una versione più grande di questa figura.

Il dato è stato dotato il modello TOJ derivato da TVA (come descritto nell'introduzione) utilizzando una procedura Bayesiano gerarchico implementato in JAGS 10. Figura 2c mostra tre esemplari trame di livello soggetto dei dati grezzi e posteriori stime predittive ottenuti da campioni di livello soggetto del modello adattato. A livello di gruppo posteriori curve predittivi vengono visualizzati in 2D e parametri stime figura in figura 2e e p e r w (figura 2e) o dei singoli parametri tasso v p e r v (figura 2f) può essere valutata. Se la capacità di elaborazione totale C è stata modificata dalla manipolazione, questi ultimi parametri possono dimostrare se e come i singoli tassi di elaborazione di stimolo sono cambiate.

La procedura di stima bayesiana gerarchico proposto offre una ricchezza di risultati. Ad esempio, tutti i parametri possono essere valutati per ogni partecipante a livello di soggetto. Tipicamente, vi è interesse a tendenze nella popolazione. Quindi, i risultati a livello di gruppo sono discussi. Gli istogrammi mostrano le distribuzioni nel spazio dei parametri. Le modalità delle distribuzioni sono indicati per indicare le tendenze centrali dei parametri. Il 95% ISU si segnano i campi in cuii veri valori si trovano con una probabilità del 95% a seconda del modello e dei dati (per ulteriori dettagli su come interpretare i statistica bayesiana, si riferiscono a Kruschke 11, 13).

Figura 2e mostra le stime dei mezzi attraverso soggetti per il peso e parametri tasso complessivo. Un beneficio dell'attenzione per lo stimolo saliente può essere visto nella condizione di attenzione. La tendenza centrale del parametro w p è 0.59, e le sue 95% gamme HDI da 0,55 a 0,63. Quindi, salienza spostò il peso attentivo lontano dal valore neutro di 0,5. Nella condizione di controllo, in cui nessuno degli obiettivi era saliente, un peso neutro di w p = 0,5 è stato ottenuto (95% HDI: 0,48 al 0.51). La riga corrispondente "Comparison" mostra che la differenza tra i pesi w p tutti condizioni è 0,09, e HDI 95% di questa differenza squillòes da -0.11 a 0,07. Quindi, vi è una differenza affidabile tra i due pesi in favore dello stimolo saliente.

Tuttavia, questo significa che l'obiettivo saliente è stato elaborato più velocemente? La differenza di peso insieme con il tasso C globale condiviso nella condizione di attenzione indica che è stato elaborato più veloce del bersaglio non saliente in questa condizione. Tuttavia, una domanda importante è se è stato anche elaborato più velocemente rispetto agli obiettivi della condizione di controllo. Prendendo le stime dei tassi di elaborazione in considerazione, la risposta deve essere no. La stima C mostrata in figura 2e è inferiore nella condizione di attenzione da una differenza di quasi 17 Hz. Nella trama corrispondente "confronto", 0, nessuna differenza, è proprio ai margini del HDI 95%; quindi è altamente improbabile. Considerando i tassi individuali della sonda (v p) e di riferimento (v r) stimolo sia in condiziones (figura 2f), è evidente che il vantaggio dei risultati stimolo salienti una riduzione del 16 Hz della velocità di elaborazione dello stimolo non saliente nella condizione di attenzione. Una possibile interpretazione di questi risultati è che l'obiettivo saliente porta a una soppressione del target non saliente nella condizione di attenzione e conseguenti benefici in relazione.

Si noti che in questo esperimento, anche se le apparenze di sonda e di riferimento erano identici in condizione di folle, il ritardo tra l'inizio prova e evento sonda era costante. Pertanto, i partecipanti potevano diretta attenzione verso questo punto nel tempo, spostando così il peso attentivo dal valore neutro 0.5. Di conseguenza, il peso reale attenzionale dello stimolo sonda nella condizione di controllo deve essere stimato e fissato a 0,5. Fissaggio del parametro è possibile quando il partecipante non può dire anche in linea di principio, che è la sonda e che lo stimolo di riferimento, come nella condizione di controllo nell'esperimento 3.

Esperimento 2: azione vantaggi di spazio in immagini naturali
Il secondo esperimento misurata vantaggi di attenzione per gli oggetti nello spazio di azione in immagini naturali. Dal cambiamento cecità studia è noto che il centro di interessi oggetti beneficiano di significato-driven orientamento in immagini naturali 14. Questo effetto è assente quando le immagini vengono oscurati da presentazione a testa in giù. In esperimenti cambiamento cecità inediti, abbiamo trovato un vantaggio spazio azione con una serie di immagini con i cambiamenti in atto di spazio e di oggetti di sfondo (c'è una replica pubblicata con stimolo materiale simile in riferimento 15). Ipotizziamo che questi oggetti spaziali azione, che sono vicini all'osservatore e, eventualmente, afferrabile, mostrano un vantaggio simile nei loro tassi di elaborazione.

. 1 "> In tal modo, il metodo TOJ-based proposto è stato testato con immagini naturali spazio d'azione (sonda) e gli oggetti più distanti (di riferimento), che apparve all'improvviso in immagini naturali, costituito:" fo = together.within-Restare-" gli obiettivi per la procedura TOJ (vedi Figura 3a). in una condizione tra soggetti di controllo, le versioni capovolte delle stesse immagini sono stati utilizzati. Questi sono noti per avere una riduzione degli effetti del contesto in esperimenti di change detection 15, 16. la SOA tra insorgenze è stata variata secondo la distribuzione illustrata nella figura 3a.

Una stima di potenza è stato eseguito esattamente come per Esperimento 1, salvo che il confronto tra i soggetti tra condizione sperimentale e di controllo sono state condotte. Il tasso di successo per raggiungere l'obiettivo è stato stimato con 0,92 (95% HDI: 0,88-0,96), con 35 partecipanti simulate per condizione (dettagli possono essere found nell'esempio TVATOJ "power-exp2.R").

Ci sono stati 39 soggetti in condizione di attenzione e 38 nella condizione di controllo dell'esperimento vero e proprio. (Alcuni soggetti hanno partecipato a entrambe le condizioni. A nostra conoscenza, questo non compromette l'analisi statistica bayesiana. Trattare i dati misti come tra soggetti riduce la potenza rispetto a considerare le differenze entro i soggetti.) Ancora una volta, uno dei partecipanti (la stessa persona in entrambe le condizioni) è stato rimosso dall'analisi di ciascuna condizione, a causa di aver dato risposte intenzionalmente casuali tutto l'esperimento.

Figura 3

Figura 3: Esperimento 2. (a) spazio d'azione (contrassegnati con Arro biancoWS) e lo sfondo (freccia nera) si rivolge nella condizione neutra (a sinistra) e l'attenzione (a destra). (B) la distribuzione SOA. (C) Due esemplari trame di livello soggetto dalla (blu) condizione neutra e due lotti della condizione di attenzione (verde) con conta di risposta (punti) e curve predittivi posteriori zona ombreggiata; intensità rappresenta probabilità in relazione ai 100 ripetizioni simulate a grana fine SOA). Distribuzioni (d) posteriore del tasso complessivo C e pesi di attenzione w p e r w. (E) a livello di Gruppo posteriori curve predittivi. (F) distribuzioni posteriori di v p e r v e le loro differenze. Clicca qui per vedere una versione più grande di questa figura.

Questo dato è stato montato nella stessa manner come nel primo esperimento. L'unica differenza è che a causa della progettazione tra soggetti, differenze di parametri tra le due condizioni non potevano essere calcolati durante il campionamento a livello soggetto. Questo riduce la potenza rispetto alle differenze entro soggetti.

Il soggetto di livello esemplare e le posteriori a livello di gruppo distribuzioni predittive in figura 3c mostrano distribuzioni che sono a malapena spostati uno contro l'altro. Le due condizioni si sovrappongono quasi perfettamente nel gruppo di livello posteriore plot facilitata (figura 3e), in modo che può sembrare come se la manipolazione attenzione non aveva funzionato affatto. Controllo delle distribuzioni posteriori dei parametri, tuttavia, rivela che in effetti vi è un vantaggio per gli oggetti dello spazio di azione. Il p stima w nella condizione di attenzione viene spostata lontano dallo stato neutro di 0.5, che è solo alla fine sinistra della HDI 95%. Curiosamente, tuttavia, èanche spostato nella condizione di controllo, con l'HDI 95% anche al netto di 0,5, il che suggerisce che l'inversione delle immagini non ha rimosso il potenziale vantaggio di spazio di azione.

Considerando il confronto delle singole velocità di elaborazione di stimolo (Figura 3f, "Confronto"), un effetto visivo può essere visto per la frequenza dello stimolo riferimento v r. Tuttavia, i punti di differenza nella direzione opposta all'ipotesi ed è piccolo, riflettendo una variazione del tasso di soli 2 Hz (95% HDI: -3.36 0.66).

Pertanto, si deve concludere che (a) il attenzionale vantaggio di oggetti spaziali azione è dovuta ad un fattore che non è influenzata da inversione scena, ad esempio salienza o la visibilità. In alternativa, (b) l'inversione scena non riduce gli effetti spaziali azione come previsto, o (c) la potenza della presente esperimento era troppo piccolo per rilevare la effect. Spiegazioni (a) e (b), o una combinazione, sono quelli probabili. Nei nostri esperimenti di cambiamento cecità inediti menzionati in precedenza, che sono stati condotti con le stesse immagini, c'era ancora un vantaggio (anche se ridotto) per l'azione di oggetti dello spazio in scene invertite.

Nel contesto di questo documento metodo centrato, tuttavia, alternative (c) può essere il più interessante. Pertanto, le ampiezze di possibili effetti trascurate saranno discussi brevemente. Guardando il confronto dei pesi di attenzione, il limite inferiore del HDI 95%, che riflette la direzione ipotizzata, è a -0.01. Quindi, solo i pesi più grandi da 0,01 nel frequentato rispetto alla condizione di controllo sono probabili. Questa differenza è piccolo rispetto agli altri esperimenti, e le probabilità sono contro anche ad un piccolo effetto. Ciò si riflette dalla HDI limite superiore raggiungendo 0,04. Guardando i tassi di elaborazione è utile perché i tassi in Hz possono essere facilmente interpretati come procevelocità ssing.

Le differenze tra le due condizioni sono riportati nella riga "Comparison" nella figura 3f. Differenza Δv r tra gli stimoli di riferimento è negativo, -2.03 Hz, e HDI 95% esclude 0. La differenza negativa riflette un aumento della velocità di elaborazione dei target di riferimento, gli oggetti di sfondo, che è anche contro l'azione vantaggio di spazio ipotesi . Un piccolo vantaggio attentivo è ancora possibile nei tassi di elaborazione dei bersagli sonda, loro differenza Δv p è stimato vicino a zero, ma il HDI 95% va da -1,64 a 1,51 Hz Hz. Anche se un valore vicino a zero è più probabile, effetti a tasso fino a 1.64 Hz a favore dell'ipotesi, e fino a 1.51 Hz contro di essa, restano possibili relativa HDI 95%. Nel complesso, questi risultati non sono favorevoli per l'ipotesi originale, ma la loro discussione ha mostrato come dimensioni significative degli effetti eventualmente perse possono essere conveniently estratta dai risultati. Si noti che per l'accettazione risultati nulli, quali la riduzione privo del vantaggio spazio all'azione ruotando le immagini, le regioni di equivalenza pratica possono essere definiti e la loro sovrapposizione con la HDI 95% possono essere testate 11 (vedi Discussione sezione).

Esperimento 3: preascolto territoriale nella lettera di riconoscimento
Il terzo esperimento ha studiato i limiti della proposta di modello di TOJ TVA-based e mostra come il modello può essere esteso ad affrontare queste difficoltà.

Che cosa è che ottiene il metodo proposto nei guai? Nelle due precedenti esperimenti, i partecipanti hanno dovuto giudicare due eventi temporali. Ora aggiungiamo un terzo evento temporale, uno spunto periferica che viene mostrato 110 msec prima lo stimolo sonda per l'attenzione diretta verso di esso. Questo terzo evento presenta difficoltà al semplice mo TOJ TVA-baseddel, per cui solo due stimoli sono esplicitamente modellati.

Figura 4

Figura 4: gli effetti tipici di spunti su latenze percettivi. Grandezze di effetti di attenzione in genere si trovano in tojs con stimoli periferici (linee orizzontali). Grandezze previsti dal modello TOJ TVA-based per aumentare i pesi di attenzione della sonda di stimolo (curve). La curva continua corrisponde ai parametri tipicamente osservati. Clicca qui per vedere una versione più grande di questa figura.

Grandezze di benefici di attenzione riportati in letteratura TOJ già accennano a queste difficoltà. Le differenze latenza indotta da stimoli periferici sono spesso al 50% ea volte addirittura il 80% dell'intervallo cueing 19. Come illustrato in figura 4, un grande spostamento così richiederebbe pesi attentive improbabili vicino a w p = 0,9 a tassi di lavorazione tipici. Inoltre, tali pesi estremi portano a distribuzioni psicometrici molto asimmetrica. Questi dovrebbero avere una pendenza ripida ad una estremità e una pendenza superficiale all'altra estremità. In una manifestazione più debole, questo può essere visto nelle trame predittivi posteriori del primo esperimento (figura 2c e d). Tali curve fortemente distorte sono raramente riportati. Quando i dati del presente esperimento preascolto periferica è dotata di modello TOJ TVA-based, i posteriori previsto curve si discostano fortemente dal modello dati effettivi.

È importante sottolineare, tuttavia, segnali periferici producono gli effetti più forti e più affidabili di attenzione in psicofisico TOJ 20. Pertanto, è worthwhile di applicare una valutazione basata su modelli con una versione estesa del modello proposto. Alcalá-Quintana e García-Pérez 21 hanno proposto un modello TOJ sulla base di ipotesi generali di codifica stimolo esponenziale. Questo modello contiene un ulteriore parametro che permette di grandi cambiamenti senza alterare le pendenze delle curve psicometriche. Alcalá-Quintana e García-Pérez utilizzati per tojs crossmodali, dove tali cambiamenti hanno origine da ritardi tra modalità. Quindi, per modellare i dati da tojs cued, includiamo il parametro τ. Un ritardo tra l'inizio dei processi di codifica potrebbe spiegare i grandi spostamenti laterali attesi. Il parametro τ può anche avere una interpretazione conforme-TVA. Tuttavia, questo non è del tutto priva di problemi e verrà discusso più avanti. Per mantenere parsimoniosa il modello, altri parametri suggeriti da Alcalá-Quintana e García-Pérez (pregiudizi di risposta, decade, e un minimo possibile temporalerisoluzione) non sono stati inclusi.

Formalmente, il modello psicometrico originale Equazione 4 è modificato sostituendo il termine SOA da un termine SOA adj aggiustato = SOA + τ. Questo aggiustamento riflette anche l'interpretazione di τ: inizia di processi di codifica esponenziali sono ora non solo separati dalla SOA, ma viene aggiunto un ulteriore ritardo costante. Nel modello bayesiano gerarchico, τ livello soggetto viene campionata da una distribuzione normale a livello di gruppo.

Un'analisi potere esplicito non è stata eseguita per questo esperimento. Poiché il disegno entro soggetti è simile a quello da Expriment 1, una potenza simile è previsto per gli effetti delle aliquote e pesi attentive. La grande spostamento laterale dovrebbe essere catturato dal parametro τ è molto più grande e più stabile rispetto agli effetti dei tassi di peso e di solito sono, in modo che nessun problema di alimentazione può essere postaxpected per la rilevazione di esso sia.

I dati sono stati raccolti per 32 partecipanti (tra cui i tre autori) secondo la procedura sperimentale descritta nel passaggio protocollo 4. I partecipanti dovevano riportare l'ordine delle due lettere. Nella metà dei trials stimolo sonda è stata preceduta (110 msec) da una periferica spunto a quattro punti (vedi figura 5a). Una descrizione dettagliata del materiale stimolo può essere trovato in Tünnermann, Petersen, e Scharlau studio 7. La SOA e le loro frequenze sono mostrati nella Figura 5b. Ogni partecipante eseguita una o due sedute.

Figura 5

Figura 5: Experiment 3. (a) Gli obiettivi, arbitrariamente designated come sonda e riferimenti nella condizione di folle (parte superiore). Nella condizione di attenzione (parte bassa) lo stimolo della sonda è stata preceduta (110 msec) di una stecca a quattro punti. (C) Tre esemplari conta di risposta a livello di soggetto (punti) e le distribuzioni predittiva posteriori (area ombreggiata; intensità rappresenta probabilità in relazione ai 100 ripetizioni simulate a grana fine SOA). Il blu rappresenta il neutro e il verde la condizione di attenzione. (D) a livello di Gruppo posteriori curve predittivi. Distribuzioni (e) posteriore del tasso complessivo C e pesi di attenzione w p e r w. (F) distribuzioni posteriori di τ e la sua differenza da zero. Distribuzioni (g) posteriore v p e r v e le loro differenze. Clicca qui per vedere una versione più grande di Thè figura.

Il modello esteso come sopra descritto è stato applicato nella procedura di stima bayesiana gerarchico. (Per i partecipanti che hanno prodotto curve psicometriche molto ripidi nella prima sessione, SOA più piccoli sono stati utilizzati nella seconda sessione. Questo può essere visto, per esempio, nel più a sinistra plot figura 5c, che contiene i punti dati aggiuntivi in piccola SOA.) A causa del il modello più complesso, il potente campionatore NUTS dal pacchetto software Stan è stato impiegato in questa analisi 22.

In altri esperimenti, lo stimolo della sonda potrebbe avere un tasso di trasformazione diverso stimolo di riferimento, anche nella condizione di controllo. Nell'esperimento 1, questo è stato perché i partecipanti hanno potuto hanno stanziato attenzione al suo punto prevedibile nel tempo rispetto alla insorgenza di prova. Nell'esperimento 2, l'inversione delle immagini non previsioni completamente rimuovere il vantaggio di oggetti spaziali azione. In questo esperimento cueing lettera-based, tuttavia, gli sarebbero nemmeno in linea di principio essere in grado di identificare quale sia la sonda e che lo stimolo di riferimento, in quanto le stesse lettere casuali sono stati usati e il tempo tra le prove ed indirizzare insorgenza non consentiva di concludere il tipo di destinazione. Pertanto, una condizione di controllo realmente neutrale è previsto e w p fissato a 0,5 e τ a 0 nella condizione neutra.

Come si vede nella figura 5c e 5d, la stecca porta ad un sostanziale spostamento della funzione psicometrica rispetto agli altri esperimenti. Inoltre, le trame posteriori in figura 5f dimostrare che τ è stimato come un 53.27 ms beneficio per il target cued. L'HDI 95% sulla differenza (riga "Confronto") esclude tutte le differenze più piccolo di 47.56 (o superiori a 57.73), rendendoli altamente improbabile.

t "> interessante notare che vi è un cambiamento di pesi di attenzione a favore del target uncued (Figura 5e). La distribuzione posteriore w p ha la modalità a 0.42. La weigth neutro 0.5 non è incluso nel HDI 95%. Per il parametro C, vi è un aumento da 4,69 Hz per la condizione di attenzione. Espresso in v-parametri (figura 5f), è più notevole che il tasso v r dello stimolo riferimento nella condizione di attenzione aumenta.

Nelle precedenti due esperimenti, è stato osservato che le manipolazioni attenzione aumentato il peso dell'attenzione dello stimolo sonda. Nel presente esperimento, tuttavia, il modello potrebbe riflettere una interferenza della stecca con il bersaglio, riducendo così il tasso nella corsa per la codifica. Allo stesso tempo, i benefici bersaglio cued dalla lavorazione veloce grazie al parametro τ. Quest'ultimo può essere collegato alla riduzione dei ritardi del bersaglio prima o cueddopo le gare esponenziali. Si noti, tuttavia, che relativo τ, un prolungamento di un ritardo associata allo stimolo uncued spiega la differenza relativa ugualmente bene.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Il protocollo in questo articolo viene descritto come condurre tojs semplici e montare i dati con modelli basati sulla codifica stimolo fondamentale. Tre esperimenti hanno dimostrato come i risultati possono essere valutati in un quadro di stima Bayesiano gerarchico di valutare l'influenza di attenzione altamente diverso materiale di stimolo. Salience nei display pop-out ha portato ad un aumento dei pesi di attenzione. Inoltre, l'aumento dei pesi sono stati stimati per gli oggetti dello spazio di azione in immagini naturali. Tuttavia, a causa del vantaggio persistente quando rapporti spaziali sono stati disturbati mostrando tali immagini capovolto, è probabile che un altro vantaggio attentivo locale comporta l'aumento di peso. Una stecca periferico, come quello usato nell'esperimento 3, presenta una influenza negativa sul peso attentivo. Tuttavia, si porta ad un grande effetto nel parametro τ, che modella un ritardo tra l'orario di inizio dei processi di codifica.

La maggior parte del protocollo segue passaggi comuninella conduzione Tojs ed esperimenti percezione in generale. Si noti, tuttavia, che l'interpretazione dei risultati in termini di TVA è legato alla codifica stimoli nella memoria visiva a breve termine. La possibilità di eseguire il TOJ dal rilevamento insorgenza puro deve essere ridotto il più possibile. Pertanto, come indicato nel passaggio protocollo 1.2, è fondamentale che gli attributi di interesse o sono codificati automaticamente (che può essere assunta per determinati stimoli, per esempio, salienza pop-outs) o codifica deve essere agevolato tramite l'operazione (ad esempio, segnalato la identità stimolo).

Si consiglia di ispezionare i dati grezzi riassunti ( "sondare prima" conta in tutto SOA diviso per il numero di ripetizioni) prima di eseguire l'analisi finale. Questi dati dovrebbe seguire una curva a forma di S come mostrato nelle funzioni psicometriche nelle figure della sezione risultati rappresentativi. Si noti che a causa delle risposte con distribuzione binomiale, i punti di dati casualimente deviare dal percorso ideale. Le deviazioni aumentano con una riduzione del numero di ripetizioni. Con poche ripetizioni, le deviazioni sono spesso relativamente grandi, oscurando la forma ideale S. Tuttavia, se il modello devia nettamente dalla curva di consueto, il modello matematico può essere necessario un aggiustamento. Per esempio, quando si osservano grandi spostamenti laterali (come nell'esperimento 3 del presente articolo), Alcalá-Quintana e il parametro τ di García-Pérez possono essere inclusi. Se la curva non converge ad uno e zero alle estremità parametri 21 può essere aggiunto lapse aggiuntivo.

E 'possibile eseguire un confronto formale come suggerito in Alcalá-Quintana e García-Pérez 21 decidere tra diversi modelli. Utilizzando modelli diversi da quello descritto nella Premessa, tuttavia, può influire se i risultati possono essere interpretati in termini di TVA.

Lì dentrosultati riportato in questo articolo, abbiamo detto le tendenze centrali delle differenze stimate insieme con il loro 95% ISU. Tuttavia, nel quadro Bayesiano, è possibile accettare o rifiutare che non vi è alcuna differenza tra due stime. A questo scopo, una corda (regione rilevanza pratica) deve essere specificato 11, 13. La corda indica un piccolo intervallo intorno allo zero. I valori di questa gamma sono considerati praticamente uguale a zero. Se la corda non si sovrappone con l'HDI, l'ipotesi nulla viene rifiutata. limiti CORDA significative dipendono dalla domanda di ricerca o applicazione. In contrasto con l'analisi TOJ con mezzi tradizionali, l'approccio TVA-based in grado di guidare la determinazione dei limiti CORDA significativi: A causa delle loro unità significative, i parametri possono essere relativi alle stime di altri paradigmi TVA (ad esempio, i rapporti integrali, vedi riferimento 3) . Inoltre, i tassi di elaborazione possono essere convertiti in codifica durazioni (il valore atteso della durata di codifica E x di stimolo x è 1 / v x, vedi riferimento 7) per informare i limiti corda. Ad esempio, se i ricercatori sono interessati a sapere se una manipolazione attenzione contribuisce a ridurre il tempo di reazione per un partecipante in una simulazione di guida, potrebbero ragionare come segue: I tempi di reazione (compresi i componenti del motore) sono nella gamma di poche centinaia di millisecondi, pertanto , se la manipolazione attenzione cambia la reazione complessiva pochi millisecondi, il cambiamento sarebbe praticamente nullo. Quindi un CORDA da -2 a +2 ms potrebbe essere applicato alla differenza di durata codifica riferimento e sonda (E r -E p). Se la corda di questa differenza comprende completamente i HDI, cosicché non vi è alcuna differenza può essere accettato. Se HDI e la corda non si sovrappongono, l'ipotesi nulla può essere rifiutata. Se nessuno dei due è il caso, tale decisione punto può essere fatta. Ulteriori dettagli riguardanti la Bayesiano evaapproccio tazione, in generale, può essere trovato, per esempio, nel libro di Kruschke 13.

Passando a questioni più generali, per il successo di questo protocollo, è fondamentale che ci sono solo due stimoli che generano segnali temporali nella posizione di destinazione. Ad esempio, una stecca periferica (come in Esperimento 3) o maschere 7 portano a grandi spostamenti laterali che non possono essere spiegate dal modello corrente TVA-based. Tali situazioni non sono rari e sono stati modellati incorporando un parametro suggerito da Alcalá-Quintana e García-Pérez 21. In questo modello esteso, il componente τ non può essere chiaramente collegato ad un meccanismo di TVA. C'è un collegamento tra il tentativo di τ e TVA, ma ci sono alcuni problemi irrisolti. Infatti, TVA assume un breve ritardo prima della codifica inizio. Parametro t 0, che è stato discusso nell'introduzione, è l'esposizione massima inefficace durzione di fronte al quale nulla è codificato a tutti. La differenza t 0r -t 0p potrebbe essere inteso come τ. Tuttavia, t 0 è in genere piccolo, circa 10 a 20 msec. Inoltre, la teoria non presume che è influenzato da attenzione. Tuttavia, t 0 riduzioni sono state osservate nella lettera di riconoscimento 7, 24. Se si accetta questa possibilità, un ulteriore impegno deve essere effettuato. τ parametro è stata misurata a circa 50 ms. Dato il fatto che t 0p dello stimolo cued può al massimo essere diminuita di 10 a 20 ms perché non è più grande, in primo luogo, la maggior parte di τ sarebbe venuto da aumentare t 0r della uncued per 50 a 60 msec. Questa grandezza è ben oltre ciò che a volte si osserva (circa 10 msec). Come conseguenza della relazione poco chiara di τ a TVA, alcune questioni importanti non si può rispondere. Ad esempio, non si può decidere se i ritardi di stimu frequentatoLi sono ridotti o se quelli degli stimoli incustoditi sono prolungate (con conseguente differenza τ osservata).

Le limitazioni della tecnica di cui sopra derivano dal fatto che solo due stimoli sono esplicitamente modellati con IVA. Per migliorare su questo, la ricerca futura si propone di estendere il modello TVA-based per più di due stimoli. In particolare, modellando esplicitamente lo spunto in cued TOJ con IVA è un obiettivo importante di ricerche successive 25.

Vantaggi del protocollo sono la semplicità del compito TOJ che può utilizzare quasi stimoli arbitraria, la base teorica approfondita da TVA, e lo schema di valutazione bayesiana. Il modello di TVA-based è un grande passo avanti rispetto agli approcci tradizionali senza modello. In passato, le funzioni psicometriche lo più generiche sono stati montati dei dati TOJ. Cambiamenti nella loro sintesi parametri PSS (punto di simultaneità soggettiva) e DL (differenza limen, una misura diprestazioni discriminazione) sono stati collegati a manipolazioni di attenzione. A volte, questi parametri vengono interpretati over-. Ad esempio, è spesso affermato che l'attenzione accelera l'elaborazione dello stimolo frequentato, che potrebbe anche essere il caso che lo stimolo automatico viene rallentato 7. In aggiunta a questa debolezza, questi parametri sono piuttosto indiretta. Essi descrivono la performance nel compito e non caratterizzano i processi che lo producono. L'analisi basata su modelli di tojs migliora questi inconvenienti, fornendo parametri significativi basati su 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