Geçici sipariş Hüküm Model tabanlı Analizi ile Dikkat ve Görsel İşleme Hızı Ölçme

Özet

Temporal-order judgments can be used to estimate processing speed parameters and attentional weights and thereby to infer the mechanisms of attentional processing. This methodology can be applied to a wide range of visual stimuli and works with many attention manipulations.

Özet

Bu protokol, görsel işleme hızı ve dikkat kaynak dağılımını ölçmek için zamansal-sipariş deneyler açıklamaktadır. Önerilen yöntem üç bileşenden yeni ve sinerjik kombinasyonu dayanmaktadır: zamansal sipariş kararları (TOJ) paradigma, Görsel Dikkat Bundesen teorisini (TVA) ve hiyerarşik bir Bayes tahminleri çerçeve. yöntem TVA teorik ve nörofizyolojik temellerinin tarafından desteklenen kolayca yorumlanabilir parametreleri sağlar. TVA ile kullanılan geleneksel paradigmalar ağırlıklı harf ve rakamlardan sınırlıdır oysa Tojs kullanarak, TVA tabanlı tahminler, uyaranların geniş bir aralığı için elde edilebilir. Son olarak, önerilen modelin anlamlı parametreler hiyerarşik Bayes modelin kurulması için izin verir. Böyle bir istatistiksel model bir tutarlı konuda analiz hem de grup düzeyinde sonuçlarını değerlendirmek sağlar.

fizibilite ve v göstermek içinBu yeni yaklaşımın ersatility, üç deney sentetik pop-out ekranlar, doğal görüntüler dikkat manipülasyonlar ile bildirilen ve bir cued mektup rapor paradigması vardır.

Giriş

dikkat uzay ve zaman içinde nasıl dağıldığını insan görsel algı en önemli faktörlerden biridir. nedeniyle barizlik veya önemli dikkatini çekmek Nesneler genellikle hızlı işlenir ve daha yüksek doğrulukta vardır. davranışsal araştırmada, bu tür performans faydaları deneysel paradigmalar çeşitli gösterilmiştir. Örneğin, hedef konuma dikkat tahsis prob algılama görevleri ¹ reaksiyonu hızlandırır. Benzer şekilde, raporlama harflerin doğruluğu dikkat ² artırıldı. Bu bulgular dikkat işleme artırır kanıtlamak, ama onlar bu geliştirme kurulur nasıl umutsuzca dilsiz kalır.

Mevcut kağıt dikkat avantajlar arkasında düşük seviyeli mekanizmaları model tabanlı için ölçümler ilgilidir çerçevesinde ince taneli componen bireysel uyaranların işlem hızını ölçerek değerlendirilebilir gösterirdikkat ts. Böyle bir model ile, uyaranlara arasında genel işleme kapasitesi ve dağıtım işleme hızı ölçümleri anlaşılabilir.

Görsel Dikkat Bundesen Teorisi (TVA) ³ bu çaba için uygun bir model sağlar. Genellikle mektup rapor görevlerine verilerine uygulanır. Aşağıda, TVA temelleri açıklanmış ve onlar (neredeyse) keyfi uyaranlara elde edilen zamansal-sipariş kararı (TOJ) veri modeli uzatılabilir nasıl gösterilmiştir. Bu yeni yöntem, kolaylıkla yorumlanabilir işleme hızı ve kaynak dağılımının tahmin sağlar. Bu makaledeki protokol veri analiz edilebilir nasıl böyle deneyler ve ayrıntıları planlamak ve yürütmek açıklar.

Yukarıda belirtildiği gibi, TVA-tabanlı modelleme ve dikkat parametrelerinin tahmininde olağan paradigma mektup rapor iştir. Katılımcılar harfler kümesi kimliklerini rapor hangiKısaca yanıp ve tipik olarak değişen bir gecikmenin ardından maskelenir. Diğer parametreler arasında, görsel öğeler görsel kısa süreli belleğe kodlanır hızdır tahmin edilebilir. yöntemi başarıyla temel ve klinik araştırmalarda sorulara tatbik edilmiştir. Örneğin, Bublak ve arkadaşları ⁴ dikkat parametreler yaşa bağlı bilişsel bozuklukların farklı aşamalarında etkilenen hangi değerlendirildi. Temel ilgi araştırmada, Petersen, Kyllingsbæk ve Bundesen ⁵ dikkat bekleme süresi etkisi, belirli zaman aralıklarında iki hedef ikincisini algılamada gözlemcinin zorluk modellemek için TVA kullanılır. mektup raporu paradigmanın önemli bir dezavantajı yeterince overlearned ve maskable uyaranlara gerektirir. Bu gereklilik harf ve rakamlardan yöntemi sınırlar. Diğer uyaranlar katılımcıların yoğun bir eğitim gerektirir.

TOJ paradigma ne özel STIMUL gerektiriri ne maskeleme. Bu görünüm sırası yargılanabileceği için uyarı herhangi bir kullanılabilir. Bu uyaran aralığı genişletir direkt cross-modal karşılaştırmalar ⁶ dahil ilgi olabilir hemen hemen her şeyi için.

Tojs ile dikkat araştıran çok daha erken bir katıldığı uyaran bir katılımsız bir oranla nasıl algılandığı bir ölçüsüdür dikkat giriş öncesinde olgusu dayanmaktadır. Ne yazık ki, TOJ verileri (örneğin kümülatif Gauss veya lojistik fonksiyonları gibi) uydurma gözlemci performansı psikometrik fonksiyonları analiz için olağan yöntem, dikkat katıldığı uyaranın işleme oranını artırır olup olmadığını ayırt edemez veya bu ⁷ katılımsız uyaran oranını azalır. Bu belirsizlik soru uyaranın algılanması gerçekten gelişmiş olup olmadığını, çünkü büyük bir sorun olduğu ya da çünkü bir rakip Stimul kaynakların çekilmesi faydaları ise bize de temel ve pratik alaka bir sorudur. Örneğin, insan-makine arayüzleri tasarımı için bir elemanın önem artan başka bir pahasına çalışıp çalışmadığını bilmek büyük önem taşımaktadır.

aşağıdaki gibi TOJ görev genellikle ilerler: Bir tespit işareti genellikle, kısa bir gecikme için sunulan rastgele bir saniyeden daha kısa aralık çizilir. Sonra, birinci hedef sunulmuştur, ikinci hedefin bir değişken uyaran başlangıçlı asenkroni (SOA) takip etti. Negatif SOAS at, sonda, katıldığı uyaran, ilk olarak gösterilir. Pozitif SOAS anda, referans, sahipsiz uyaran, yol açar. sıfır bir SOA, her iki hedefler aynı anda gösterilir.

Tipik olarak, hedef sunmaya uyarıcı geçiş anlamına gelir. Belirli koşullar altında, bu gibi bir zaten mevcut hedef veya bir ofset titreme gibi zamansal olaylar, ⁸ kullanılır.

_content "(" ilk kare ilk "ve diğeri" elmas> Tojs, yanıtlar genellikle uyaran kimlikleri ve sunum siparişleri eşleştirilmiş tuşları ile, bir unspeeded şekilde toplanan uyaranlar kareler ve elmas ise, örneğin, bir anahtar olduğunu gösterir ") . Daha da önemlisi, değerlendirme için, bu kararlar "ilk prob" dönüştürülmesi gerekir (ya da "referans ilk") yargıları.

Bu çalışmada, TVA ve TOJ deneysel paradigma işleme modelinin bir kombinasyonu ya bireysel alanda sorunları gidermek için kullanılır. Bu yöntemle, kolayca yorumlanabilir hız parametreleri gözlemcinin dikkatini görsel öğelerin rakip tahsis nasıl anlaması sağlayan, neredeyse keyfi görsel uyaranlara için tahmin edilebilir.

Model kısa aşağıda açıklanacaktır bağımsız uyaranların işleme Tva denklemlerinin dayanmaktadır. olasılık bu bir stimülasyonDiğer ilk görünen bu uyaranı yargılamak olasılığı olarak yorumlanır önce bize görsel kısa süreli belleğe kodlanır. Bireysel kodlama süreleri katlanarak ⁹ dağıtılır:

(1)

Maksimum etkisiz maruziyet süresi t ₀ şey hiç kodlanmış önce hangi bir eşik. TVA, oran v _{x göre, ben} hangi nesne x (örneğin renk veya bir şekil gibi) bir algısal kategori i üyesi olarak kodlanmış, oran denklemi ile verilir

. (2)

X i η _{x, i} ifade edilir kategoriye ait ve _i ß o duyusal kanıtların gücü kategorisinde i üyeleri olarak uyaranlar kategorize etmek için bir karar önyargı olduğunu. Bu çarpılırttentional ağırlıklar. _X w Bireysel dikkat ağırlıklar görme alanında tüm nesnelerin dikkat ağırlıkları ile ayrılır. Bu nedenle, görece dikkat ağırlığı olarak hesaplanır

(3)

R Tüm kategoriler ve η _x temsil ettiği _i nesne x j kategorisinde ait olduğunu duyusal bir delil teşkil etmektedir. Değer π _j j kategorisindeki uygunluk denilen ve j kategorilerini yapmak için bir önyargı yansıtır. genel işleme kapasitesi C tüm uyaranlara ve sınıflandırmalar tüm işlem hızlarının toplamıdır. TVA daha ayrıntılı bilgi için, Bundesen ve Habekost kitabı ⁹ bakın.

Bireysel uyaranların kodlama açıklayan yeni bir yöntemle, Denklem 1 'de, Tojs bir model haline dönüştürülür. Seçim önyargıları ve rapor kategorileri aralıklarla yaptığı olduklarını varsayarsakdeneysel görevi içinde t, iki hedef uyarıcı prob (P) ve bir referans (R) işlem oranları hacim _p ve h _R ° ve _p ve h _r = C w Form _{V, p} = C dikkat ağırlıkları · bağlıdır · sırasıyla _r, w. Yeni TOJ modeli katılımcı hakimler sonda uyarıcı SOA ve işleme oranlarının bir fonksiyonu olarak birinci olmak bu başarı olasılığı P _{p ^1st} ifade eder. Aşağıdaki gibi resmiyet edilebilir:

(4)

Bu denklem, temel TVA denklemlerinden türetilmiştir nasıl daha ayrıntılı bir açıklaması Tünnermann, Petersen ve Scharlau ⁷ ile tanımlanır.

Basitlik için, parametre t ₀ orijinal TVA göre Denklem 1'de modelde ihmal, t ₀ bo aynı olmalıdırinci TOJ görev hedefleri ve bu nedenle, dışarı iptal eder. Ancak, bu varsayım bazen (bölüm Tartışma) ihlal edilebilir.

TOJ verilerine Bu denklemi uydurmak için, hiyerarşik Bayes tahminleri şeması ¹¹ önerilmektedir. Bu yaklaşım, _p W ve prob ve referans uyaranlara ve genel işleme oranı C Bu parametreler, elde edilen alım hızları V _P ve _R v ve aralarında dikkat bağlı farklılıkların _WR dikkat ağırlıkları tahmin sağlar değerlendirilebilir tahmini belirsizliklerle birlikte konu ve grup seviyelerinde. Hiyerarşik model deney için planlama aşamasında Şekil 1'de gösterilmiştir, uygun Bayes güç analizi yapılabilir.

Aşağıdaki protokol TOJ deneyler yürütmek ve analiz, planlama açıklamaktadır hangi görsel uyaranlara için işleme hızı parametreleri ve dikkat ağırlıkları canelde edilmek. protokol araştırmacı bir dikkat manipülasyon ilgi bazı hedeflerin işleme hızları nasıl etkilediğini ilgilenen olduğunu varsayar.

Şekil 1: Bayes tahminleri prosedüründe kullanılan grafiksel modeli. Daireler tahmini dağılımları göstermektedir; çift ​​çevreler deterministik düğümleri gösterir. Kareler verileri göstermektedir. ilişkiler şeklin sağ tarafında verilmiştir. yuvarlak çerçeveler dışında düğümler ( "plakaları") grubu düzeyinde TVA parametreleri (bkz) ortalama ve dağılım tahminleri temsil etmektedir. dikkat ağırlıklar (ağırlık) kişinin düzeyde teşvik işlem oranları (V) 'den genel işlem oranları (C) ile birlikte nasıl "j Konular" plaka olarak, görülebilir. Plaka "i SOA'lar &# 8221; Bu TVA parametreler daha sonra her SOA de binomially dağıtılan yanıtlar için başarı olasılığı (θ) içine (Giriş bölümünde anlatılan fonksiyonu P _{p ¹} ile) dönüştürülür gösterir. Bu nedenle, araya SOA (n) tekrarına sahip θ veri noktaları (y) tarif eder. Notasyonu ve grafiksel modellerin yorumlanması hakkında daha fazla bilgi için, Lee ve Wagenmakers ²³ bakın. Netlik sağlamak için kullanılmayan parametrelerinin farklarını temsil düğümleri çıkarılmıştır. Bu deterministik parametreler yerine deney sonuçlarının şekillerde gösterilir. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

Protokol

NOT: Bu protokolde bazı adımlar http://groups.upb.de/viat/TVATOJ de (kurulum talimatları ile birlikte) sağlanan özel yazılım kullanılarak yapılabilir. Protokolde, programlar ve scriptler bu koleksiyonu "TVATOJ" olarak adlandırılır.

Stimulus Malzeme 1. Seçim

1. Araştırma sorusu göre uyaranlara seçin.
   Not: Genellikle, iki hedef ekranın farklı konumlarda gösterilmektedir. Mevcut yöntemle kullanılmıştır uyaranlara pop-out ekranlar örneğin, şekiller, rakamlar, harfler, singletons ve doğal görüntüler nesneler içerir. Son üç tip bu protokolü kullanılmıştır.
   NOT: Birkaç farklı uyaran tipi deney üreticisi için TOJ eklentisi (TVATOJ sağlanan "psylab_toj_stimulus") yer almaktadır ¹² OpenSesame.
2. Yeni teşvik türlerini oluştururken, emin olun intere özelliklerist ilgi özellikleri otomatik olarak kodlanmış görev seçin veya uyaranlara için onları önemli yaparak karar için kodlanmış gerekir (örneğin, pop-out ekranlarda singletons).

2. Güç Tahmin ve Planlama

1. Seçilen model ile veri setleri, planlı bir tasarım (SOA dağıtım ve tekrarlar), örneklem büyüklüğü, ve hipotez parametreleri simüle ederek Bayes güç analizi yapın. O (örneğin, parametreleri belirli bir fark) araştırma hedefine ulaşmak için muhtemel olup olmadığını tahmin ediyoruz. Güç yeterli değilse, SOAS veya tekrarları ekleyerek veya kaydırarak tasarımını değiştirebilir ve analiz tekrarlayın.
   1. açık sağlanan TVATOJ bir yazılım kullanmanız ve komut "exp1-power.R" düzenlemek için. Belirli analiz için onu ayarlamak için dosyada açıklamaları takip edin. Bayes güç tahmini hakkında genel bilgi için Kruschke ¹³ bakın.

3. Şartname veya Deney Programlama

1. Deney uygulamak için bir deney oluşturucu veya psiko-fiziksel sunum kitaplığı kullanın.
   1. TVATOJ sağlanan OpenSesame TOJ eklenti kullanmak için, bir deneme sunum döngü içine "psylab_toj_stimulus" eklentisi sürükleyin. Alternatif olarak, OpenSesame içinde "basit toj.osexp" örnek deney açın.
   2. psylab_toj_stimulus yapılandırmasında açılır menü "Uyarıcı tipi" istenen uyarıcı türünü seçin. Gerekirse yeni bir teşvik türlerini eklemek için TVATOJ yönergeleri izleyin.
2. Aşağıdaki adımlarda açıklandığı gibi denemeler belirtin.
   1. Her deneysel koşul için planlanan SOAS ile denemeler oluşturun. Psylab_toj_stimulus eklentisi ve OpenSesame kullanırken, deneme döngü (örneğin, "SOA") için değişkenler olarak tüm çeşitli faktörler ekleyin.
   2. gerçekleştirmek için tabloya satır eklemeTüm faktör kombinasyonları (-100 ila 100 milisaniye örneğin, yedi SOA'lar, deneysel koşullar "dikkat" ve "nötr" ile geçti). Yeterli tekrarlar oluşturmak için döngünün "Tekrar" özelliğini ayarlayın (SOAS dağılımını ve tekrarı belirlenmesi için protokol adım 2'ye bakınız).
      NOT: Tipik olarak, en fazla 800 denemeler bir saat içinde sunulabilir. Daha fazla tekrarlar ihtiyaç varsa, birkaç seans halinde deney bölme düşünün. döngünün "Sipariş" nitelik deney çalıştırmadan önce "Random" olarak ayarlanmış olduğundan emin olun.
   3. Psylab_toj_stimulus eklenti yapılandırmada, tutucuları eklemek (örneğin "[SOA]") kendi alanlarında çeşitli faktörlerin. değişiyordu olmayan faktörler konularında sabit değerleri girin.
      NOT: Denemeyi çalıştırmadan önce, doğru zamanlama garantili olduğundan emin olun. yeni monitörlerin uygun zamanlama davranışı doğrulanmadı ise, kullanımCRT monitörler ve dikey sinyali ¹² ile senkronize.

4. Deney Prosedürü

1. Konuksever ve katılımcıların brifing
   1. Katılımcılara hoş geldiniz ve deney (bilgisayar tabanlı algılama deneyi) genel form hakkında onları bilgilendirmek. Deneyin muhtemel süresi hakkında katılımcıları bilgilendirecek. deneyine katılan katılımcıların aydınlatılmış onam.
   2. Katılımcılar (optimal kısa görme testleri yaparak) normal veya düzeltilmiş-to-Normal görme gösteriyor emin olun. Onlar uyarıcı maddenin tipine özgü araştırma sorusuna müdahale yoksa renk körlüğü gibi bazı açıkları, tolere edilebilir.
   3. Deney yapılır sakin bir stand sağlamak. sandalye, çene dinlenme, klavye konumunu ayarlamak, ve böylece, experime için optimal görüntüleme ve yanıt koşulları sağlamak içinnt.
   4. Deney dikkat ve zihinsel odaklanmayı gerektirir ve yorucu olabilir katılımcıların farkında olun. gerektiğinde kısa molalar isteyin. Ancak, aynı derecede önemli, güçlü dikkat baskı altında bu basit görevleri yerine getirmek için değil, olduğunu. bazı hatalar yapmak tamam olduğunu söyleyin.
2. Talimat ve ısınma
   1. Sunum sırası ve tepki toplama işlemini ayrıntılı görev için mevcut ekrandaki yönergeleri. Görev hedefleri geldi ve bu bazı çalışmalarda zor olacağını sırayı rapor olduğunu katılımcıları bilgilendirmek. belli siparişi söyleyemem zaman ilk izlenim rapor Katılımcılara ve hepsi de böyle bir izlenim varsa onları tahmin edelim.
      Not: Burada kullanılan ikili Tojs olarak, eşzamanlılık algısını gösteren seçeneği yoktur. Aşırı tahmin önlemek için, Simu ile çalışmaların varlığını işaret etmemektedirltaneously açık hedefleri sunulmaktadır. Bu sadece yukarıda özetlenen talimatlara zor denemeler olalım.
   2. çalışmalar sırasında göz hareketleri önlemek için, ekranın ortasında gösterilen bir işareti sabitleşmek etmelerini isteyin. Bir çene geri kalanında kendi baş dinlenmek için isteyin.
   3. Gerekirse kısa molalar isteyin. Sonları izin verildiğinde onlara bildirmek ve onlar (örneğin, hedef sunum sırasında ve tepki öncesi) kaçınılmalıdır zaman.
   4. Katılımcılar görev alışmak hangi kısa bir eğitimi içerir. Bu amaçla, (protokol adım 3.2) Deneysel çalışmalarda rastgele bir alt sunulmaktadır.
      NOT: Görev kendisi oldukça basit olduğundan, 1020 için çalışmalar genellikle yeterlidir. Görevi kendi performans katılımcıların güveni artırmak için avantajlı olabilir. Bu sunum yavaşlatan ve geribildirim sağlayarak yapılabilir.
   5. Katılımcıların confirmati eldeOnlar görev anlamış ve onlar başka sorularınız varsa ki (onlara bunu anlatalım).
3. Ana deneme çalıştırırken
   1. Ana çalışmaların sunumu ile deneysel yazılım başlangıç ​​olsun. Ana deney için stand bırakın.

TOJ Verilerinin 5. Model tabanlı Analiz

1. Her SOA için "prob ilk" yargıların sayıları ham veri dosyalarını dönüştürün. Örneğin, TVATOJ birlikte verilen komut "os2toj.py" çalıştırın.
2. _P ve C w ana parametreleri tahmin etmek Bayes tahminleri yordamı çalıştırmak, elde edilen olanları v _p, v _r ve parametrelerin farklılıkları. Bu amaçla, "run-evaluation.R" dosyasında verilen talimatlara göre düzenledikten sonra komut dosyasını çalıştırın.
3. Örnekleme bittiğinde, araştırma soruları için ilgi farklılıklar tespit edilebilir. examples Aşağıdaki bölümde bulunabilir.

Sonuçlar

Aşağıda, önerilen yöntem ile elde edilen sonuçlar rapor edilmektedir. Üç deney uyarıcı maddenin üç derece farklı tipleri ile farklı dikkat manipülasyon etkisini ölçtü. uyaranlara basit bir pop-out desen çizgi parçaları, doğal görüntüler aksiyon uzay nesneleri ve cued mektup hedeflerdir.

Deney 1: pop-out görüntüler çıkıntı
Deney 1 sentetik desen hat kesimleri işleme hızı görsel salienc...

Tartışmalar

Bu makaledeki protokol basit Tojs yapmak ve temel uyaran kodlama dayalı modelleri ile veri sığdırmak açıklamaktadır. Üç deney sonuçları son derece farklı uyarıcı malzemede dikkat etkisini değerlendirmek için bir hiyerarşik Bayes tahminleri çerçevesinde değerlendirilebilir nasıl gösterdi. pop-out görüntüler çıkıntı artmış dikkat ağırlıkları yol açtı. Ayrıca, artan ağırlıklar doğal görüntüler eylem alanı nesneler için tahmin edilmiştir. Ancak, mekansal ilişkiler ters tür g...

Malzemeler

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