17
Psychologie (Subject) / Kogni-Huff (Lesson)
Advertisement
- EST (allgemein) Während e. laufenden Ereignisses erhalten „event-models“ e. stabilen internen Zustand aufrecht, robust gegenber Veränderungen. „Event-models“ leiten Wahrnehmungsverarbeitung und Voraussage (prediction). Unvorhergesehenes Ereignis: Voraussagen weniger genau -> vorübergehende Ansteigen von Fehlern (kann festgestellt werden durch Vergleich von Voraussagen mit aktuellvorhandenen Wahrnehmungsrepräsentationen) Globales „reset-signal“ wird ausgegeben: -> „Event-models“ werden instabil + „input units“ sind offen. „Event-models“ werden wieder stabil, wenn die Voraussagen wieder genau werden. ___ Die EST beschreibt grundlegende Prozesse der Wahrnehmung und Kognition dynamischen Geschehens. Die EST geht dabei von der Beobachtung aus, dass Menschen dynamische Ereignisse in distinkte bedeutungshaltige Ereignisse segmentieren (Ereignissegmentierung). Diese sind hierarchisch organisiert; mehrere feine Ereignisse sind in einem groben Ereignis angeordnet. Die Wahrnehmung eines Ereignisses wird durch Repräsentationen im Arbeitsgedächtnis (Ereignismodelle, engl. event models) geleitet. Ereignismodelle sind multimodal und multidimensional. Zentral ist die Annahme, dass Menschen basierend auf diesen Ereignismodellen Vorhersagen über die nahe Zukunft machen: Ein Mechanismus vergleicht permanent, inwieweit die Vorhersagen mit dem tatsächlich beobachteten Geschehen übereinstimmen (Fehlerentdeckung). Wird hierbei eine bestimmte Schwelle überschritten, nehmen Menschen eine Ereignisgrenze wahr. Danach werden alle sensorischen Informationen verwendet, um Informationen über das neue Ereignis zu sammeln. Darauf wird ein neues Ereignismodell im Arbeitsgedächtnis gebildet (Aktualisierung, engl. Updating). Die EST beschreibt sowohl bottom-up (z.B. saliente Wechsel in der Objektbewegung bei einfachen Animationen) als auch top-down Einflüsse (wie beispielsweise Erwartungen und Expertise der Beobachter) auf die Wahrnehmung von Ereignisgrenzen.
- EST (Annahme und Voraussage bezüglich Gedächtnis & Vorhersageleistung sowie Aufmerksamkeit) Annahme bezüglich Gedächtnis und Vorhersageleistung: Global Updating Hypothese (aus EST abgeleitet): - komplettes Updaten von Eventmodellen bei Eventgrenzen-> neues Modell entsteht Voraussage: Kein Unterschied in Gedächtnis- und Vorhersageleistung,Unabhängigkeit von Anzahl der geänderten Dimensionen Annahme bezüglich Aufmerksamkeit: Laut EST benötigen wir an Event-Grenzen kognitive Kapazitäten zum Updaten der mentalen Repräsentation des Modells. Voraussage dieser Annahme: Die Aufmerksamkeitsleistung sollte an Eventgrenzen schlechter sein.
- drei Paradigmen zu Prüfung der Annahmen und Voraussagen bezüglich Gedächtnis & Vorhersageleistung sowie Aufmerksamkeit Gedächtnisexperiment: Wiedererkennung von (Film)Bildern an Eventgrenze vs. andere Bilder des /eines Films. Vorhersageexperiment: Stoppen vor Eventgrenze und fragen, was in einigen Sekunden (Huff et al, 2014: 5 Sekunden) geschieht. Aufmerksamkeit: Multiple Object Tracking Paradigma (MOT) kombiniert mit Probe Detection Task an Eventgrenze: ‚Probe’ (blinkender Punkt) auf Zielobjekt oder Distraktor kurz sichtbar. Peformanz nimmt direkt an Eventgrenze ab im Vergleich zu vor und nach der Grenze.
- Experimentelle Untersuchung der Aufmerksamkeitsleistung an Eventgrenzen Objekte an Eventgrenze wiedererkennen (Aufmerksamkeit?) Multiple Object Tracking Paradigma (MOT) für Verarbeitungsprozesse längerer Ereignisse geeignet, kombinierbar mit Dot Probe Detection: Dot Probe Task: Auf einem Kopf der Spieler in Kombination mit Priming Task: „Beobachte die 4 anfänglich markierten Spieler und bewerte danach das Spiel.“(Probes traten entweder auf Target oder Distraktor-Spielern auf, Probes traten entweder an Event Grenzen oder dazwischen auf, am Ende jeder Szene die Frage: Haben Sie Probe gesehen (ja oder nein)?
- Mögliche Ausgänge ‚Dot Probe Task’ falls Ereignisgrenzen ein Attentional Gate öffnen: bessere Performance im Dot Probe Task. falls Ereignisgrenzen Kapazitäten für Umorientierung benötigen: schlechtere Performance im Dot Probe Task
- Huff , Papenmeier, Zacks, 2012 Experiment 1 Ziel: Aufinden von „coarse“ und „fine“ event-Grenzen UV: Animation von Szenen passender Fußballer mit 2 bzw. 4 Pässen sowie der Möglicheit des Ballwechsels AV: von den Probanden wahrgenommene „coarse“ bzw. „fine“ event-Grenzen Design: 2 x 2 within-subjects design Intervall mit Wechsel beim Ballbesitz <-> ohne ... Segmentation „coarse“ <-> „fine“ Kovariable: Intervalllänge Ergebnis: „fine“ event-Grenzen wurden bei Pässen wahrgenommen „coarse“ event-Grenzen wurden Ballwechseln wahrgenommen
- Huff , Papenmeier, Zacks, 2012 Experiment 2 Ziel: Beantwortung der Frage: Beeinflussen die event-Grenzen die visuelle Aufmerksamkeit? UV: Animation von Szenen eines Fußballspiels mit Spielern, die zu Beginn markiert wurden („probes“) AV: Anzahl der richtig verfolgten „probes“ Design: 2 x 2 within-subjects design probe location target <-> distractor intervall mit event-Grenze <-> ohne ... Aufgaben: Qualität des Spiels beurteilen Dots verfolgen 4 Markierte Spieler verfolgen Hypothese: Falls Ereignisgrenzen „attentional gate“ öffnen (und damit Verarbeitung e. zweiten Aufgabe erleichtert wird - vgl. Swallow and Jiang, 2010) wird verbesserte „probe detection performance“ an Ereignisgrenzen erwartet. Falls Ereignisgrenzen „reorientation processes“, auslösen und zusätzliche (limitierte) Aufmerksamkeitsresourceen benötigen wird reduzierte (lower) „probe detection performance“ an Ereignisgrenzen erwartet (vgl. Tombu and Seiffert, 2008). Ergebnis: Probe-Detection besser bei Zielobjekten Probe-Detection schlechter an Event-Grenzen Keine Interaktion --> event-Grenzen beeinflussen die visuelle Zielreizentdeckung in der Art, dass sie an event-Grenzen verringert ist.
- Huff, Meitz, Papenmeier, 2014; Generell Event- / Situationsmodelle haben fünf Dimensionen: Zeit Ort Protagonist Intention Kausalität Fragestellung: Hat Anzahl der Dimensionsänderungen Einfluss auf Gedächtnis und Vorhersagefähigkeit? Hypothesen: 1. Incremental Updating Hypothese: aus Additivitätshypothese der EI-Theorie abgeleitet. Änderungen im Event-Modell lösen Updatingprozesse in der selben Dimension aus Updating sollte linear mit der Anzahl der Dimensionen ansteigen Hypothesen: 1. Inkcremental Updating: Gedächtnis: => Linear besser, da an der Eventgrenzen zusätzliches Prime, die Inhalte werden tiefer Verarbeitet Vorhersageleistung => linear schlechtere Vorhersage, da Fehlerrate steigt 2. Global Updating Hypothese aus EST abgeleitet komplettes Updaten von Eventmodellen bei Eventgrenzen, neues Modell entsteht Hypothesen: = > Kein Unterschied in Gedächtnis- & Vorhersageleistung, Unabhängigkeit von Anzahl der geänderten Dimensionen Diskussion -> Menschen machen Vorhersagen aufgrund von aktuellen Eventmodellen -> Module werden nicht völlig neu gebildet an Eventgrenzen, sondern inkrementell Generelle Diskussion -> Konsistenter Einfluss der Anzahl von Dimensionsänderungen auf Erinnerung (ohne Rt-Zeiten) und Vorhersagefähigkeiten (Hit-Rate und Rt-Zeiten) -Fehlermeldesystem im Gehirn reagiert auf Vorhersagefehler -> Input wird genauer verarbeitet um neues Modell aufzubauen -> Schwierigere Vorhersage über Eventgrenze hinweg - Befunde sprechen für Incremental Updating Hypothese (selektiver Updatingprozess) Vorteil: effizienter als immer völlig neues Modell aufzubauen Vorschläge für zukünftige Forschung - einige Dimensionsänderungen waren erwartbar (z.B. Person geht zu einer Tür) - aktuelle Studie bezieht sich lediglich auf „Action changes“ ... Forschung ist erweiterbar Kritik: Warum zwei Sitcoms Warum nicht gemischt, man könnte eine generelle Idee über die Abläufe bekommen Warum so ähnliche Sitcoms Sitcoms könnten zu interessant sein, dass die VP die eigentliche Aufgabe vergessen Lachen an eventgrenzen
- Huff, Meitz, Papenmeier, 2014 Experiment 0 Segmentierungsexperiment klassisches Segmentation-Task within: grobe vs. feine Events (2 Durchgänge) --> 16 EGs für BBT mit (1 - 4 Änderungen) extrahiert und 13 für MEN --> Lineare Korrelation zwischen Anzahl der Dimensionen und angegebenen EG
- Huff, Meitz, Papenmeier, 2014 Experiment 2 Vorhersageexperiment Annahme: Vorhersagegenauigkeit sollte schlechter werden, je mehr Dimensionsänderungen stattfinden Targetbilder: Screenshots 2.500ms nach event-Grenze Distraktorbilder: Screenshots 1.000ms nach nächster event-Grenze Jede Filmsequenz stoppte 2.500ms vor event-Grenze - ein screenshot wurde gezeigt. Aufgabe an Probanden: Entscheidung, ob die Szene in 5sec gezeigt werden wird. Design: ein gemischtes lineares Modell - Korrelation zw. Hitrate und Anzahl der geänderten Dimensionen. Ergebnis: -> pro Dimensionsveränderung 9% schlechter (->Hit-Rate) -> Reaktionszeiten stiegen linear mit Anzahl der Dimensionswechsel => ebenfalls eher Beleg für Additivitätshypothese -> postuliert linearen Zusammenhang zwischen Anzahl der geänderten Dimensionen und der Vorhersageleistung
- Advertisement
- Event-Indexing Model Das Event-Indizierungsmodell beschreibt, wie die eingehenden Informationen kognitiv verarbeitet werden und wie sie im Langzeitgedächtnis dargestellt sind. Nach dem EI werden alle eingehenden Aktionen in fünf Indizes aufgeteilt (= fünf Dimensionen im Situationsmodell, obwohl Zwaan & Radvasnky (1998) behaupten, dass es möglicherweise mehr Dimensionen gibt). Bearbeitungszeit der Integration neuer Ereignisse in das aktuelle Modell. Es ist einfacher, ein neues Ereignis zu integrieren, wenn es Indizes mit einem früheren Ereignis teilt. Je ähnlicher das neue Ereignis, desto leichter ist es in das neue Situationsmodell zu integriert. Darstellung im Langzeitgedächtnis. Als Netzwerk von Knoten, die Ereignisse kodieren, organisiert. Die Knoten sind nach den Indizes, die sie teilen, miteinander verknüpft. Diese Verbindung kodiert nicht nur, wie zwei Knoten Indizes teilen, sondern auch die Anzahl der gemeinsamen Indizes durch ihre Stärke kodiert. Dieser zweite Punkt weist bereits darauf hin, was im EI fehlt. Es gibt mehrere Dinge, die es nicht beinhaltet: es kodiert weder die zeitliche Ordnung der Ereignisse noch die Richtung der Kausalbeziehungen. Der größte Nachteil des EI's ist, dass es Dimensionen als verschiedene Entitäten behandelt, obwohl sie wahrscheinlich miteinander interagieren.
- Multiple object tracking (MOT) ist eine experimentale Technik zur Untersuchung von Verfolgung mehrerer dynamischer Objekte. Ermöglicht die Untersuchung von Aufmerksamkeitsprozessen bei längeren Ereignissen in einer begrenzten Lokation: bei Darbietung multipler Objekte: mehr Blicke auf Zielstimuli als auf Distraktoren --> mehr Aufmerksamkeit auf Zielstimuli - Bsp. Für MOT: Probe-detection: bessere Erkennung von probe-dots wenn mit Targetstimuli präsentiert als in Kombi mit Distraktoren! Hier sind vermutlich frühe Aufmerksamkeitsprozesse beteiligt Basis-Experiment. 8 gleiche Objekte werden angezeigt 4 davon werden kurz markiert Markierung verschwinden, Objekte bewegen sich zufällig Objekte stoppen -> VP soll zuvor markierten Objekte benennen
- MOT + Dot Probe Ein Ansatz zur Messung von Aufmerksamkeitsverteilung in MOT. Kleine visuelle Dots werden für kurze Zeit auf Ziel- oder Distraktorobjekt präsentiert. Die Teilnehmer werden gebeten, die Ziele zu verfolgen und auf Dots aufzupassen. Die Erkennungsleistung ist für Dots auf Ziel- höher als bei Distraktorobjekten.
- Inkrementelles (local updating) vs. globales Updating von Modellen bei Ereignisgrenzen Global Updating: Das komplette Modell wird upgedated, also auf allen Dimensionen → Grundlage: Event Segmentation Theory Inkrementell (Local Updating): Das Modell wird nur auf den Dimensionen upgedated, auf denen sich etwas verändert hat. → Grundlage: Additivitätshypothese (Event Indexing Model, Zwaan et al. 1997) Annahmen ebezüglich der Performanz von Gedächtnis und Vorhersage bei EGs: Globales Updating: prinzipiell bei EGs: Gedächtnisleistung besser und Vorhersagefähigkeit schlechter als bei Nicht-EGs, aber unabhängig von der Anzahl der veränderten Dimensionen (da Update global auf allen Dimensionen Inkrementelles Updating: je mehr Dimensionen sich verändern, umso besser die Gedächtnisleistung und umso schlechter die Vorhersagefähigkeit (linearer Zusammenhang zwischen Anzahl der veränderten Dimensionen und Performanz)
- Attentional blink Attentional Blink: ein sehr kurzes Aufmerksamkeitsdefizit, welches bei RSVP-Aufgaben (Rapid Serial Visual Presentation) auftritt. Die psychologische Refraktärperiode, in der keine weiteren Reize verarbeitet werden könnten,sei umso länger, je kürzer der Zeitabstand zwischen den beiden präsentierten Reizen
- Attentional Boost Effekt / Attentional Gate Swallow und Jiang zeigten mit einer modifizierten Version vonDie RSVP-Aufgabe, dass sie Suche einem Zielobjekt, nicht nur die nachfolgende Aufgabe, sondern auch die die Leistung in einer konkurrierender Aufgabe beeinflussen kann. In ihrem Experiment sahen VP einen Abfolge von kleinen schwarzen und weißen Quadraten, und musste, auf die Farbe, reagieren und die Hintergrundbilder merken. --> Hintergrundbilder, die gleichzeitig mit einem Zielquadrat präsentiert wurden, waren besser erkannt --> Bei der Aufmerksamkeitslenkung auf Zielobjekt wird ein Attentional Gate geöffnet, wodurch die Leidtung bei der konkurrierender Aufgabe verbessert wird.
- Huff, Meitz, Papenmeier, 2014 Experiment 1 -Gedächtnisexperiment- - Testen der Wiedererkennung von Bildern an event-Grenzen nach Betrachtung des Films (incl. 13 Distraktoren aus derselben Serie) - Ergebnis in Einklang mit der Additivitätshypothese -> linearer Zusammenhang zwischen Anzahl der Dimensionsänderungen und der Wiedererkennens-Leistung (zudem: kein Unterschied in Reaktionszeiten):