Handling visual distraction: Statistical learning of spatial and feature-based distractor regularities
Loading...
Files
Date
relationships.isAuthorOf
Publisher
Philipps-Universität Marburg
Abstract
Salient distractors have the potential to attract attention and, thus, interfere with the search for a target. Prior work has shown that distractor interference is more pronounced when the features of the target being searched for are less predictable and when there is an overlap between target and distractor features. For example, distractor interference is larger when observers search for a shape singleton among similarly shaped nontargets (e.g., the target is a circle among diamonds or vice versa) than when the target shape is fixed (e.g., the target is always a circle), as only the latter allows observers to set up a precise feature-specific target template. Similarly, distractor interference is more pronounced when observers adopt a search mode that focuses on searching for singletons (the so-called singleton-detection mode) compared to when they are required to search for a unique target shape among heterogeneously shaped nontargets (e.g., a circle target among diamonds, triangles, and squares), thereby adopting feature-search mode to find the target. Interestingly, however, it has been demonstrated that distractor interference can be reduced when the distractor exhibits statistical regularities, such as appearing more often at one location or in one color, which enables either distractor location learning or distractor feature learning, respectively. However, it remains unclear how these findings connect and, thus, how target and nontarget features, as well as the overlap between target and distractor features, influence distractor location learning. In addition, the neural mechanisms of distractor feature learning are not yet well understood. In three studies, the present dissertation addresses these research gaps.
Studies I and II focused on distractor location learning, whereas Study III focused on distractor feature learning. All three studies used adapted variants of the additional singleton task (Theeuwes, 1991, 2018). In the additional singleton task, participants are asked to search for a shape target among circularly arranged nontargets and to report the orientation of the line inside the target while ignoring a salient color distractor (see Figure 1, page 9). In Study I and II, the distractor was more likely to appear at a specific location, while in Study III, the distractor appeared more often in a specific color. It was assumed that participants learn these regularities to reduce distractor interference. Additionally, it was expected that with more distractor interference, distractor location learning would be more pronounced, as it becomes more necessary for efficient target selection.
Study I examined whether the precision of the target template modulates distractor location learning. The shape of the target was either fixed or varied between participants, with only the former allowing the setting up of a precise target template. Results showed that participants were less susceptible to distractor interference with a more precise target template and relied less on distractor location learning. Also, it was observed that differences between groups developed late in the experiment, suggesting that experience with the task is required to enhance distractor handling. In short, the results demonstrate that when the target is highly predictable, there is less distractor interference and, thereby, less distractor location learning.
Study II investigated whether the search mode of the observer and the similarity of target and distractor influence distractor interference and, thereby, distractor location learning. The search mode was manipulated by varying the similarity of the nontargets, allowing participants to adopt only singleton-detection mode in the mixed-feature task but feature-search mode (Bacon & Egeth, 1994) in the fixed-feature task. The similarity of target and distractor was manipulated in two fixed-feature tasks by using either a chromatic (colored) target or an achromatic (gray) target, as it was assumed that the latter overlaps less with a color distractor. Results showed that distractor interference was more pronounced when participants could only rely on singleton-detection mode to find the target. Also, it was observed that participants used distractor location learning in order to reduce distractor interference. Conversely, when participants were required to adopt feature-search mode, the results differed depending on whether the target was chromatic or achromatic. With an achromatic target, distractor interference was observed in the first of two sessions. In contrast, with a chromatic target, the presence of the distractor resulted in a search benefit, presumably showing up-weighting of the target on the featural level (e.g., up-weighting of the color green). Furthermore, the results indicated that distractor location learning was only used with a chromatic target, suggesting that with an achromatic target, participants likely employed a different strategy to reduce interference, such as down-weighing the irrelevant color dimension (Liesefeld & Müller, 2019). Hence, distractor interference and distractor location learning are modulated by the search mode of the observer and the similarity of the target and distractor, indicating that observers can flexibly adjust their strategies to handle distraction based on the search context.
Study III examined distractor feature learning at the neural level by measuring EEG. Also, this study investigated whether distractor feature learning influences later cognitive processes, such as visual working memory (VWM) performance, using a change-detection task (Luck & Vogel, 1997, 2013). In the change-detection task, participants were asked to memorize the color and location of stimuli and, after a retention interval, to report whether the color of one stimulus had changed. Behavioral data showed that participants learned the distractor feature regularities to reduce interference from the distractor. Furthermore, at the neural level, it was observed that less suppression was required (smaller PD) and that attentional allocation was more efficient (larger target N2pc) when the distractor appeared in the more likely color. Also, the role of intertrial priming in distractor feature learning was examined (see also Golan & Lamy, 2022). Intertrial priming refers to the observation that previous encounters with target or distractor features enhance search performance when the same features are presented in subsequent trials (Maljkovic & Nakayama, 1994, 1996). The results showed that observers did not only benefit from distractor feature learning to handle distraction but also from intertrial priming. Distractor feature learning did not influence VWM performance, indicating that learned distractor feature inhibition is not maintained in VWM when the task context changes. Thus, Study III shows that the visual system can learn distractor feature regularities to reduce the impact of a salient distractor while also using intertrial priming to enhance attentional selection. The learned distractor features seem to be not further maintained in VWM, highlighting the brain’s flexibility to adapt to changes in the environment.
To summarize, the present dissertation demonstrates that spatial (Study I and II) and feature-based regularities (Study III) of a distractor can be learned to reduce distractor interference. Distractor location learning is more required when the target features are less predictable (Study I and II). Also, distractor feature learning enhances attentional selection, while observers also benefit from intertrial priming processes (Study III). In addition to the learning of statistical regularities, observers can apply other strategies to handle distraction, depending on the overlap between target and distractor features (Study II). These findings highlight that visual search settings can be variably adapted, demonstrating the remarkable flexibility of the visual search system, which allows humans to handle distraction efficiently.
Saliente Distraktoren können Aufmerksamkeit auf sich ziehen und somit von der Suche nach einem Zielobjekt (Target) ablenken. Frühere Studien haben gezeigt, dass die Ablenkung durch Distraktoren ausgeprägter ist, wenn die Merkmale des gesuchten Targets weniger vorhersehbar sind und wenn es eine Überschneidung zwischen den Merkmalen des Targets und des Distraktors gibt. Beispielsweise ist die Ablenkung durch Distraktoren bei der Suche nach einer einzigartigen Form unter ähnlich geformten Nicht-Zielobjekten (Nontargets) größer (z.B. wenn das Target ein Kreis unter Rauten ist oder umgekehrt) als bei der Suche nach einer konstanten Form des Targets (z.B. wenn das Target immer ein Kreis ist), da nur in diesem Fall der Beobachter eine präzise interne Repräsentation des Targets (Target Template) erstellen kann. In ähnlicher Weise ist die Ablenkung durch Distraktoren ausgeprägter, wenn die Beobachtenden einen Suchmodus wählen, der sich auf die Suche nach abweichenden Stimuli (singletons) konzentriert (der so genannte Singleton-Detection-Mode), im Vergleich zu wenn sie nach einer eindeutigen Form des Targets unter heterogen geformten Nontargets suchen müssen (z.B. ein kreisförmiges Target unter Rauten, Dreiecken und Quadraten) und somit den Feature-Search-Mode nutzen, um das Target zu finden. Interessanterweise wurde jedoch gezeigt, dass die Ablenkung durch Distraktoren reduziert werden kann, wenn der Distraktor statistische Regelmäßigkeiten aufweist, z.B. häufiger an einer Stelle oder in einer Farbe erscheint, was entweder das Lernen der Distraktorposition oder das Lernen von Distraktormerkmalen ermöglicht. Es ist jedoch bisher unklar, wie diese Befunde zusammenhängen und wie Merkmale des Targets und der Nontargets sowie die Überlappung zwischen Target- und Distraktormerkmalen das Erlernen der Distraktorposition beeinflussen. Darüber hinaus sind die neuronalen Mechanismen des Lernens von Distraktormerkmalen noch nicht hinreichend bekannt. Die vorliegende Dissertation befasst sich in drei Studien mit diesen Forschungslücken.
Die Studien I und II konzentrierten sich auf das Erlernen der Distraktorposition, während Studie III auf das Erlernen von Distraktormerkmalen ausgerichtet war. Alle drei Studien verwendeten angepasste Varianten der Additional-Singleton-Task (Theeuwes, 1991, 2018). In der Additional-Singleton-Task werden die Teilnehmenden gebeten, ein Target unter kreisförmig angeordneten Nontargets zu suchen und die Ausrichtung einer Linie innerhalb des Targets anzugeben, während sie einen salienten Farbdistraktor ignorieren sollen (siehe Abbildung 1, Seite 9). In den Studien I und II erschien der Distraktor mit größerer Wahrscheinlichkeit an einer bestimmten Position, während in Studie III der Distraktor häufiger in einer bestimmten Farbe präsentiert wurde. Es wurde angenommen, dass die Teilnehmenden diese Regelmäßigkeiten lernen würden, um die Ablenkung durch den Distraktor zu verringern. Zudem wurde erwartet, dass bei stärkerer Distraktorablenkung das Erlernen der Distraktorposition ausgeprägter sein würde.
Studie I untersuchte, ob die Präzision des Target Templates das Erlernen der Distraktorposition beeinflusst. Die Form des Targets blieb entweder konstant oder variierte zwischen den Teilnehmenden, wobei nur die erste Variante die Erstellung eines präzisen Target Templates ermöglichte. Die Ergebnisse zeigten, dass die Teilnehmenden mit einem präzisen Target Template weniger anfällig für Ablenkung durch den Distraktor waren und sich weniger auf das Erlernen der Distraktorposition verließen. Außerdem wurde beobachtet, dass sich die Unterschiede zwischen den Gruppen erst spät im Experiment entwickelten, was darauf hindeutet, dass Erfahrung mit der Aufgabe erforderlich ist, um den Umgang mit Distraktoren zu verbessern. Zusammenfassend zeigen die Ergebnisse, dass bei einer hohen Vorhersagbarkeit des Targets die Ablenkung durch den Distraktor geringer und damit auch das Erlernen der Position des Distraktors weniger ausgeprägt ist.
Studie II untersuchte, ob der Suchmodus des Beobachtenden und die Ähnlichkeit zwischen Target und Distraktor die Distraktorablenkung und damit das Lernen der Distraktorposition beeinflusst. Der Suchmodus wurde manipuliert, indem die Ähnlichkeit der Nontargets variiert wurde, sodass die Teilnehmenden in der Mixed-Feature-Task nur den Singleton-Detection-Mode verwenden konnten, in der Fixed-Feature-Task jedoch den Feature-Search-Mode (Bacon & Egeth, 1994) einsetzen konnten. Die Ähnlichkeit zwischen Target und Distraktor wurde in zwei Fixed-Feature-Tasks manipuliert, indem entweder ein chromatisches (farbiges) Target oder ein achromatisches (graues) Target verwendet wurde, da angenommen wurde, dass letzteres weniger mit einem Farbdistraktor überlappt. Die Ergebnisse zeigten, dass die Ablenkung durch den Distraktor ausgeprägter war, wenn sich die Teilnehmenden nur auf den Singleton-Detection-Mode verlassen konnten, um das Target zu finden. Außerdem wurde beobachtet, dass die Teilnehmenden das Erlernen der Position von Distraktoren nutzten, um die Ablenkung durch den Distraktor zu verringern. Wenn die Teilnehmenden hingegen den Feature-Search-Mode verwenden mussten, unterschieden sich die Ergebnisse, je nachdem ob das Target chromatisch oder achromatisch war. Bei einem achromatischen Target wurde in der ersten von zwei Sitzungen Distraktorablenkung beobachtet. Im Gegensatz dazu führte die Anwesenheit des Distraktors bei einem chromatischen Target zu einem Suchvorteil, was möglicherweise auf eine Hochgewichtung des Targets auf Merkmalsebene hinweist (z. B. Hochgewichtung der Farbe Grün). Darüber hinaus deuteten die Ergebnisse darauf hin, dass das Lernen der Distraktorposition nur bei einem chromatischen Target verwendet wurde, was darauf hinweist, dass die Teilnehmer bei einem achromatischen Target wahrscheinlich eine andere Strategie zur Verringerung der Ablenkung einsetzten, wie z.B. die Herabgewichtung der irrelevanten Farbdimension (Liesefeld & Müller, 2019). Die Ablenkung durch Distraktoren und das Erlernen der Distraktorposition werden also durch den Suchmodus des Beobachtenden und die Ähnlichkeit des Targets und des Distraktors moduliert, was darauf hindeutet, dass Beobachtende ihre Strategien zum Umgang mit Distraktoren je nach Suchkontext flexibel anpassen können.
Studie III untersuchte das Erlernen von Distraktormerkmalen auf neuronaler Ebene mithilfe von EEG-Messungen. Außerdem wurde in dieser Studie untersucht, ob das Erlernen von Distraktormerkmalen spätere kognitive Prozesse wie die Leistung des visuellen Arbeitsgedächtnisses (VWM) beeinflusst, indem eine Change-Detection-Task verwendet wurde (Luck & Vogel, 1997, 2013). In der Change-Detection-Task wurden die Teilnehmenden gebeten, sich die Farbe und die Position von Stimuli zu merken und nach einem Behaltensintervall zu berichten, ob sich die Farbe eines Stimulus geändert hat. Die Verhaltensdaten zeigten, dass die Teilnehmenden die Regelmäßigkeit der Distraktor-merkmale lernten, um die Distraktorablenkung zu verringern. Darüber hinaus wurde auf neuronaler Ebene beobachtet, dass weniger Unterdrückung des Distraktors erforderlich war (kleinere PD) und dass die Aufmerksamkeitslenkung zum Target effizienter war (größere Target N2pc), wenn der Distraktor in der wahrscheinlicheren Farbe erschien. Zudem wurde die Rolle von Intertrial-Priming beim Erlernen von Distraktormerkmalen untersucht (siehe auch Golan & Lamy, 2022). Intertrial-Priming bezieht sich auf die Beobachtung, dass frühere Begegnungen mit Target- oder Distraktormerkmalen die Suchleistung verbessern, wenn dieselben Merkmale in nachfolgenden Suchdurchgängen präsentiert werden (Maljkovic & Nakayama, 1994, 1996). Die Ergebnisse zeigten, dass die Beobachtenden nicht nur vom Erlernen der Distraktormerkmale zur Bewältigung der Ablenkung, sondern auch vom Intertrial-Priming profitierten. Das Erlernen von Distraktormerkmalen hatte keinen Einfluss auf die VWM-Leistung, was darauf hindeutet, dass die erlernte Unterdrückung von Distraktormerkmalen im VWM nicht aufrechterhalten wird, wenn sich der Aufgabenkontext ändert. Studie III zeigt also, dass das visuelle System Regelmäßigkeiten von Distraktormerkmalen erlernen kann, um den Einfluss eines salienten Distraktors zu verringern, während es gleichzeitig Intertrial-Priming nutzt, um die Aufmerksamkeitsselektion zu verbessern. Die erlernten Distraktormerkmale scheinen im VWM nicht weiter behalten zu werden, was die Flexibilität des Gehirns bei der Anpassung an Veränderungen in der Umgebung unterstreicht.
Zusammenfassend zeigt die vorliegende Dissertation, dass räumliche (Studie I und II) und merkmalsbasierte Regelmäßigkeiten (Studie III) eines Distraktors erlernt werden können, um Distraktorablenkung zu reduzieren. Das Erlernen der Position des Distraktors ist umso notwendiger, je weniger vorhersagbar die Merkmale des Targets sind (Studie I und II). Das Erlernen von Distraktormerkmalen verbessert außerdem die Aufmerksamkeits-selektion, während die Beobachtenden auch von Intertrial-Priming-Prozessen profitieren (Studie III). Zusätzlich zum Erlernen statistischer Regelmäßigkeiten können Beobachtende andere Strategien anwenden, um mit Ablenkung umzugehen, abhängig von der Überlappung zwischen Target- und Distraktormerkmalen (Studie II). Diese Ergebnisse zeigen, dass die visuelle Suche variabel angepasst werden kann, was die bemerkenswerte Flexibilität des visuellen Suchsystems unterstreicht, die es dem Menschen ermöglicht, effizient mit Ablenkung umzugehen.
Review
Metadata
License
This item has been published with the following license: In Copyright