知覺學習:經驗如何形成視覺感知 Perceptual Learning: How Experience Shapes Visual Perception

目錄
Perceptual Learning: How Experience Shapes Visual Perception
譯者序
前言
第一部分概述
第1章知覺學習的原理2
1.1 經驗和學習在知覺中的重要性2
1.2 實驗室中的知覺學習4
1.3 可塑性與穩定性7
1.4 提高人類表現中的信噪比12
1.5 重加權與表徵變化14
1.6 生成模型和優化知覺學習的重要性18
1.7 總結與概述19
參考文獻20
第二部分現象學
第2章視覺任務中的知覺學習26
2.1 知覺專長和知覺可塑性26
2.2 視覺知覺學習27
2.3 通過表徵選擇學習還是通過創造學習28
2.4 知覺學習研究的一種典型結構29
2.5 訓練特徵與任務類型32
2.6 單一特徵的知覺學習34
2.6.1 方向34
2.6.2 空間頻率35
2.6.3 相位36
2.6.4 對比度36
2.6.5 顏色37
2.6.6 敏銳度38
2.6.7 超銳度39
2.6.8 總結41
2.7 知覺學習模式41
2.7.1 複合刺激42
2.7.2 紋理、全局模式和搜索42
2.7.3 深度44
2.7.4 運動45
2.7.5 總結47
2.8 對象知覺學習和自然刺激48
2.8.1 輪廓、形狀和對象48
2.8.2 面部和實體49
2.8.3 生物運動50
2.8.4 總結51
2.9 結論51
參考文獻53
第3章特異性與遷移性59
3.1 在知覺學習中的特異性和遷移性59
3.2 評估特異性和遷移性的範式61
3.3 任務結構分析63
3.4 行為證據66
3.4.1 視網膜位置特異性66
3.4.2 眼部特異性68
3.4.3 特徵和對象特異性69
3.4.4 一階和二階特異性71
3.4.5 判斷特異性73
3.4.6 環境特異性74
3.4.7 總結76
3.5 影響特異性和遷移性的因素77
3.5.1 任務難度和刺激精度77
3.5.2 適應性與特異性79
3.5.3 訓練的程度和特異性80
3.5.4 通過交叉訓練激活遷移性81
3.5.5 總結84
3.6 測量尺度、適應性估計、解耦訓練和遷移性評估—未來研究的方向84
3.7 結論85
3.8 附錄A：實驗範式、分析方法、特異性和遷移性指數86
3.8.1 冪函數或指數學習以及特異性測量87
3.8.2 無基線的遷移範式88
3.8.3 有基線的遷移範式89
3.8.4 訓練遷移範式91
3.8.5 交替訓練範式92
3.8.6 不平等試驗混合範式92
3.8.7 總結93
3.9 附錄B：度量精細度的影響93
參考文獻95
第三部分機制
第4章知覺學習機制102
4.1 知覺學習機制的信號和噪聲分析102
4.2 信號檢測理論103
4.3 觀察者模型表現的系統分析104
4.3.1 人類表現的觀察者模型104
4.3.2 知覺模板模型105
4.3.3 使用外部噪聲方法確定PTM107
4.4 利用外部噪聲研究知覺學習109
4.4.1 PTM中知覺學習的機制和特徵109
4.4.2 一種典型的知覺學習的外部噪聲研究111
4.5 視覺任務中知覺學習的機制113
4.5.1 利用外部噪聲理解知覺學習113
4.5.2 不同知覺學習機制的分離表達116
4.5.3 PTM和外部噪聲方法的應用119
4.5.4 總結120
4.6 結論120
4.7 附錄121
4.7.1 指定PTM121
4.7.2 指定模板122
4.7.3 知覺學習機制的詳細特性125
4.7.4 PTM的細化127
參考文獻130
第5章生理基礎134
5.1 知覺學習的生物學基礎134
5.2 生理基礎136
5.2.1 大腦功能區136
5.2.2 視覺系統137
5.2.3 知覺決策、獎勵和注意力的迴路141
5.2.4 討論143
5.3 用生物學來理解學習143
5.4 來自單細胞記錄的證據145
5.4.1 特徵的知覺學習146
5.4.2 模式的知覺學習151
5.4.3 物體和場景的知覺學習154
5.4.4 單細胞實驗中的知覺學習綜述157
5.5 來自腦成像的證據158
5.5.1 特徵的知覺學習159
5.5.2 模式的知覺學習161
5.5.3 物體的知覺學習164
5.5.4 知覺學習的腦成像研究綜述164
5.6 討論166
5.6.1 重加權在哪裡167
5.6.2 與內部噪聲和觀察者模型的關係168
5.6.3 詳細計算研究169
5.7 結論170
參考文獻170
第四部分模型
第6章知覺學習模型178
6.1 建模的目標178
6.2 知覺學習的經典模型180
6.3 重加權假設與AHRM模型184
6.3.1 通過通道重加權進行知覺學習184
6.3.2 AHRM的發展186
6.4 AHRM的測試和應用187
6.4.1 非穩定環境下的知覺學習188
6.4.2 知覺學習的基本機制192
6.4.3 高噪聲和低噪聲下學習的非對稱遷移193
6.4.4 預訓練機制的影響194
6.4.5 多任務的協同學習分析196
6.5 學習的其他重加權模型197
6.6 總結199
6.7 未來方向200
6.8 附錄：AHRM實現細則201
6.8.1 表徵模塊201
6.8.2 特定於任務的決策模塊203
6.8.3 學習模塊204
6.8.4 自適應偏差或標準控制204
參考文獻205
第7章反饋208
7.1 知覺學習中的反饋208
7.2 經驗研究文獻209
7.3 學習規則和反饋210
7.4 反饋和AHRM213
7.4.1 非平穩外部噪聲環境下的反饋和學習213
7.4.2 目標訓練的準確性和逐項試驗反饋214
7.4.3 包括高準確性試驗的混合215
7.4.4 建模逐項試驗、錯誤、隨機和反向反饋217
7.4.5 建模塊反饋219
7.4.6 訓練不對稱與誘導偏差220
7.5 多刺激識別中的學習222
7.6 總結224
7.7 未來方向225
參考文獻226
第8章對遷移性和特異性進行建模229
8.1 集成重加權理論229
8.2 對遷移性的日常類比230
8.3 分層表徵和遷移231
8.4 預分層模型233
8.5 屬於IRT的AHRM234
8.6 具有位置不變表徵的IRT235
8.7 IRT的實驗應用237
8.7.1 位置和特徵特異性237
8.7.2 任務精度和遷移性239
8.7.3 在不同位置的偏差訓練的
特異性和遷移性241
8.7.4 雙重訓練、範式特異性和位置遷移性242
8.7.5 任務漫遊和多個位置243
8.8 其他模型246
8.9 未來方向250
參考文獻251
第9章任務、注意力與獎勵的自上而下的影響254
9.1 知覺學習與選擇性254
9.2 任務相關和任務無關的學習255
9.2.1 與學習任務相關的判斷256
9.2.2 與任務無關的知覺學習257
9.2.3 總結259
9.3 注意力與知覺學習260
9.3.1 注意力控制系統261
9.3.2 注意力的類型與基本的注意力範式262
9.3.3 注意力對與任務相關的知覺學習的影響263
9.3.4 注意力對與任務無關的學習的影響267
9.3.5 知覺學習改變了對注意力的需求267
9.3.6 總結269
9.4 獎勵和知覺學習中的其他干預270
9.4.1 獎勵系統271
9.4.2 人類知覺學習中的獎勵274
9.4.3 知覺學習中的藥物干預276
9.4.4 總結278
9.5 自上而下的影響、重加權，以及選擇與創造279
9.6 總結與未來方向280
9.7 附錄：知覺學習的擴展模型281
參考文獻284
第五部分對比、應用和優化
第10章可塑性的形式和其他模態292
10.1 學習和可塑性292
10.2 可塑性的不同時間尺度292
10.2.1 視覺進化294
10.2.2 視覺發展295
10.2.3 適應297
10.2.4 討論299
10.3 其他感官模態的學習300
10.3.1 聽覺知覺學習300
10.3.2 觸覺知覺學習308
10.3.3 味覺和嗅覺的知覺學習311
10.3.4 多感官知覺學習314
10.3.5 總結316
10.4 類別學習318
10.5 總結321
參考文獻322
第11章應用331
11.1 從實驗室到世界的知覺學習331
11.2 知覺訓練與專業知識332
11.3 教育中的知覺學習334
11.3.1 訓練聽覺以提高語言和閱讀能力335
11.3.2 在數學教育中訓練視覺知覺336
11.4 使用電子遊戲訓練視覺知覺337
11.5 視覺訓練的限制339
11.5.1 弱視340
11.5.2 近視345
11.5.3 老化和老花眼346
11.5.4 低視力347
11.5.5 手術、鏡片和傳感器植入的調整349
11.5.6 皮質盲352
11.6 總結354
11.7 轉換知覺學習355
11.7.1 商業化356
11.7.2 挑戰356
11.7.3 監管環境358
11.8 總結359
參考文獻360
第12章優化369
12.1 利用視覺知覺學習369
12.2 一個優化框架370
12.3 優化的步驟371
12.4 優化學習的量級375
12.4.1 對學習規則的分析375
12.4.2 促進學習的操作376
12.4.3 總結380
12.5 優化穩健性、泛化和轉移380
12.5.1 遷移模型示意圖381
12.5.2 用於泛化的操作382
12.5.3 總結384
12.6 新的生成模型385
12.7 理論的未來388
參考文獻389