.png){kind=icon}
返回
Modeling spatio-temporal patterns in intensive binary time series eye-tracking data using Generalized Additive Mixed Models
.png){kind=icon}
OA
AI
DOI：10.1016/j.brainres.2025.149511.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文旨在介绍并阐述广义加性混合模型（GAMM）在分析密集二值时间序列眼动追踪数据中的应用。空间-时间GAMM被应用于密集二值时间序列眼动追踪数据。通过这种方式，我们发现固定条件效应以及该类型数据中先前记录的时间依存性在言语感知过程中随时间变化。此外，注视点与屏幕上候选参照物之间的空间关系调节了下一个目标注视点的概率，而这种对注视点的吸引（及排斥）作用随着言语被感知的过程而随时间变化。该技术提供了一种方法，不仅能解释视觉世界眼动追踪数据中常见的占主导地位的自动回归模式，而且以允许建模交叉随机效应（按人和项目，如心理语言学数据集中的典型情况）以及建模眼动追踪数据中出现的时空复杂关系的方式来实现。这项新技术为在语言使用和加工领域提出和回答新问题提供了途径。
Keyword:
Visual-world eye-tracking
Speech perception
Spatio-temporal GAMM
Dynamic GLMM
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
964
被引数:
4.0W
机构
引用论文
.png){kind=icon}
Incorporating Functional Response Time Effects into a Signal Detection Theory Model将功能反应时间效应整合到信号检测理论模型中
PREAI
分享收藏
查看更多内容