Percepční učení a Ideální Bayesovký pozorovatel při zrakovém vyhledávání

Abstract

Searching for objects in a complex environment is an activity we do many times each day. Najemnik and Geisler (2005; 2008; 2009) showed in their work that people do not perform optimally, and devised multiple ideal observer models for one particular visual search task. In this thesis we tried to show that if people get feedback from one of the ideal observer models, they learn to solve the task better during a given amount of trials than they would without the feedback. We were unable to prove any nontrivial result with statistical significance due to a small sample size, but the data suggests that the feedback indeed has a positive effect on the learning, and that the continuation of the research is justified. An iOS application necessary for the experiment was created as a part of the thesis. Aside from the experiment itself, one can also use it to play a visual search testing game. 1

Vyhledávání objektů v komplexním prostředí je činnost, kterou vykonáváme mnohokrát denně. Najemnik a Geisler ve svých pracech (2005; 2008; 2009) uká- zali, že lidé neumí zrakem vyhledávat optimálně, a představili několik modelů ideálních pozorovatelů pro jednu konkrétní úlohu zrakového vyhledávání. V této práci jsme se pokusili ukázat, že pokud budou lidé dostávat zpětnou vazbu od jednoho z modelů ideálních pozorovatelů, naučí se tuto úlohu řešit během daného počtu pokusů lépe než bez této zpětné vazby. Žádný netriviální výsledek se nám kvůli malému vzorku sice nepodařilo prokázat statisticky významně, ale data na- značují, že zpětná vazba skutečně má pozitivní vliv na učení a ve výzkumu má smysl pokračovat. K experimentu vznikla také aplikace, s jejíž pomocí byl experiment prováděn. V ní je možné krom experimentu též zkoušet své schopnosti zrakového vyhledávání formou hry. 1