文件名称：自下而上视觉显着性在实验决策和游戏中的可预测效果-研究论文
文件大小：23.86MB
文件格式：PDF
更新时间：2024-06-29 09:37:37
salience focal points
“自下而上”的视觉感知是快速、普遍的，并且不依赖于个人目标或经验。 机器学习算法可以准确预测视觉图像中自下而上的注意力在哪里——通常基于对比度、颜色、特征方向和中心性。 我们在四个实验分析（三个是新的）中测试了这种类型的显着性是否有助于解释经济决策。 当人们在一组有价值的水果之间进行选择时，显着性可能会导致错误（有时选择低值组是因为它们很显着）。 两项研究分别显示了股票价格图表中的显着性和博弈矩阵中的显着性收益对选择的强和弱影响。 中心分析是来自游戏的证据，其中选择是图像中的位置。 当玩家尝试合作匹配位置时，显着性的集中与匹配的成功有关 (r=.57)。 在竞争性的捉迷藏位置游戏中，所有玩家都更频繁地选择显着位置。 这一事实创造了“寻求者的优势”（与独特均衡预测的 7% 相比，9% 获胜）。 位置游戏数据与认知层次和 k 级模型一致，其中预测的显着性影响非战略 0 级选择。 尽管它们具有相反的战略结构，但来自捉迷藏游戏的模型估计可以预测匹配游戏中的行为。 展望未来，在贝叶斯理性注意力不集中的扩展模型中，自下而上的显着性可以作为一种可预测的无成本非自愿“预先注意”类型。 建议涉及价格和税收、残疾、种族标记和受视觉影响的信仰的新应用。