Williams, M. A., Moss, S. A., Bradshaw, J. L., & Mattingley, J. B. (2005). Look at me, I’m smiling: Searching for threatening and non-threatening facial expressions. Visual Cognition, 12, 29 –50.
Google ブック検索で一部プレビュー可能。
Googleブック
Google ブック検索で一部プレビュー可能。
Googleブック
APCV - Brisbane Australia
Friday 18 to Monday 21 July, 2008.
Asia Pacific Conference on Vision
http://www2.psy.uq.edu.au/apcv/
Friday 18 to Monday 21 July, 2008.
Asia Pacific Conference on Vision
http://www2.psy.uq.edu.au/apcv/
以下の中央教育審議会の報告に、最近もとめられている学士課程の学習成果があげられている（p.16）が、現段階では項目羅列という印象を受ける。
References
学士課程教育の在り方に関する小委員会「学士課程教育の再構築に向けて」＜審議経過報告＞
平成19年9月18日：文部科学省中央教育審議会大学分科会制度・教育部会
http://portal.niad.ac.jp/topics/1179642_1425.html
References
学士課程教育の在り方に関する小委員会「学士課程教育の再構築に向けて」＜審議経過報告＞
平成19年9月18日：文部科学省中央教育審議会大学分科会制度・教育部会
http://portal.niad.ac.jp/topics/1179642_1425.html
以下は３紙の社説が一覧できるサイトで、初等演習の教材にも使えるだろう。成人年齢を１８歳以上にする問題は学生の課題には最適と思うが、読売だけがとりあげている。
くらべる社説 ：新ｓ あらたにす（日経・朝日・読売）
http://allatanys.jp/A003/index.html
くらべる社説 ：新ｓ あらたにす（日経・朝日・読売）
http://allatanys.jp/A003/index.html
Wang, Q., Cavanagh, P., & Green, M. (1994). Familiarity and pop-out in visual search. Perception & Psychophysics, 56,495-500.
:
the searches for novel stimuli were more efficient only because standard stimuli were easier to reject when they were the distractors.
:
familiarity would be the canonical feature and “novelty” would “pop out” as a deviation from familiarity.
:
This is a form of a “late selection theory”.
cf.
Wolfe, J.M. (2001). Asymmetries in visual search: An introduction. Perception and Psychophysics, 63(3): 381-389.
:
the searches for novel stimuli were more efficient only because standard stimuli were easier to reject when they were the distractors.
:
familiarity would be the canonical feature and “novelty” would “pop out” as a deviation from familiarity.
:
This is a form of a “late selection theory”.
cf.
Wolfe, J.M. (2001). Asymmetries in visual search: An introduction. Perception and Psychophysics, 63(3): 381-389.
Duncan, J. & Humphreys, G.W. (1989). Visual search and stimulus similarity. Psychological Review, 96, 433-458.
:
difficulty increases with increased similarity of targets to nontargets and decreased similarity between nontargets, producing a continuum of search efficiency. A parallel stage of perceptual grouping and description is followed by competitive interaction between inputs, guiding selective access to awareness and action. An input gains weight to the extent that it matches an internal description of that information needed in current behaviour (hence the effect of target-nontarget similarity). Perceptual grouping encourages input weights to change together (allowing "spreading suppression" of similar nontargets).
:
MRC CBU, Cambridge » Bibliography
http://www.mrc-cbu.cam.ac.uk/bibliography/articles/2331/
MRC CBU, Cambridge » John Duncan
http://www.mrc-cbu.cam.ac.uk/people/john.duncan/
:
difficulty increases with increased similarity of targets to nontargets and decreased similarity between nontargets, producing a continuum of search efficiency. A parallel stage of perceptual grouping and description is followed by competitive interaction between inputs, guiding selective access to awareness and action. An input gains weight to the extent that it matches an internal description of that information needed in current behaviour (hence the effect of target-nontarget similarity). Perceptual grouping encourages input weights to change together (allowing "spreading suppression" of similar nontargets).
:
MRC CBU, Cambridge » Bibliography
http://www.mrc-cbu.cam.ac.uk/bibliography/articles/2331/
MRC CBU, Cambridge » John Duncan
http://www.mrc-cbu.cam.ac.uk/people/john.duncan/
In 1996, Levin reported that white subjects were able to detect the presence of a face of another race among white faces faster than they were to detect a white face among cross-race distractors.
:
One could propose that subjects would be a bit faster when searching though same-race distractors than when searching through cross-race distractors. The result would be an advantage for the detection of cross-race targets.
References
Levin, D.T. (1996). Classifying faces by race: The structure of face categories. Journal of Experimental Psychology: Learning, Memory, & Cognition, 22, 1364-1382.
Levin, D. T., & Angelone, B. L.(2001). Visual search for a socially defined feature: What causes the search asymmetry favoring cross-race faces? Perception & Psychophysics, 63, 423-435.
↓
By distorting faces toward or away from a prototypical face, they obtain evidence that distractor rejection is at the heart of the race-of-the-face asymmetry.
cf.
Wolfe, J.M. (2001). Asymmetries in visual search: An introduction. Perception and Psychophysics, 63(3): 381-389.
[PDF]
http://search.bwh.harvard.edu/new/pubs/IntrotoSearchAsym.pdf
Recall Treisman’s hypothesis that it is easier to detect a deviant among standard stimuli than to find the standard stimulus hiding among deviants (Treisman & Gormican., 1988, p. 42).
See also,
Duncan, J. & Humphreys, G. W. (1989). Visual search and stimulus similarity. Psychol. Rev.96, 433–458.
Search efficiency increases as a function of target–distractor difference and decreases as a function of distractor–distractor difference.
:
One could propose that subjects would be a bit faster when searching though same-race distractors than when searching through cross-race distractors. The result would be an advantage for the detection of cross-race targets.
References
Levin, D.T. (1996). Classifying faces by race: The structure of face categories. Journal of Experimental Psychology: Learning, Memory, & Cognition, 22, 1364-1382.
Levin, D. T., & Angelone, B. L.(2001). Visual search for a socially defined feature: What causes the search asymmetry favoring cross-race faces? Perception & Psychophysics, 63, 423-435.
↓
By distorting faces toward or away from a prototypical face, they obtain evidence that distractor rejection is at the heart of the race-of-the-face asymmetry.
cf.
Wolfe, J.M. (2001). Asymmetries in visual search: An introduction. Perception and Psychophysics, 63(3): 381-389.
[PDF]
http://search.bwh.harvard.edu/new/pubs/IntrotoSearchAsym.pdf
Recall Treisman’s hypothesis that it is easier to detect a deviant among standard stimuli than to find the standard stimulus hiding among deviants (Treisman & Gormican., 1988, p. 42).
See also,
Duncan, J. & Humphreys, G. W. (1989). Visual search and stimulus similarity. Psychol. Rev.96, 433–458.
Search efficiency increases as a function of target–distractor difference and decreases as a function of distractor–distractor difference.
卒業論文、試験と成績評価の時期である。学生に限らず、教員も研究、教育、その他の業務と課題を抱える。一般に課題が達成されるための要件は何だろうか。知識や技能は必要条件でも、十分条件でもないと考える。知識や技能は課題に取り組む過程で常に必要なものへと更新されるべきもであろう。したがって最初から要件とはならない。むしろ、取り組むべき課題の優先順位を的確に判断することと、その優先順位を維持することの２点が要件である。しばしば課題が達成されない原因は、その課題の優先順位が他よりもいつの間にか下げられてしまうことである。
一元配置（３水準）の分散分析と多重比較（Tukey法）の例
Excelなどでcsv形式データファイルを作成。
> data.ex=read.csv("data1.csv",header=T)
> data.ex
A score
1 a1 12
2 a1 11
3 a1 13
4 a1 14
5 a1 11
6 a2 13
7 a2 15
8 a2 16
9 a2 17
10 a2 15
11 a3 21
12 a3 19
13 a3 18
14 a3 19
15 a3 22
> aov.ex=aov(score~A,data.ex)
> summary(aov.ex)
Df Sum Sq Mean Sq F value Pr(>F)
A 2 146.533 73.267 33.303 1.266e-05 ***
Residuals 12 26.400 2.200
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> TukeyHSD(aov.ex,"A" , ordered = TRUE)
Tukey multiple comparisons of means
95% family-wise confidence level
factor levels have been ordered
Fit: aov(formula = score ~ A, data = data.ex)
$A
diff lwr upr p adj
a2-a1 3.0 0.4973221 5.502678 0.0194356
a3-a1 7.6 5.0973221 10.102678 0.0000092
a3-a2 4.6 2.0973221 7.102678 0.0009792
>
Excelなどでcsv形式データファイルを作成。
> data.ex=read.csv("data1.csv",header=T)
> data.ex
A score
1 a1 12
2 a1 11
3 a1 13
4 a1 14
5 a1 11
6 a2 13
7 a2 15
8 a2 16
9 a2 17
10 a2 15
11 a3 21
12 a3 19
13 a3 18
14 a3 19
15 a3 22
> aov.ex=aov(score~A,data.ex)
> summary(aov.ex)
Df Sum Sq Mean Sq F value Pr(>F)
A 2 146.533 73.267 33.303 1.266e-05 ***
Residuals 12 26.400 2.200
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> TukeyHSD(aov.ex,"A" , ordered = TRUE)
Tukey multiple comparisons of means
95% family-wise confidence level
factor levels have been ordered
Fit: aov(formula = score ~ A, data = data.ex)
$A
diff lwr upr p adj
a2-a1 3.0 0.4973221 5.502678 0.0194356
a3-a1 7.6 5.0973221 10.102678 0.0000092
a3-a2 4.6 2.0973221 7.102678 0.0009792
>
よく使われる２つの平均値の差の検定と、差の95％の信頼区間をもとめる例。
> x1<-c(3,4,5,6,7)
> x2<-c(0,1,2,3,4)
> t.test(x1,x2)
Welch Two Sample t-test
data: x1 and x2
t = 3, df = 8, p-value = 0.01707
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
0.6939959 5.3060041
sample estimates:
mean of x mean of y
5 2
同様にデータに対応がある場合：
> x2<-c(1,1,2,3,4)
> x1<-c(3,4,5,6,6)
> t.test(x1,x2,paired=TRUE)
Paired t-test
data: x1 and x2
t = 10.6145, df = 4, p-value = 0.0004460
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
1.919913 3.280087
sample estimates:
mean of the differences
2.6
> x1<-c(3,4,5,6,7)
> x2<-c(0,1,2,3,4)
> t.test(x1,x2)
Welch Two Sample t-test
data: x1 and x2
t = 3, df = 8, p-value = 0.01707
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
0.6939959 5.3060041
sample estimates:
mean of x mean of y
5 2
同様にデータに対応がある場合：
> x2<-c(1,1,2,3,4)
> x1<-c(3,4,5,6,6)
> t.test(x1,x2,paired=TRUE)
Paired t-test
data: x1 and x2
t = 10.6145, df = 4, p-value = 0.0004460
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
1.919913 3.280087
sample estimates:
mean of the differences
2.6
母平均の区間推定および１つの平均値の検定
t.test()を使う。今回はc()でデータを直接読み込んでみる(cf.)。
９つのデータから母平均がmu=6といえるか検定する。また95％の信頼区間をもとめる。
> x <-c(1,2,3,4,5,6,7,8,9)
> x
[1] 1 2 3 4 5 6 7 8 9
> mean(x)
[1] 5
> var(x)
[1] 7.5
> t.test(x,mu=6)
One Sample t-test
data: x
t = -1.0954, df = 8, p-value = 0.3052
alternative hypothesis: true mean is not equal to 6
95 percent confidence interval:
2.894916 7.105084
sample estimates:
mean of x
5
>
cf.
>help(c)
c():The default method combines its arguments to form a vector.
t.test()を使う。今回はc()でデータを直接読み込んでみる(cf.)。
９つのデータから母平均がmu=6といえるか検定する。また95％の信頼区間をもとめる。
> x <-c(1,2,3,4,5,6,7,8,9)
> x
[1] 1 2 3 4 5 6 7 8 9
> mean(x)
[1] 5
> var(x)
[1] 7.5
> t.test(x,mu=6)
One Sample t-test
data: x
t = -1.0954, df = 8, p-value = 0.3052
alternative hypothesis: true mean is not equal to 6
95 percent confidence interval:
2.894916 7.105084
sample estimates:
mean of x
5
>
cf.
>help(c)
c():The default method combines its arguments to form a vector.
正答率、政党支持率、視聴率などの母数を推定する例
たとえばサイコロを６００回ふって「１の目」が９５回出たとき、このサイコロの１の目の出る比率を推定する。
Rではbinom.test()関数が利用できる。この関数は、母比率の関する検定と区間推定を行う。
> binom.test(95,600,1/6)
Exact binomial test
data: 95 and 600
number of successes = 95, number of trials = 600, p-value = 0.6221
alternative hypothesis: true probability of success is not equal to 0.1666667
95 percent confidence interval:
0.1300309 0.1900465
sample estimates:
probability of success
0.1583333
仮定される正反応（仮定される「1の目の出る」）確率を1/6としてみると、その比と観測比(95/600)の検定が行われる。この例では、95/600と1/6は有意に異なるとはいえない（p=0.6221）。
デフォルトで95%の信頼区間がもとめられる。
0.1300309 ＜ p^ ＜0.1900465
したがって、このサイコロは「マトモである」と結論する。
比較のために、６００００回サイコロをふって９５００回１の目がでた場合で母比率を推定すると、以下のようになる。
> binom.test(9500,60000,1/6)
Exact binomial test
data: 9500 and 60000
number of successes = 9500, number of trials = 60000, p-value = 3.58e-08
alternative hypothesis: true probability of success is not equal to 0.1666667
95 percent confidence interval:
0.1554206 0.1612792
sample estimates:
probability of success
0.1583333
この場合、「このサイコロはイカサマである」となる。
なお、母比率の推定のわかりやすい説明は、以下などを参照する。試行回数が多ければ、二項分布が正規分布で近似できることを利用する。ただし、問題とする確率が0.5から大きく外れるとき（たとえば0.01など）、二項分布はポアソン分布で近似される。
http://www.kwansei.ac.jp/hs/z90010/sugakuc/toukei/hiritsu/hiritsu.htm
たとえばサイコロを６００回ふって「１の目」が９５回出たとき、このサイコロの１の目の出る比率を推定する。
Rではbinom.test()関数が利用できる。この関数は、母比率の関する検定と区間推定を行う。
> binom.test(95,600,1/6)
Exact binomial test
data: 95 and 600
number of successes = 95, number of trials = 600, p-value = 0.6221
alternative hypothesis: true probability of success is not equal to 0.1666667
95 percent confidence interval:
0.1300309 0.1900465
sample estimates:
probability of success
0.1583333
仮定される正反応（仮定される「1の目の出る」）確率を1/6としてみると、その比と観測比(95/600)の検定が行われる。この例では、95/600と1/6は有意に異なるとはいえない（p=0.6221）。
デフォルトで95%の信頼区間がもとめられる。
0.1300309 ＜ p^ ＜0.1900465
したがって、このサイコロは「マトモである」と結論する。
比較のために、６００００回サイコロをふって９５００回１の目がでた場合で母比率を推定すると、以下のようになる。
> binom.test(9500,60000,1/6)
Exact binomial test
data: 9500 and 60000
number of successes = 9500, number of trials = 60000, p-value = 3.58e-08
alternative hypothesis: true probability of success is not equal to 0.1666667
95 percent confidence interval:
0.1554206 0.1612792
sample estimates:
probability of success
0.1583333
この場合、「このサイコロはイカサマである」となる。
なお、母比率の推定のわかりやすい説明は、以下などを参照する。試行回数が多ければ、二項分布が正規分布で近似できることを利用する。ただし、問題とする確率が0.5から大きく外れるとき（たとえば0.01など）、二項分布はポアソン分布で近似される。
http://www.kwansei.ac.jp/hs/z90010/sugakuc/toukei/hiritsu/hiritsu.htm
アクセス
トータル
ランキング
