Teoría de la indexación visual

«FINST» es la abreviatura de «FINgers of INSTantiation» (Dedos de Instanciación). Pylyshyn describe la teoría de la indexación visual en términos de esta analogía. ^{[ 1 ]} Imagina, propone, colocar tus dedos sobre cinco objetos distintos en una escena. A medida que esos objetos se mueven, tus dedos permanecen en contacto con cada uno de ellos, lo que te permite rastrear continuamente su ubicación y posición relativa. Si bien es posible que no puedas discernir de esta manera información detallada sobre los objetos en sí, la presencia de tus dedos proporciona una referencia a través de la cual puedes acceder a dicha información en cualquier momento, sin tener que reubicar los objetos dentro de la escena. Además, la continuidad de los objetos a lo largo del tiempo se mantiene inherentemente: sabes que el objeto referenciado por tu dedo meñique en el tiempo t es el mismo objeto referenciado por tu meñique en t ₋₁ , independientemente de cualquier transformación espacial que haya sufrido, porque tu dedo ha permanecido en contacto continuo con él.

La teoría de la indexación visual sostiene que el sistema de percepción visual funciona de manera análoga. Los FINST se comportan como los dedos en el escenario anterior, señalando y rastreando la ubicación de varios objetos en el espacio visual. Al igual que los dedos, los FINST son:

• Plural . Varios objetos pueden ser indexados y rastreados de forma independiente por distintos FINST simultáneamente.
• Adhesivo . A medida que los objetos indexados se mueven por la escena visual, sus FINST se mueven con ellos.
• Los FINST son opacos a las características de los objetos que indexan. Referencian los objetos únicamente según su ubicación. El mecanismo FINST no transmite información adicional sobre sus referentes.

La visión tradicional de la percepción visual sostiene que la atención es fundamental para el procesamiento visual. En términos de una analogía propuesta por Posner, Snyder y Davidson (1980): "La atención puede compararse con un foco que mejora la eficiencia de la detección de eventos dentro de su haz". ^{[ 4 ]} Este foco puede controlarse voluntariamente o dirigirse involuntariamente a elementos relevantes de una escena, ^{[ 5 ]} pero una característica clave es que solo puede dirigirse a una ubicación a la vez. En 1986, Eriksen y St. James realizaron una serie de experimentos que sugirieron que el foco de atención viene equipado con una lente de zoom. Esta lente permite ampliar el tamaño del área de enfoque atencional (pero debido a un límite fijo en los recursos atencionales disponibles, solo a expensas de la eficiencia del procesamiento). ^{[ 6 ]}

Según Pylyshyn, el modelo de foco/lente de zoom no puede explicar completamente la percepción visual. Argumenta que se necesita un mecanismo preatencional para individualizar los objetos sobre los que se podría dirigir un foco de atención. Además, los resultados de múltiples estudios de seguimiento de objetos (que se analizan más adelante) son incompatibles con la propuesta de que se accede a los elementos moviendo un único foco de atención. ^{[ 7 ]} La teoría de la indexación visual aborda estas limitaciones.

Según la visión clásica de la representación mental , percibimos los objetos de acuerdo con las descripciones conceptuales a las que se ajustan. Son estas descripciones, y no el contenido bruto de nuestras percepciones visuales, las que nos permiten construir representaciones significativas del mundo que nos rodea y determinar los cursos de acción apropiados. En palabras de Pylyshyn, «no es el punto brillante en el cielo lo que determina hacia dónde nos dirigimos cuando estamos perdidos, sino el hecho de que lo vemos (o lo representamos) como la Estrella Polar». ^{[ 3 ]} El método por el cual llegamos a relacionar una percepción con su descripción apropiada ha sido objeto de investigación continua (por ejemplo, la forma en que las partes de los objetos se combinan para representar su totalidad), ^{[ 8 ]} pero existe un consenso general de que las descripciones son fundamentales en este sentido para la percepción visual. ^{[ 3 ]}

Al igual que el modelo de atención por foco, Pylyshyn considera que el modelo descriptivo de representación visual es incompleto. Un problema es que la teoría no contempla las referencias demostrativas o indexicales. «Por ejemplo, ante un estímulo visual, podemos pensar cosas como "eso es rojo", donde el término "eso" se refiere a algo que hemos identificado en nuestro campo visual sin importar a qué categoría pertenezca ni qué propiedades pueda tener». ^{[ 3 ]} De forma similar, la teoría tiene dificultades para explicar cómo podemos identificar un único elemento entre varios objetos del mismo tipo. Por ejemplo, puedo referirme a una lata de sopa en particular en el estante de un supermercado, junto a varias latas idénticas que coinciden con la misma descripción. En ambos casos, se requiere una referencia espaciotemporal para identificar el objeto dentro de la escena, independientemente de la descripción a la que pertenezca. Pylyshyn sugiere que las FINST proporcionan precisamente esa referencia.

Un problema más profundo para esta perspectiva, según Pylyshyn, es que no puede explicar la continuidad de los objetos a lo largo del tiempo. "Un individuo sigue siendo el mismo individuo cuando se mueve o cuando cambia cualquiera (o incluso todas) sus propiedades visibles". ^{[ 3 ]} Si nos referimos a los objetos únicamente en términos de sus descripciones conceptuales, no está claro cómo el sistema visual mantiene la identidad de un objeto cuando esas descripciones cambian. "El sistema visual necesita poder identificar a un individuo en particular independientemente de las propiedades que tenga en un instante dado". ^{[ 3 ]} Pylyshyn argumenta que el desapego de las FINST de las descripciones de los objetos a los que hacen referencia supera este problema.

El seguimiento de múltiples objetos describe la capacidad de los sujetos humanos para seguir simultáneamente el movimiento de hasta cinco objetos objetivo mientras se desplazan por el campo visual, generalmente en presencia de objetos distractores idénticos en movimiento, en igual o mayor número. Este fenómeno fue demostrado por primera vez por Pylyshyn y Storm en 1988, ^{[ 9 ]} y sus resultados se han replicado ampliamente (véase Pylyshyn, 2007 para un resumen. ^{[ 10 ]} )

Configuración experimental

En un experimento típico, se muestran inicialmente en una pantalla varios objetos idénticos (hasta 10). Un subconjunto de estos objetos (hasta cinco) se designa como objetivos —generalmente parpadeando o cambiando de color momentáneamente— antes de volver a ser indistinguibles de los demás. A continuación, todos los objetos se mueven aleatoriamente por la pantalla durante 7 a 15 segundos. La tarea del participante consiste en identificar, una vez que los objetos se han detenido, cuáles eran los objetivos. Para completar la tarea con éxito, el participante debe seguir con la mirada cada uno de los objetos objetivo mientras se mueven e ignorar los distractores.

Resultados

En tales condiciones experimentales, se ha descubierto repetidamente que los sujetos pueden seguir varios objetos en movimiento simultáneamente. ^{[ 7 ]} Además de observar consistentemente una alta tasa de seguimiento exitoso del objetivo, los investigadores han demostrado que los sujetos pueden:

• rastrear objetos que han sufrido oclusión, ^{[ 11 ]} incluso cuando han cambiado de trayectoria mientras estaban ocluidos, ^{[ 12 ]}
• rastrear objetos a través de cambios de punto de vista, ^{[ 13 ] [ 14 ]}
• rastrean 'agujeros' con la misma eficacia con la que pueden rastrear 'objetos', ^{[ 15 ]}
• rastrear objetos que se mueven a alta velocidad y hacia la periferia del campo visual, ^{[ 16 ]}
• mejorar en el seguimiento de múltiples objetos con la práctica/experiencia pertinente. ^{[ 17 ] [ 18 ]}

Dos propiedades definitorias de los FINST son su pluralidad y su capacidad para rastrear objetos indexados mientras se mueven por una escena visualmente compleja. "Por lo tanto, los estudios de seguimiento de múltiples elementos brindan un fuerte respaldo a una de las predicciones más contraintuitivas de la teoría FINST: que el sistema visual puede mantener la identidad de los elementos incluso cuando estos son visualmente indistinguibles de sus vecinos y cuando sus ubicaciones cambian constantemente". ^{[ 7 ]}

La subitización se refiere a la enumeración rápida y precisa de pequeñas cantidades de elementos. Numerosos estudios (que se remontan a Jevons en 1871) ^{[ 19 ]} han demostrado que los sujetos pueden informar con gran rapidez y precisión la cantidad de objetos presentados aleatoriamente en una pantalla, cuando su número es inferior a cinco aproximadamente. Si bien cantidades mayores requieren que los sujetos cuenten o estimen —con un gran gasto de tiempo y precisión—, parece que se emplea un método de enumeración diferente en estos casos de baja cantidad. En 1949, Kaufman, Lord, Reese y Volkmann acuñaron el término «subitización» para describir el fenómeno. ^{[ 20 ]}

En 2023, un estudio de registros de neuronas individuales en el lóbulo temporal medial de pacientes neuroquirúrgicos que juzgaban números reportó evidencia de dos mecanismos neuronales separados con un límite en la codificación neuronal alrededor del número 4 que se correlaciona con la transición conductual de la subitización a la estimación, lo que respalda la antigua observación de Jevons. ^{[ 21 ] [ 22 ]}

Configuración experimental

En un experimento típico, a los participantes se les muestra brevemente (durante unos 100 ms) una pantalla con varios objetos dispuestos aleatoriamente. La tarea de los participantes consiste en indicar la cantidad de objetos mostrados, que puede variar entre uno y varios cientos por ensayo.

Resultados

Cuando el número de elementos a enumerar se encuentra dentro del rango de subitización, cada elemento adicional en la pantalla añade entre 40 y 120 ms al tiempo total de respuesta. Fuera de este rango, cada elemento adicional añade entre 250 y 350 ms al tiempo total de respuesta (de modo que, al representar gráficamente el número de elementos presentados frente al tiempo de reacción, se obtiene una curva en forma de codo). Los investigadores suelen interpretar esto como evidencia de que existen (al menos) dos métodos de enumeración diferentes: uno para números pequeños y otro para números grandes. ^{[ 23 ]}

Trick y Pylyshyn (1993) sostienen que "la subitización solo puede explicarse en virtud de un mecanismo de capacidad limitada que opera después de los procesos espacialmente paralelos de detección y agrupación de características, pero antes de los procesos seriales de atención espacial". ^{[ 23 ]} En otras palabras, por un mecanismo como un FINST.

Una suposición clave de la teoría de la indexación visual es que, una vez que un elemento que entra en el campo visual ha sido indexado, ese índice proporciona al sujeto un acceso posterior rápido al objeto, lo que evita cualquier proceso cognitivo de nivel superior. ^{[ 2 ]} Para probar esta hipótesis, Burkell y Pylyshyn (1997) diseñaron una serie de experimentos para ver si los sujetos podían indexar eficazmente un subconjunto de elementos en una pantalla, de modo que se pudiera realizar una tarea de búsqueda con respecto solo a los elementos seleccionados. ^{[ 24 ]}

Configuración experimental

Los experimentos de Burkell y Pylyshyn aprovecharon una distinción bien documentada entre dos tipos de búsqueda visual :

• Las búsquedas de características implican la identificación de un objetivo entre un conjunto de distractores que difieren del objetivo en una dimensión; por ejemplo, un objeto azul entre un conjunto de distractores verdes, o un cuadrado entre un conjunto de círculos. Estas búsquedas se ejecutan rápidamente, ya que el elemento objetivo destaca en la pantalla y, por lo tanto, es fácil de localizar.
• En una búsqueda de conjunción , los elementos distractores comparten más de una dimensión con el objetivo; por ejemplo, se le podría pedir a un sujeto que localice un cuadrado azul entre un campo de círculos azules y cuadrados verdes. Este tipo de búsqueda es mucho menos eficiente que una búsqueda de características, porque el objetivo ya no "resalta" de la pantalla. En cambio, los sujetos necesitan examinar cada objeto individualmente para identificar el objetivo, lo que resulta en tiempos de respuesta mucho más largos. ^{[ 25 ]}

La configuración experimental es similar a una tarea típica de búsqueda de conjunciones: se presentan 15 elementos en una pantalla, cada uno con uno de dos colores y una de dos orientaciones. Tres de estos elementos se designan como subconjunto por su aparición tardía (aparecen después de los demás). El subconjunto contiene el elemento objetivo y dos distractores.

La variable independiente clave en este experimento es la naturaleza del subconjunto seleccionado. En algunos casos, el subconjunto comprende un conjunto de búsqueda de características, es decir, el objetivo difiere de los dos distractores en una sola dimensión. En otros casos, el subconjunto equivale a una búsqueda de conjunción, donde el objetivo difiere de los distractores en ambas dimensiones. Dado que la pantalla completa contiene elementos que difieren del objetivo en ambas dimensiones, si los sujetos responden más rápidamente a los subconjuntos de búsqueda de características, esto sugeriría que aprovecharon el método de identificación del objetivo por "revelación". Esto, a su vez, significaría que aplicaron su búsqueda visual únicamente a los elementos del subconjunto.

Resultados

Burkell y Pylyshyn descubrieron que los sujetos eran, de hecho, más rápidos para identificar el objeto objetivo en la condición de búsqueda de características de subconjunto que en la condición de búsqueda de conjunción de subconjunto, lo que sugiere que los objetos de subconjunto se priorizaron con éxito. En otras palabras, los subconjuntos "podían, de varias maneras importantes, ser accedidos por el sistema visual como si fueran los únicos elementos presentes". ^{[ 7 ]} Además, las posiciones particulares de los objetos de subconjunto dentro de la pantalla no hicieron diferencia en la capacidad de los sujetos para buscarlos, incluso cuando estaban ubicados distalmente. ^{[ 24 ]} Watson y Humphreys (1997) informaron hallazgos similares. ^{[ 26 ]} Estos resultados son consistentes con las predicciones de la teoría de indexación visual: los FINST proporcionan un posible mecanismo por el cual se priorizaron los subconjuntos.