Adding statistical regularity results in a global slowdown in visual search

نظریه های یادگیری آماری در حال حاضر پیش بینی می کنند که تعبیه قوانین ضمنی در یک کار باید عملکرد آنلاین را بهبود بخشد، فراتر از عمل عمومی. ما این فرض را با عملکرد متضاد در یک کار جستجوی تصویری که حاوی شرایط هماهنگ نقشه برداری (منظم)، شرایط شرطبندی تصادفی یا هر دو شرایط مخلوط شده است، مورد چالش قرار دادیم. به طور شگفت انگیز، عملکرد در یک جستجوی تصادفی تصادفی، بدون هر گونه نظری، بهتر از عملکرد در یک جستجوی مخلوط طراحی بود که حاوی مقررات سودمند است. این نتیجه با استفاده از محرک های مختلف و فرمالیته های مختلف تکرار شد، که بیانگر آن است که مخلوط کردن شرایط سازگار و تصادفی منجر به کاهش کلی عملکرد می شود. با تکیه بر چارچوب پردازش پیش بینی، ما پیشنهاد می کنیم که این اثر مخرب جهانی به اعتبار منظم بستگی دارد: زمانی که مقادیر پیش بینی کننده آن کم است، همانطور که در مورد طراحی مخلوط است، وابستگی به تمام اطلاعات پیشین کاهش می یابد، در نتیجه در یک کاهش کلی. نتایج ما نشان می دهد که سیستم شناختی ما حداکثر سرعت را ندارد، بلکه به دنبال جمع آوری و پیاده سازی اطلاعات آماری در هزینه کاهش عملکرد در عملکرد می باشد.