Bibliographic Metadata
Bibliographic Metadata
- TitleModeling the Contribution of Visual Attention to Spatial Language Verification
- Author
- Degree supervisor
- Published
- LanguageEnglish
- Document typeDissertation (PhD)
- URN
- DOI
Restriction-Information
- The document is publicly available on the WWW
Links
- Social MediaShare
- Reference
- IIIF
Files
Classification
Abstract
This research asks how humans connect spatial language to physical
space. To investigate this question, the present dissertation focuses on
the task of verifying sentences containing a projective spatial preposition (e.g., *above, below*) against a depicted spatial relation (e.g., a circle
above a rectangle). Linguistically, the two components of a spatial relation are distinguished from each other: “The [located object (LO)] is
above the [reference object (RO)].” That is, a spatial preposition specifies the location of an LO with respect to an RO. Typically, semantics
do not allow to interchange RO and LO (although syntactically this is
not a problem). For instance, compare the sentence “The bike (LO) is
in front of the house (RO)” with “The house (LO) is behind the bike
(RO)” (cf. Talmy, 2000, p. 183)<br /><br />
For the processing of spatial relations, shifts of visual attention have
been identified as an important mechanism (Franconeri, Scimeca, Roth,
Helseth, & Kahn, 2012; Logan & Sadler, 1996; see Chapters 1 and 2).
While Logan (1995) and Logan and Sadler (1996) claimed that attention
should shift from the RO to the LO during the processing of spatial
relations, recent empirical evidence suggests that the shift of attention
might also take place in the same order as the sentence unfolds – from
the LO to the RO (Burigo & Knoeferle, 2015; Roth & Franconeri, 2012).<br /><br />
A computational cognitive model of spatial language verification
is the ‘Attentional Vector Sum’ (AVS) model proposed by Regier and
Carlson (2001). This model (implicitly) implements a shift of attention
from the RO to the LO (see Chapter 1). It accommodates empirical
data from a range of different spatial RO-LO configurations (Regier
& Carlson, 2001). To what extent does this good model performance
originate from the directionality of the implemented shift (from the RO
to the LO)? Considering the recent empirical evidence that attention
might move in the reversed direction (from the LO to the RO) – would
a model implementing such a reversed shift perform better or worse
on the empirical data? These are the main questions that motivated the
present thesis.<br /><br />
To answer these questions, I developed several variations of the AVS
model (taking into account the two important geometric properties
‘proximal orientation’ and ‘center-of-mass orientation’; Regier, 1996;
Regier & Carlson, 2001). In all these variations, the shift of attention
goes from the LO to the RO (instead of from the RO to the LO). This
is why they are called ‘reversed AVS’ (rAVS) models. In Chapter 3, I
assess the rAVS variations using empirical data (acceptability ratings for
spatial prepositions) from Hayward and Tarr (1995), Logan and Sadler
(1996), and Regier and Carlson (2001). More specifically, I fitted the
models to the empirical data (separately for each experiment and for
the whole data set from Regier & Carlson, 2001). That is, I minimized
the ‘normalized Root Mean Square Error’ (nRMSE) and thus obtained
a ‘goodness-of-fit’ (GOF) measure. Moreover, I evaluated the ability
of the models to generalize to unseen data (cf. Pitt & Myung, 2002) by
applying the ‘simple hold-out’ method (SHO; Schultheis, Singhaniya,
& Chaplot, 2013). The SHO is a cross-fitting method that accounts
for potential over-fitting of empirical data. Considering these model
benchmarks, one rAVS variation – the rAVS<sub>w-comb</sub> model – performs as
well as the AVS model on the tested empirical data. The rAVS<sub>w-comb</sub>
model implements a mechanism in which ‘relative distance’ (roughly:
absolute distance from LO to RO divided by the dimensions of the
RO) weights the influence of the two important geometric features
proximal orientation and center-of-mass orientation. Based on these
results, neither implementation of directionality of attention is able to
accommodate the empirical findings better than the other.<br /><br />
This is why I analyzed the AVS and rAVS<sub>w-comb</sub> models in terms
of their predictions (Chapter 4). The idea was to identify stimuli for
which the two contrasting shift-implementations (i.e., the two models)
predict different outcomes. Data collected with these stimuli could then
potentially tell apart the two models (e.g., if humans follow predictions
from one model but not from the other). I created two types of test
cases for which the two models seemed to generate somewhat different
outcomes: a relative distance test case and an asymmetrical ROs test
case.<br /><br />
In the relative distance test case, the critical manipulation is the height
of the rectangular ROs. The absolute placements of the LOs remain
equal in these stimuli. This test case is the first to investigate a potential
influence of relative distance on human spatial language acceptability
ratings. The predictions for the relative distance test case were that
across different RO heights, acceptability ratings should differ (despite equal absolute LO placements). This prediction was clear for the
rAVS<sub>w-comb</sub> model. However, due to the averaging vector sum mechanism in the AVS model, the prediction from the AVS model remained
unclear.<br /><br />
The second test case (asymmetrical ROs) challenges the role of the
vector sum in the AVS model. For this test case, I designed asymmetrical
ROs. LOs are placed either above the cavity of these ROs or above the
mass. (The RO-side that faces the LO is flat.) For these ROs, the center-of-mass does not coincide with the center-of-object (the center of the
bounding box of the RO). Based on intuitive reasoning, the AVS model
predicts different acceptability ratings for LOs placed (i) with equal
distance to the center-of-mass but (ii) either above the cavity or the
mass of the RO: the AVS model seems to predict higher ratings for
LOs placed above the mass compared to LOs above the cavity. The
rAVS<sub>w-comb</sub> model predicts no difference for this test case.<br /><br />
I systematically simulated the models on the created stimuli using
the ‘Parameter Space Partitioning’ method (PSP; Pitt, Kim, Navarro,
& Myung, 2006). This method enumerates all qualitatively different
data patterns a model is able to generate – based on evaluating the
whole parameter space of the model. Surprisingly, the PSP analysis
revealed that both models share some of their predictions (but the
models do not generate equal outcomes for all stimuli and parameter
settings). Empirical data collected with these stimuli still might help
to distinguish between the two models in terms of performance (e.g.,
based on different quantitative model fits)<br /><br />
This is why I conducted an empirical study that tested the model predictions for both developed test cases (relative distance and asymmetrical ROs). The empirical study was designed to be as close as possible
to the experimental setup reported in Regier and Carlson (2001). That
is, 34 participants read the German sentence “Der Punkt ist über dem
Objekt” (“The dot is above the object”) and afterwards had to rate its
acceptability given a depicted spatial relation (e.g., an image of a dot
and a rectangle) on a scale from 1 to 9. In addition to *über (above)*, I also
tested the German preposition *unter (below)*. In total, the study tested
448 RO-LO configurations. Moreover, I tracked the eye-movements of
participants during inspection of the depicted spatial relation. These
data are a measure of overt attention during spatial relation processing.<br /><br />
The empirical study could generalize effects on spatial language verification from English to German (‘grazing line’ effect and lower ratings
for *unter, below,* compared to *über, above*). Furthermore, the empirical
study revealed an effect of relative distance on spatial language acceptability ratings, although different than predicted by the rAVS<sub>w-comb</sub>
model. The empirical data from the rectangular ROs suggest that lower
relative distance weakens (i) the effect of proximal orientation and (ii)
– for high values of proximal orientation – weakens a reversed effect
of center-of-mass orientation. Neither the rAVS<sub>w-comb</sub> model nor the
AVS model can fully accommodate this finding. Future research should
more closely investigate the effect of relative distance.<br /><br />
For the asymmetrical ROs, analyses of the empirical data suggest that
people rely on the center-of-object instead of on the center-of-mass for
their acceptability ratings. This challenges earlier findings about the
importance of the center-of-mass orientation. However, given that in
earlier studies, the center-of-mass and the center-of-object most often
coincided, the data presented in this dissertation provide additional
information on how humans process geometry in the context of spatial
language verification.<br /><br />
In terms of eye movements, the empirical data provide evidence for
the horizontal component of the attentional focus as defined in the AVS
model. This focus is also an important point in the rAVS<sub>w-comb</sub> model.
The empirical results do not contradict the vertical component of the
hypothesized attentional focus. However, due to the design of the study,
it remains unclear whether the vertical fixation locations were caused
by the used preposition or by the vertical location of the LO. In addition,
people inspected the two types of asymmetrical ROs slightly differently.
For the more open asymmetrical shapes (L-shaped), fixations were
influenced by the asymmetrical distribution of mass. In contrast, for the
less open but still asymmetrical shapes (C-shaped), fixation patterns
could not be distinguished from fixation patterns to rectangular ROs.
Note that for all asymmetrical ROs, the center-of-object orientation
could predict the rating data better than the center-of-mass orientation
– despite distinct fixation patterns.<br /><br />
To further analyze the claim that people might use the center-of-object
instead of the center-of-mass for their ratings, I developed modifications for the two cognitive models. While the AVS and rAVS<sub>w-comb</sub>
models rely on the center-of-mass, the two new models ‘AVS bounding
box’ (AVS-BB) and ‘rAVS center-of-object’ (rAVS-CoO) consider the
center-of-object instead (the rest of the models remains unchanged). To
thoroughly analyze all four cognitive models, I applied several model
comparison techniques (Chapter 5). Based on the stimuli and data
from the empirical study, the goal of the model simulations was to
distinguish between models that implement a shift from the RO to
the LO (AVS, AVS-BB) and models that implement a shift from the
LO to the RO (rAVS<sub>w-comb</sub> , rAVS-CoO). Apart from fitting the models
to the data (per GOF and SHO), I analyzed them using the ‘Model
Flexibility Analysis’ (MFA, Veksler, Myers, & Gluck, 2015) and the
‘landscaping’ method (Navarro, Pitt, & Myung, 2004). The latter two
methods provide information on how flexible the models are. A highly
flexible model is able to generate a vast amount of distinct output. A
model with low flexibility generates only few distinct data patterns.
In comparing model performances, one should consider the model
flexibility (Roberts & Pashler, 2000). This is because a more flexible
model might even fit empirically implausible data well – due to its
high flexibility. This renders a close fit to empirical data a necessary
but not sufficient criteria for a “good” model. In addition to providing
a different perspective on model flexibility, landscaping measures to
what extent two models are mimicking each other (in which case it is
more difficult to distinguish between them).<br /><br />
Considering all model simulations, the two newly proposed models
rAVS-CoO and AVS-BB (accounting for the center-of-object instead of
for the center-of-mass) perform substantially better than their predecessors rAVS<sub>w-comb</sub> and AVS. In contrast to the center-of-mass models, the
two center-of-object models better fit the empirical data (GOF, SHO)
while they are less flexible (MFA, landscaping) and generate rating
patterns closer to the empirical patterns (PSP). This supports the hypothesis that people rely on the center-of-object orientation instead
of on the center-of-mass orientation. In terms of the main research
question, however, the model simulations do not favor any of the two
implemented directionalities of attention over the other. That is, based
on the existing empirical data and the cognitive models, both directionalities of attention are equally likely. The thesis closes with a model
extension that allows cognitive modelers to analyze the models more
fine-grained in the future. More specifically, extended models generate
full rating distributions instead of mean ratings. This makes it possible
to use all information available in the empirical data for future model
assessments.<br /><br />
Finally, Chapter 6 summarizes the results of this Ph.D. project. Following the seminal three-level framework proposed by Marr (1982), I
discuss the findings and relate them to other relevant research. I sketch
several promising possibilities to enhance the models in order to create
a more comprehensive model of spatial language processing. Such
a model would allow cognitive scientists to further investigate how
humans ground their spatial language in the visual world.
Zusammenfassung
Diese Dissertation beschäftigt sich mit der Frage, wie Menschen räumliche Sprache mit der äußeren Welt in Beziehung setzen. Um diese Frage zu beantworten, habe ich
untersucht, wie Menschen Sätze mit lokativen räumlichen Präpositionen (z. B. *über*) angesichts einer
abgebildeten räumlichen Relation (z. B. ein Punkt über einem Rechteck) verifizieren. Die lokative
räumliche Präposition ordnet den beiden Objekten der räumlichen Relation verschiedene Rollen zu:
„Das [zu-lokalisierende- Objekt (LO)] ist über dem [Referenzobjekt (RO)]“. Die räumliche
Präposition beschreibt also den Ort des LOs in Relation zum RO. Obwohl die Syntax es zulässt,
schränkt die Semantik normalerweise das Vertauschen von RO und LO ein: Während der Satz „Das
Fahrrad (LO) befindet sich vor dem Haus (RO)“ nicht unüblich ist, wirkt der Satz
„Das Haus (LO) befindet sich hinter dem Fahrrad (RO)“ ungewöhnlich (vgl. Talmy, 2000, S. 183).<br /><br />
Wissenschaftler haben Verschiebungen von visueller Aufmerksamkeit als einen wichtigen Mechanismus
zur Verarbeitung von räumlichen Relationen identifiziert (Franconeri, Scimeca, Roth, Helseth, &
Kahn, 2012; Logan & Sadler, 1996; s. Kapitel 1 und 2). Die Richtung der Aufmerksamkeitsverschiebung
ist allerdings umstritten. Während in älteren Arbeiten eine Aufmerksamkeitsverschiebung vom RO zum
LO angenommen wurde (Logan, 1995; Logan & Sadler, 1996) haben jüngere empirische Befunde gezeigt,
dass sich Aufmerksamkeit möglicherweise eher in der Reihenfolge des Satzes verschiebt – d. h. vom
LO zum RO (Burigo & Knoeferle, 2015; Roth & Franconeri, 2012)<br /><br />
Das ‚Attentional Vector Sum‘-Modell (AVS, Aufmerksamkeitsvektorensumme, Regier & Carlson, 2001)
ist ein komputationales, kognitives Modell der Verifizierung räumlicher Sprache. Dieses Modell
nimmt (implizit) an, dass sich Aufmerksamkeit vom RO zum LO verschiebt (s. Kapitel 1). Das Modell
kann die empirischen Daten einer Reihe von verschiedenen räumlichen RO-LO Konfigurationen gut
abbilden (Regier & Carlson, 2001). Inwieweit hängt dieser Modellerfolg von der implementierten
Richtung (vom RO zum LO) der Aufmerksamkeitsverschiebung ab? Wenn man die jüngsten empirischen
Befunde in Betracht zieht, die stattdessen eine Aufmerksamkeitsverschiebung vom LO zum RO
nahelegen: Würde ein Modell, welches eine Aufmerksamkeitsverschiebung vom LO zum RO
implementiert, die empirischen Daten besser oder schlechter abbilden? Dies sind die
Hauptforschungsfragen, die dieser Dissertation zu Grunde liegen<br /><br />
Um diese Fragen zu beantworten, habe ich mehrere Variationen des AVS Modells entwickelt. In allen
Variationen ist eine Aufmerksamkeitsverschiebung vom LO zum RO implementiert – unter
Berücksichtigung der geometrischen Faktoren ‚proximal orientation‘ und ‚center-of-mass
orientation‘, von denen bekannt ist, dass sie die Akzeptanz von räumlichen
Präpositionen beeinflussen (Regier, 1996; Regier & Carlson, 2001).
Das Umkehren der Richtung der Aufmerksamkeitsverschiebung spiegelt
sich im Namen der neuen Modellvariationen wider: Ich habe sie
‚reversed AVS‘-Modelle (rAVS, umgekehrte AVS-Modelle) genannt. In
Kapitel 3 habe ich alle rAVS-Variationen daraufhin untersucht, ob sie
bereits existierende empirische Daten nachbilden können (Daten von
Hayward & Tarr, 1995; Logan & Sadler, 1996; Regier & Carlson, 2001).
Diese Daten sind Akzeptanzbewertungen von räumlichen Präpositionen
angesichts abgebildeter räumlicher Relationen.<br /><br />
Ich habe alle Modelle simuliert, um zu analysieren, wie gut die Modelle
ihre künstlichen Daten an die empirischen Daten anpassen können
(Daten von jedem Experiment einzeln sowie den gesamten Datensatz
von Regier & Carlson, 2001). Das heißt, dass ich die Abweichung zwischen
den empirischen und den modellgenerierten Daten minimiert
habe (genauer: den ‚normalized Root Mean Square Error‘, nRMSE, also
die normalisierte Wurzel aus der mittleren quadratischen Abweichung).
Dies liefert eine Güte der Modellanpassung (‚goodness-of-fit‘, GOF).
Darüber hinaus habe ich untersucht, wie gut die Modelle angesichts ungesehener
Daten in der Lage sind, zu generalisieren (vgl. Pitt & Myung,
2002). Dazu habe ich die ‚simple hold-out‘-Methode genutzt (SHO,
einfaches Weglassen; Schultheis, Singhaniya, & Chaplot, 2013). Die
SHO-Methode ist eine Kreuzvalidierungsmethode, die eine mögliche
Überanpassung (‚over-fitting‘) berücksichtigt. Die Modellevaluation
mithilfe dieser Methoden hat gezeigt, dass eine rAVS-Variation – das
rAVS<sub>w-comb</sub>-Modell – die getesteten Daten genauso gut abbilden kann
wie das AVS-Modell. Das rAVS<sub>w-comb</sub>-Modell benutzt dazu ‚relative
Distanz‘ (grob: absolute Distanz zwischen LO und RO dividiert durch
die Abmessungen des ROs), um den Einfluss der beiden geometrischen
Faktoren ‚center-of-mass orientation‘ und ‚proximal orientation‘ zu
gewichten. Diese Ergebnisse bedeuten, dass keine der beiden Richtungen
der Aufmerksamkeitsverschiebung die empirischen Daten besser
erklären kann als die andere.<br /><br />
Deshalb habe ich die AVS- und rAVS<sub>w-comb</sub>-Modelle daraufhin untersucht,
ob sie eventuell unterschiedliche Datenmuster für noch nicht
getestete RO-LO Konfigurationen vorhersagen (Kapitel 4). Wenn das
der Fall wäre, könnten empirische Daten für diese Stimuli dabei helfen,
zwischen den beiden Modellen – Implementierungen gegensätzlicher
Richtungen der Aufmerksamkeitsverschiebung – zu unterscheiden (z. B.
indem die Vorhersage des einen Modells aber nicht die des anderen
Modells erfüllt wird). Ich habe zwei Testfälle entwickelt, für die die
beiden Modelle den Anschein machten, unterschiedliche Datenmuster
vorherzusagen. Der eine Testfall betrifft die relative Distanz, der zweite
Testfall untersucht die Rolle von asymmetrischen RO.<br /><br /> Im Testfall zur relativen Distanz ist die kritische Manipulation, dass
ich Rechtecke mit verschiedenen Höhen als RO genutzt habe. Die absolute
Platzierung der LO bleibt konstant für alle Rechtecke. Die in dieser
Arbeit präsentierte Studie ist die erste, die einen möglichen Einfluss von
relativer Distanz auf Akzeptanzbewertungen von räumlichen Präpositionen
untersucht. Das rAVS<sub>w-comb</sub>-Modell sagt klar voraus, dass sich
die Akzeptanzbewertungen zwischen den verschieden hohen Rechtecken
unterscheiden sollten (trotz gleicher absoluter Platzierung der
LO). Die Vorhersage des AVS-Modells bleibt unklar. Ein Hauptgrund
für diese Unklarheit ist die Vektorensumme, die über die Geometrie
des ROs mittelt.<br /><br />
Der zweite Testfall untersucht den Einfluss von asymmetrischen RO.
Hier steht insbesondere die Vektorensumme des AVS-Modells im Fokus,
die dafür verantwortlich ist, die Geometrie des ROs abzubilden. Ich
habe die asymmetrischen ROso entwickelt, dass LO, die über den asymmetrischen
ROplatziertwerden, entweder über dem Hohlraum des ROs
oder über Masse des ROs liegen. (Die Seite des ROs, die zum LO zeigt,
ist flach.) Der Schwerpunkt des ROs (‚center-of-mass‘) stimmt nicht mit
dem Mittelpunkt des ROs (‚center-of-object‘) überein. Der Mittelpunkt
ist die Mitte des kleinsten Rechtecks, das alle Punkte des ROs beinhaltet
(der sogenannten ‚bounding box‘). Intuitiv sagt das AVS-Modell
voraus, dass zwei LOs, die mit gleicher Distanz zum Schwerpunkt aber
entweder über dem Hohlraum oder über der Masse des asymmetrischen
ROs platziert werden, unterschiedlich bewertet werden sollten.
Konkreter sagt das AVS-Modell voraus, dass das LO, welches sich über
der Masse befindet, höher bewertet werden sollte als das LO, welches
sich über dem Hohlraum befindet. Das rAVS<sub>w-comb</sub>-Modell sagt keinen
Unterschied in Bewertungen für diesen Testfall voraus.<br /><br />
Mithilfe der ‚Parameter Space Partitioning‘-Methode (PSP, Parameter-
Raum-Aufteilung, Pitt, Kim, Navarro, & Myung, 2006) habe ich die Modelle
systematisch untersucht. Diese Methode identifiziert alle vorhergesagten
Datenmuster eines Modells, die sich qualitativ unterscheiden.
Dazu durchsucht die PSP-Methode den gesamten Parameterraum des
Modells. Überraschenderweise stellte sich durch diese Methode heraus,
dass beide Modelle (AVS und rAVS<sub>w-comb</sub>) überlappende Vorhersagen
treffen. (Das heißt nicht, dass beide Modelle mit allen Parametersätzen
und für alle Stimuli genau die gleichen Vorhersagen treffen.) Trotz der
teilweise überlappenden Vorhersagen könnten empirische Daten für
diese Stimuli dabei helfen, die beiden Modelle voneinander zu unterscheiden
(z. B. durch quantitativ unterschiedliche Modellanpassungen
an die Daten).<br /><br />
Deshalb habe ich eine empirische Studie mit diesen Stimuli durchgeführt,
um die Vorhersagen der Modelle hinsichtlich der beiden vorgestellten
Testfälle (relative Distanz und asymmetrische RO) zu überprüfen.
Die Studie wurde so gestaltet, dass sie möglichst gut vergleichbar
mit früheren Studien ist (insbesondere mit den Experimenten von Regier & Carlson, 2001). 34 Studienteilnehmer sollten den Satz „Der Punkt
ist über dem Objekt“ lesen und danach die Akzeptanz dieses Satzes hinsichtlich
einer abgebildeten räumlichen Relation (also eines Bildes mit
einem Punkt und einem Objekt) auf einer Skala von 1 bis 9 bewerten.
Zusätzlich zur Präposition *über* habe ich die Präposition *unter* getestet.
Die Studie beinhaltete insgesamt 448 verschiedene räumliche RO-LO
Konfigurationen. Darüber hinaus habe ich die Augenbewegungen der
Teilnehmer während der Präsentation der Raumrelationen aufgenommen.
Diese stellen eine interessante Messgröße von offener visueller
Aufmerksamkeit dar.<br /><br />
Die Studie generalisiert Effekte vom Englischen ins Deutsche (‚grazingline‘-
Effekt und niedrigere Bewertungen für *unter* im Vergleich zu *über*).
Für den Testfall der relativen Distanz zeigen die Ergebnisse der empirischen
Studie, dass relative Distanz Akzeptanzbewertungen räumlicher
Sprache beeinflusst. Dieses Ergebnis bestätigt die generelle Vorhersage
des rAVS<sub>w-comb</sub>-Modells. Allerdings unterscheidet sich die empirisch
gefundene Art und Weise des Effekts der relativen Distanz von dem
konkreten Mechanismus des rAVS<sub>w-comb</sub>-Modells. Analysen der Daten
legen nahe, dass niedrige relative Distanz (i) den Effekt der ‚proximal
orientation‘ schwächt und dass niedrige relative Distanz (ii) – bei
hohenWerten der ‚proximal orientation‘ – einen umgekehrten Effekt
der ‚center-of-mass orientation‘ schwächt. Da weder das AVS-Modell
noch das rAVS<sub>w-comb</sub>-Modell diesen Mechanismus erklären kann, sollte
zukünftige Forschung diesen Effekt genauer untersuchen.<br /><br />
Für den Testfall der asymmetrischen RO legen die Daten nahe, dass
Menschen statt des Schwerpunkts des ROs (‚center-of-mass‘) eher den
Mittelpunkt des ROs (‚center-of-object‘) als Basis für ihre linguistischen
Akzeptanzbewertungen nehmen. Dieses Ergebnis stellt die Bedeutung
der ‚center-of-mass orientation‘ in Frage und lässt es wahrscheinlicher
erscheinen, dass Menschen sich auf die ‚center-of-object orientation‘
stützen. Da allerdings in den meisten vorherigen Studien Schwer- und
Mittelpunkt zusammenfielen, geben die hier vorgestellten Daten interessante
neue Einblicke in die Art und Weise, wie Menschen asymmetrische
Objekte zur Verifizierung von räumlichen Ausdrücken verarbeiten.<br /><br />
Die gesammelten Augenbewegungsdaten bestätigen die horizontale
Komponente des im AVS-Modell definierten Aufmerksamkeitsfokus’
(dieser Punkt spielt auch im rAVS<sub>w-comb</sub>-Modell eine wichtige Rolle).
Obwohl die Daten nicht der vertikalenKomponente dieses Fokus’ widersprechen,
lässt sich durch das Studiendesign nicht zweifelsfrei klären,
ob die Präposition oder die Platzierung der LO die vertikalen Fixationen
beeinflusst hat. Darüber hinaus haben die Augenbewegungsdaten
gezeigt, dass die Studienteilnehmer die beiden unterschiedlichen Typen
der asymmetrischen RO unterschiedlich inspiziert haben.Während
die Augenbewegungen durch die asymmetrische Massenverteilung
der offeneren asymmetrischen RO (L-förmig) beeinflusst wurden, haben
die Studienteilnehmer die geschlosseneren asymmetrischen RO (C-förmig) so fixiert, als wenn diese RO rechteckig wären. Trotz dieser
unterschiedlichen Fixationsmuster kann die ‚center-of-object orientation‘
die empirischen Akzeptanzbewertungen besser erklären als die
‚center-of-mass orientation‘.<br /><br />
Um die Hypothese, dass Menschen sich zur Verifizierung von räumlichen
Präpositionen eher auf den Mittel- statt auf den Schwerpunkt
des ROs beziehen, näher zu untersuchen, habe ich die beiden Modelle
AVS und rAVS<sub>w-comb</sub> leicht modifiziert. Daraus sind die neuen Modelle
‘AVS bounding box’ (AVS-BB) und ‘rAVS center-of-object’ (rAVS-CoO)
entstanden. Anstatt den Schwerpunkt des ROs in ihren Berechnungen
zu berücksichtigen (wie AVS und rAVS<sub>w-comb</sub>), nutzen die neuen
Modelle AVS-BB und rAVS-CoO den Mittelpunkt des ROs. Die übrigen
Bestandteile der Modelle sind unverändert geblieben. Um alle vier
Modelle gründlich zu analysieren, habe ich eine Reihe weiterer Modellsimulationen
durchgeführt (Kapitel 5). Mithilfe der Daten und Stimuli
der Studie aus Kapitel 4 habe ich versucht, die Modelle, die eine Aufmerksamkeitsverschiebung
vom RO zum LO implementieren (AVS,
AVS-BB), von den Modellen, die eine umgekehrte Aufmerksamkeitsverschiebung
(vom LO zum RO, rAVS<sub>w-comb</sub>, rAVS-CoO) implementieren,
zu unterscheiden. Dazu habe ich alle Modelle an die gesammelten empirischen
Daten angepasst (GOF, SHO). Darüber hinaus habe ich zwei
weitere Modellanalysen durchgeführt: Die ‚Model Flexibility Analysis‘
(MFA, Modelflexibilitätsanalyse, Veksler, Myers, & Gluck, 2015) und
die ‚landscaping‘-Methode (Navarro, Pitt, & Myung, 2004). Beide Methoden
liefern Messgrößen, die die Flexibilität der Modelle beschreiben.<br /><br />
Wenn man herausfinden möchte, welches Modell einen modellierten
Prozess besser beschreibt, sollte man sich nicht nur auf eine möglichst
gute Anpassung der Modelle an die empirischen Daten verlassen (z. B.
per GOF; Roberts & Pashler, 2000). Vielmehr ist es auch wichtig zu
untersuchen, wie flexibel die Modelle sind. Ein sehr flexibles Modell
kann neben den empirischen Daten auch viele weitere Datenmuster generieren,
die möglicherweise empirisch nicht plausibel sind. Ein wenig
flexibles Modell generiert nur eine geringe Menge an Datenmustern (im
Idealfall die empirischen). Diese Überlegungen führen dazu, dass eine
gute Modellanpassung an empirische Daten zwar ein notwendiges, aber
kein hinreichendes Maß von Modellgüte ist. Zusätzlich zur Messung
der Modellflexibilität, misst die ‚landscaping‘ Methode noch, inwieweit
sich zwei Modelle nachahmen (in welchem Fall eine Unterscheidung
der Modelle erschwert ist).<br /><br />
Über alle Modellsimulationen hinweg lässt sich feststellen, dass die
Modelle, die den Mittelpunkt in ihren Berechnungen nutzen (AVS-BB
und rAVS-CoO), deutlich besser abschneiden als die Ursprungsmodelle,
die auf den Schwerpunkt setzen (AVS, rAVS<sub>w-comb</sub>). Im Vergleich
mit den Schwerpunktsmodellen passen sich die Mittelpunktsmodelle
besser an die empirischen Daten an (GOF, SHO), sind weniger flexibel
(MFA, landscaping) und generieren Datenmuster, die näher an den empirischen Mustern liegen (PSP). Dies unterstützt die Hypothese,
dass für die Verifizierung von räumlichen Präpositionen die Mittelpunktsorientierung
(‚center-of-object orientation‘) wichtiger ist als die
Schwerpunktsorientierung (‚center-of-mass orientation‘). Die Hauptforschungsfrage
– welche Richtung der Aufmerksamkeitsverschiebung
(vom RO zum LO oder vom LO zum RO) den Prozess der Verifizierung
von räumlichen Präpositionen besser erklärt – lässt sich jedoch durch
die Modellsimulationen nicht abschließend beantworten. Unabhängig
von der implementierten Aufmerksamkeitsverschiebung lassen sich die
vorliegenden Modelle anhand der existierenden Daten nicht verlässlich
voneinander unterscheiden (im Sinne einer besseren Modellierung
des kognitiven Prozesses). Beide Richtungen der Aufmerksamkeitsverschiebung
sind gleich wahrscheinlich. Um die Modelle präziser mit
empirischen Daten vergleichen zu können, stelle ich zum Schluss eine
Modellerweiterung vor, die es erlaubt, dass die Modelle statt einem
einzelnen Akzeptanz-Mittelwert eine komplette Verteilung von Akzeptanzbewertungen
generieren können. Zukünftige Modellevaluationen
können somit alle verfügbaren Informationen aus den empirischen
Daten nutzen.<br /><br />
Die Dissertation schließt mit einer zusammenfassenden Diskussion
der erreichten Ergebnisse. Basierend auf dem einflussreichen Drei-
Ebenen-Konzept von Marr (1982) ordne ich die Befunde in weitere relevante
Forschung ein. Außerdem skizziere ich einige vielversprechende
Modellerweiterungen, die sich zur Entwicklung eines umfassenderen
Modells von räumlicher Sprache als nützlich erweisen könnten. Solch
ein Modell würde es ermöglichen, die Art undWeise, wie Menschen
räumliche Sprache in der externen Welt verankern, noch präziser zu
untersuchen.
Content
Stats
- The PDF-Document has been downloaded 3 times.
License/Rightsstatement
