Visual working memory for negative events is weakened by alternation between event types during judgments of trends.
Notice bibliographique
Résumé
In order to effectively assess trends in the severity of a problem, we must often integrate working memory representations of several types of event. Alternating between different event types may cause them to seem less salient in memory, leading to an overly optimistic view of a given trend. We tested this possibility in a visual task portraying a series of events related to the success of orchard crops over time. Each scenario in our task portrayed one decade worth of crops. Each “year”, an icon was presented depicting either a healthy crop, a mild mold or insect infestation, a moderate infestation, or a severe infestation. In one condition, we structured the presentation order such that crop events of the same type occurred in sequence (e.g. mild mold, mild mold, moderate mold, healthy, mild insects, mild insects, moderate insects). Each “decade” in which crop events were grouped by type (the grouped condition) involved a different sequence – thus there was no statistical pattern to learn. In the ungrouped condition, the order of crop events within a decade was randomized (e.g. mild insects, mild mold, moderate insects, mild insects, healthy, moderate mold, mild mold). Participants were trained on four example scenarios depicting ‘normal’ frequencies for each type and severity of crop infestation within a decade. Next, following each decade in the main task, they rated the extent to which the crops had been better or worse than ‘normal’. Participants were generally biased towards judging a decade worth of crops as better than it actually was. They also made a more optimistic rating of the crops in the ungrouped condition than the grouped one. This demonstrates how switching attention between different types of symptoms or signs of a problem can cause us to be blind to the severity of that problem. Meeting abstract presented at VSS 2015
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».