MétaCan
Menu
Retour à la cohorte
Enregistrement W1507461351 · doi:10.1017/cbo9780511814273.053

Logic and Biology: Emotional Inference and Emotions in Reasoning

2008· book-chapter· en· W1507461351 sur OpenAlexaff
Ronald de Sousa

Notice bibliographique

RevueCambridge University Press eBooks · 2008
Typebook-chapter
Langueen
DomainePsychology
ThématiqueChild and Animal Learning Development
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésInferenceCognitive scienceEpistemologyCognitive psychologyPsychologyArtificial intelligenceComputer sciencePhilosophy

Résumé

récupéré en direct d'OpenAlex

The unrefined and sluggish mind of Homo Javanensis Could only treat of things concrete and present to the senses W. V. Quine Tropisms and Transitions: Some Leading Questions Before planning and reasoning, there were tropisms. Tropisms have functions and make use of information detected, but they don't, I assume, involve any actual reasoning. Somewhere along the course of evolution, and at some time in any one of us on the way from zygote to adult, some forms of detection became beliefs, and some tropisms turned into reasoned desires. And at some stage – perhaps, if Quine is right, with Homo javanensis – we became adept at processing information, that yet fell short of the power to abstract and generalize. What selective pressures can we then suppose to have effected in our brains, since then, the innovations required to bring us the capacity for fully abstract and general reasoning? I take for granted that reasoning is something we do; that much or most of what we do is influenced by emotion; that psychology is interested in everything we do; and that psychology is a branch of biology. These breezy premises raise a number of questions. What kind of connection might there be between biology and rationality? More specifically, how does the normativity of logic relate to its biological origins? Is there not, in the very idea of such a connection, something akin to the naturalistic fallacy? If our capacity for inference is in part a legacy of natural selection, are there specific emotional mechanisms that serve to influence reasoning at the proximate level? […]

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,009
Communication savante0,0030,005
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,258
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCambridge University Press eBooksMême sujetChild and Animal Learning DevelopmentTravaux en français237 207