Individual Differences in Reasoning and the Algorithmic/Intentional Level Distinction in Cognitive Science
Notice bibliographique
Résumé
When a layperson thinks of individual differences in reasoning they think of IQ tests. It is quite natural that this is their primary associate, because IQ tests are among the most publicized products of psychological research. This association is not entirely inaccurate either, because intelligence – as measured using IQ-like instruments – is correlated with performance on a host of reasoning tasks (Ackerman, Kyllonen, and Roberts 1999; Carroll 1993; Hunt 1999; Lohman 2000; Lubinski 2004; Rips and Conrad 1983; Sternberg 1977, 1985). Nonetheless, a major theme of this chapter will be that certain very important classes of individual differences in thinking are ignored if only intelligence-related variance is the primary focus. A number of these ignored classes of individual differences are those relating to rational thought. In this chapter, I will argue that intelligence-related individual differences in thinking are largely the result of differences at the algorithmic level of cognitive control. Intelligence tests thus largely fail to tap processes at the intentional level of control. Because understanding rational behavior necessitates understanding processes operating at both levels, an exclusive focus on intelligence-related individual differences will tend to obscure important differences in human thinking. This argument obviously depends strongly on differentiating the algorithmic from the intentional level of analysis. Therefore, in the next section I will outline the sources that I rely on for this conceptual distinction and how I will utilize the distinction to provide a framework for thinking about individual differences in reasoning.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».