Notice bibliographique
Résumé
The phenomenon of bistability arises from physical ambiguities in the stimulus that lend themselves to two mutually exclusive interpretations. Many properties have been shown to affect switching rate, including stimulus interruptions (Kornmeier et al., 2007), attention (Meng & Tong, 2004), and eye movements (Ellis & Stark, 1978). However, relatively little research has addressed the role of individual differences. Previous studies have found that subjects fall into two groups: fast switchers and slow switchers (Borsellino et al., 1982). It has been suggested that these differences arise from variations in individual experience with the stimulus (Sakai et al., 1995). In this study, we use a sibling-descendant cascade-correlation neural network (Baluja & Fahlman, 1994; Shultz, 2004) to examine this hypothesis. We trained the network on a set of unambiguous stimuli, then tested it on an ambiguous stimulus, modeled after the Necker cube. Networks with extensive training showed high switching rates, while networks with shorter training regimes showed significantly lower switching rates. In addition, we found that strong positive feedback yielded lower switching rates, while weak positive feedback resulted in higher switching rates. Dynamical models support the latter result, where rivalry depends on a balance between positive self-feedback and mutually inhibitory connections between neural populations (Wilson, 1999). Our model suggests that switching rates may also depend on the underlying neural architecture, which in turn depends on early network training and experience.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».