Optimal weighting of costs and probabilities in a risky motor decision-making task requires experience.
Notice bibliographique
Résumé
Previous research has revealed that people choose to aim toward an "optimal" endpoint when faced with a movement task with externally imposed payoffs. This optimal endpoint is modeled based on the magnitude of the payoffs and the probability of hitting the different payoff regions (endpoint variability). Endpoint selection, however, has only been studied after people had experience with the aiming task. The present study examined initial endpoint selection and how it changed as a function of experience with performing the task. Participants completed 300 movements to a target that was overlapped by a penalty region. Mean endpoint was analyzed in intervals of 50 trials. Predictions based on the optimal model would indicate that the mean endpoint should be farther from the penalty region early in practice when endpoint variability is higher-increasing target misses but decreasing costly penalty hits. As variability decreases, however, it is predicted that the endpoint should shift closer to the optimal location. In contrast to these predictions, participants' mean movement endpoints started closer to the penalty region and shifted away with increasing practice, even as endpoint variability decreased. This pattern of endpoint selection leads to suboptimal gains early in experience but more optimal gains by the end of the trials. These findings suggest that, similar to results found in cognitive decision-making tasks, people need to receive performance-based feedback to weight their estimations of probability and payoffs in motor tasks.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».