The Influence of Task-Irrelevant Spatial Regularities on Statistical Learning
Notice bibliographique
Résumé
Research into statistical and sequence learning has demonstrated that we are sensitive to the statistical properties of events and can learn to approximate the probability of their occurrences. Research has also demonstrated that the spatial properties of an event can influence our perception of its non-spatial features, even if the spatial features are not relevant to the task itself. The goal of the current research was to test whether task-irrelevant spatial features could influence our ability to learn the regularities associated with non-spatial events. Using a computerized version of the children’s game ‘rock’-‘paper’-‘scissors’ (RPS), undergraduates were instructed in two separate experiments to win as often as possible against a computer that played varying RPS strategies. For each strategy, the computer’s plays were either presented with spatial regularity (i.e., ‘rock’ would always appear on the left, ‘paper’ in the middle, and ‘scissors’ on the right) or without spatial regularity (i.e., the items were equally likely to appear in any of the three screen locations). Results showed that, although irrelevant to the task itself, spatial regularities had a moderate influence when learning to play against easy strategies (Experiment 1 and 2a), and a more pronounced influence when learning to play against harder strategies (Experiment 2b). When exposed to harder strategies, we also found that, in addition to improving learning, participants were also able to detect switches in the computer’s strategies more readily when spatial regularities were evident. Our results suggest that task-irrelevant spatial features can improve statistical learning, especially when the regularities of task relevant non-spatial features are difficult to learn. Meeting abstract presented at VSS 2013
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 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 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) | 0,001 | 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 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 ».