Magnitude comparison extended: How lack of knowledge informs comparative judgments under uncertainty.
Notice bibliographique
Résumé
How do people compare quantitative attributes of real-world objects? (e.g., Which country has the higher per capita GDP, Mauritania or Nepal?). The research literature on this question is divided: Although researchers in the 1970s and 1980s assumed that a 2-stage magnitude comparison process underlies these types of judgments (Banks, 1977), more recent approaches emphasize the role of probabilistic cues and simple heuristics (Gigerenzer, Todd, & The ABC Research Group, 1999). In this article, we review the magnitude comparison literature and propose a framework for magnitude comparison under uncertainty (MaC). Predictions from this framework were tested in a choice context involving one recognized and one unrecognized object, and were contrasted with those based on the recognition heuristic (Goldstein & Gigerenzer, 2002). This was done in 2 paired-comparison studies. In both, participants were timed as they decided which of 2 countries had the higher per capita gross domestic product (GDP). Consistent with the MaC account, we found that response times (RTs) displayed a classic symbolic distance effect: RTs were inversely related to the difference between the subjective per capita GDPs of the compared countries. Furthermore, choice of the recognized country became more frequent as subjective difference increased. These results indicate that the magnitude comparison process extends to choice contexts that have previously been associated only with cue-based strategies. We end by discussing how several findings reported in the recent heuristics literature relate to the MaC framework.
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 | 0,010 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,011 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».