The Ghosts in the Computer: The Role of Agency and Animacy Attributions in “Ghost Controls”
Notice bibliographique
Résumé
Three studies evaluated the role of 4-year-old children's agency- and animacy-attributions when learning from a computerized ghost control (GC). In GCs, participants observe events occurring without an apparent agent, as if executed by a "ghost" or unobserved causal forces. Using a touch-screen, children in Experiment 1 responded to three pictures in a specific order under three learning conditions: (i) trial-and-error (Baseline), (ii) imitation and (iii) Ghost Control. Before testing in the GC, children were read one of three scripts that determined agency attributions. Post-test assessments confirmed that all children attributed agency to the computer and learned in all GCs. In Experiment 2, children were not trained on the computer prior to testing, and no scripts were used. Three different GCs, varying in number of agency cues, were used. Children failed to learn in these GCs, yet attributed agency and animacy to the computer. Experiment 3 evaluated whether children could learn from a human model in the absence of training under conditions where the information presented by the model and the computer was either consistent or inconsistent. Children evidenced learning in both of these conditions. Overall, learning in social conditions (Exp. 3) was significantly better than learning in GCs (Exp. 2). These results, together with other published research, suggest that children privilege social over non-social sources of information and are generally more adept at learning novel tasks from a human than from a computer or GC.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».