Learning behaviorally stable solutions to producer–scrounger games
Notice bibliographique
Résumé
Animal decision making is influenced by past experience in many biological contexts such as mating, avoiding predators, and foraging. In behavioral games, what constitutes a good or bad decision about which alternative to use depends on the behavior of other individuals. Solutions to games can take the form of a stable equilibrium frequency (SEF) of alternative tactics. In this study, we ask whether individuals within flocks of ground-feeding passerines (Lonchura punctulata) engaged in a producer–scrounger game adjust their behavior and converge on the SEF by using a fixed rule of thumb or by learning to estimate payoffs by the process of responding to contingencies in reinforcements obtained from each alternative tactic. After being trained either in a high-scrounging (HS) or a low-scrounging (LS) food condition, flocks of birds were provided with identical foraging conditions over 2 successive test phases in which we expected the SEF of scrounging to decrease and then to increase. Birds trained in the HS condition scrounged more than those trained in the LS condition and continued to do so even when subsequently tested in the same conditions. This effect of past experience is inconsistent with the use of a fixed rule alone. An improvement in the efficiency of scrounging behavior within experimental phases provided further evidence of learning in this game-theoretic context. This experiment provides the first empirical evidence that group-level adjustments in scrounger use to different environmental conditions are mediated by learning the payoffs associated with each tactic.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».