Optimal sampling and signal detection: unifying models of attention and speed–accuracy trade-offs
Notice bibliographique
Résumé
Signal detection theory, speed–accuracy trade-offs, and attentional allocation trade-offs all describe trade-offs between different components of performance in a detection task; however, these phenomena have generally been considered independently and their relationships are unclear. In this article, we expand the classical signal detection model in a way that allows us to incorporate speed, accuracy, and attention into a single unifying framework. Classical signal detection theory generally assumes fixed overlapping distributions of the perceived stimuli generated by desirable and undesirable objects. The variability of these distributions is typically assumed to be attributable either to the true variation among objects or perceptual error. Our new framework considers how investment in learning about the signal being emitted by encountered objects (sampling) might reduce one component of this variability, namely that generated by perceptual error. First, we identify the optimal sampling strategy, based on the payoff-maximizing time or attention a receiver should allocate to a given object. Next, we show how this optimal strategy can vary with parameters such as the ratio of desirable to undesirable objects and the initial perceptual error. Finally, we highlight the consequences of these optimal sampling strategies, using Batesian mimicry as a central example. The implications of the ability of receivers to reduce perceptual error by allocating more time or attention are potentially far reaching. For instance, snap decisions by predators will arise when predators do not gain from allocating more time to make better informed decisions, and under some conditions, this behavior will allow more imperfect mimicry to persist.
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 ».