The snooze of lose: Rapid reaching reveals that losses are processed more slowly than gains.
Notice bibliographique
Résumé
Decision making revolves around weighing potential gains and losses. Research in economic decision making has emphasized that humans exercise disproportionate caution when making explicit choices involving loss. By comparison, research in perceptual decision making has revealed a processing advantage for targets associated with potential gain, though the effects of loss have been explored less systematically. Here, we use a rapid reaching task to measure the relative sensitivity (Experiment 1) and the time course (Experiments 2 and 3) of rapid actions with regard to the reward valence and probability of targets. We show that targets linked to a high probability of gain influence actions about 100 ms earlier than targets associated with equivalent probability and value of loss. These findings are well accounted for by a model of stimulus response in which reward modulates the late, postpeak phase of the activity. We interpret our results within a neural framework of biased competition that is resolved in spatial maps of behavioral relevance. As implied by our model, all visual stimuli initially receive positive activation. Gain stimuli can build off of this initial activation when selected as a target, whereas loss stimuli have to overcome this initial activation in order to be avoided, accounting for the observed delay between valences. Our results bring clarity to the perceptual effects of losses versus gains and highlight the importance of considering the timeline of different biasing factors that influence decisions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».