The effects of age on associative and rule-based causal learning and generalization.
Notice bibliographique
Résumé
We assessed how age influences associative and rule-based processes in causal learning using the Shanks and Darby (1998) concurrent patterning discrimination task. In Experiment 1, participants were divided into groups based on their learning performance after 6 blocks of training trials. High discrimination mastery young adults learned the patterning discrimination more rapidly and accurately than moderate mastery young adults. They were also more likely to induce the patterning rule and use this rule to generate predictions for novel cues, whereas moderate mastery young adults were more likely to use cue similarity as the basis for their predictions. Like moderate mastery young adults, older adults used similarity-based generalization for novel cues, but they did not achieve the same level of patterning discrimination. In Experiment 2, young and older adults were trained to the same learning criterion. Older adults again showed deficits in patterning discrimination and, in contrast to young adults, even when they reported awareness of the patterning rule, they used only similarity-based generalization in their predictions for novel cues. These findings suggest that it is important to consider how the ability to code or use cue representations interacts with the requirements of the causal learning task. In particular, age differences in causal learning seem to be greatest for tasks that require rapid coding of configural representations to control associative interference between similar cues. Configural coding may also be related to the success of rule-based processes in these types of learning tasks.
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 ».