Learning by Imitation, Reinforcement and Verbal Rules in Problem Solving Tasks
Notice bibliographique
Résumé
Learning by imitation is a powerful process for acquiring new knowledge, but there has been little research exploring imitation’s potential in the problem solving domain. Classical problem solving techniques tend to center around reinforcement learning, which requires significant trial-and-error learning to reach successful goals and problem solutions. Heuristics, hints, and reasoning by analogy have been favored as improvements over reinforcement learning, whereas imitation learning has been regarded as rote memorizing. However, research on imitation learning in animals and infants suggests that what is being learned is the overall arrangement of actions (sequencing and planning). Applied to problem solving, this suggests that imitation learning might enable a problem solver to infer a complex hierarchical problem representation from observation alone. We compared three types of learning in problem solving tasks: imitation learning (a group that viewed successful problem solving demonstrations), reinforcement learning (a group that got feedback indicating whether their answer was correct or not) and explicit rule learning (a group that was presented specific instructions to solve the problem). The task required participants to find, with three uses of a scale, the one ball which was either heavier or lighter than the rest of a set of 12 balls. We found that subjects in the imitation learning and explicit learning groups outperformed those in the reinforcement learning group. We conclude that learning by imitation in problem solving tasks is worthwhile, efficient and even superior to explicit learning because of the minimal time and energy investment required from the mentor.
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 ».