Testing the Equality of Learning Rates Using a Linear Hypothesis
Notice bibliographique
Résumé
For over a hundred years, psychologists have tried to describe and understand human learning. While many models disagree on the nature of the process, most agrees that the performance is well described by a power function (Newell and Rosenbloom, 1981). This equation has a curvature parameter as well as two scaling parameters. Recent models are making quantitative predictions on the learning rate, which is represented by the curvature parameter of the function. For example, Logan’s race model (Logan, 1988) predicts that standard deviations and means of response times will decrease at the same rate. The most intuitive way to test this hypothesis is to estimate the best-fitting parameters and to apply a statistical test on those estimations. The problem with this approach is that those estimations are highly biased (Cousineau, Helie and Lefebvre, in press). In the late fifties, Rao (1959) proposed a test of linear hypothesis. By assuming that the learning rates are equal, the power functions (or any other learning model postulated) become a linear combination of each other, irrespective of the scaling parameters. However, since learning data tends to be noisy, the power of Rao’s test was limited. In order to reduce the effects of noise, Cousineau, Helie and Lefebvre (in press) proposed to apply Rao’s test on block-average data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,118 | 0,456 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,012 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».