Mo' money mo' problems: The effect of practice on optimal movement end point during rapid aiming under risk
Notice bibliographique
Résumé
The expected value of an uncertain decision is the product of the probability of the chosen outcome occurring and the value of the outcome. Trommerhauser et al. (2003) showed that people aimed to an 'optimal movement endpoint' that was modeled based on the participants' endpoint variability (probability) and the cost associated with a penalty region (value) that partially overlapped the target. Although it is predicted that the endpoint should change as a function of endpoint variability, optimal endpoint has only been examined after extensive training. Shifts in endpoint during training, while theoretically relevant, were not examined. The present study was designed to explore the change in endpoint as variability changes with practice. Participants made 300 aiming movements to a target worth +100pts with an overlapping penalty region worth -500pts. The optimal model suggests that mean endpoint should be farther from the penalty region early in practice when endpoint variability is higher - increasing target misses but decreasing costly penalty hits. As variability decreases, the endpoint should shift closer to the optimal location. In contrast to predictions, participants' mean movement endpoint started closer to the penalty region and shifted away with increasing practice, even as endpoint variability decreased. These results indicate that people may have to receive feedback in the form of hitting the penalty region to change to a more optimal movement planning strategy. Acknowledgments: This research was funded by NSERC
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 | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».