Don't go changing on me: Consistent feedback is necessary for optimal endpoint selection in the context of changing rewards
Notice bibliographique
Résumé
When values - reward or penalties - change in the aiming environment, participants must adjust their endpoint to maximize their gain. Previous research has shown that participants need to consistent feedback to aim to an optimal endpoint in the context of changing penalties. Other research has shown that participants weight positive and negative values differently in cognitive decision-making tasks but no research has examined the effect of manipulating rewards on endpoint selection. The purpose of the present study was first, to determine if participants adjust their endpoint in the context of changing rewards and secondarily, whether participants need consistent feedback to do so. Participants aimed to a target that was overlapped by a penalty region. Participants gained points for hitting the target but lost points for hitting the penalty region. The reward was set at either 100 or 600 points and the reward changed trial-to-trial (Random Condition) or only between blocks of trials (Blocked Condition). If participants need consistent feedback to aim optimally, there should only be a difference in endpoint between reward values in the Blocked condition where participants receive consistent feedback from aiming in the same value context on each trial. There was a significant interaction between reward and blocking condition where participants adjusted their endpoints with changing reward in the Blocked but not Random condition. Further, there was a correlation between endpoint selection and participants' risk sensitivity as measured through a questionnaire. The results indicate that participants can adjust their endpoints to changing reward values but only with consistent feedback. Acknowledgments: Research was funded through an NSERC Discovery Grant
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) | 0,000 | 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 ».