Cognitive bias and reward affect contrast and response gain
Notice bibliographique
Résumé
Investigations of perceptual learning (PL) typically focus on stimulus and sensory factors that affect performance during training, and comparatively little is known about the roles response bias and reward structure play in determining how people learn from experience. Such questions are important because some naturalistic PL protocols (e.g., fingerprint identification) use extreme payoff structures that severely punish some responses. Therefore, we investigated how differing monetary rewards and punishments interact with PL during a texture identification task. We trained subjects on ten band-pass filtered, white noise textures in a same-different task, measuring accuracy while manipulating signal strength with the method of constant stimuli. Subjects were trained in adverse miss (AM), adverse false-alarm (AFA), and no adversity (NA) conditions over a period of five training sessions. In the NA condition, subjects received equal monetary rewards and punishments for each correct and incorrect identification. However, in the AM condition misses (identifying the same textures as different) were punished at a 100:3 ratio to rewards, and the AFA condition was subjected to similar punishment following false alarms. At the end of training, psychometric functions from subjects in the AM and AFA conditions exhibited a hard threshold: sensitivity was essentially zero to low-contrast patterns and the abruptly increased beyond a critical level of contrast. No such threshold was apparent in the NA condition. Hence, our results suggest that the reward structures in the AM and AFA conditions reduced sensitivity to weak signals and increased the slope of the psychometric function. Currently we are testing the effects of bias on PL across a wider range of payoff structures. Meeting abstract presented at VSS 2017
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 | 0,003 | 0,003 |
| 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 ».