How do we select the tools we use
Notice bibliographique
Résumé
How do we decide to use tools? Is the decision grounded on the idea of affordances proposed by Gibson (1977,1979) and elegantly followed by others (e.g., Tucker & Ellis, 1998)? One major focus of affordances is based on the idea that the handle of an object will ultimately play a key role on the effector used (e.g., left or right hand) and how to pick it up. However, what if the area of the tool that makes contact with the object upon which it acts (e.g., flat surface of the hammer) plays a critical role as well? We tested if the handle or the contact area of the tools ultimately affect the decision of the observer in a series of studies, in which different tools [1 designed for the action such as driving a nail (e.g., hammer), 1 with similar graspability (e.g., wrench), 1 with similar functionality (e.g., rock), and 1 nonsense tool (e.g., comb)] were presented. In the first study, we did not constrain the amount of time the participants had to decide on which tool to select and use. In this condition participants selected the tool designed for the action first (88%), and to use the tool with similar functionality second (46%). However, once we constrained participants to choose as quickly as possible, there tended to be an even split between tools that looked similar (50% split) when chosen first. Another interest was that the actions performed were chosen by the participants, not instructed; however most participants chose to perform very similar actions regardless of tool selected. This leads us to the next question: What is driving this decision making? The tool or the object?
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».