Improving with Practice: A Neural Model of Mathematical Development.
Notice bibliographique
Résumé
The ability to improve in speed and accuracy as a result of re-peating some task is an important hallmark of intelligent bio-logical systems. Although gradual behavioural improvementsfrom practice have been modelled in spiking neural networks,few such models have attempted to explain cognitive devel-opment of a task as complex as addition. In this work, wemodel the progression from a counting-based strategy for ad-dition to a recall-based strategy. The model consists of twonetworks working in parallel: a slower basal ganglia loop, anda faster cortical network. The slow network methodically com-putes the count from one digit given another, correspondingto the addition of two digits, while the fast network gradually“memorizes” the output from the slow network. The faster net-work eventually learns how to add the same digits that initiallydrove the behaviour of the slower network. Performance ofthis model is demonstrated by simulating a fully spiking neu-ral network that includes basal ganglia, thalamus and variouscortical areas. Consequently, the model incorporates variousneuroanatomical data, in terms of brain areas used for calcula-tion and makes psychologically testable predictions related tofrequency of rehearsal. Furthermore, the model replicates de-velopmental progression through addition strategies in termsof reaction times and accuracy, and naturally explains observedsymptoms of dyscalculia.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».