Statistical learning creates novel object associations via transitive relations
Notice bibliographique
Résumé
The visual system can readily extract statistical relationships between objects over space and time. What is more remarkable is the ability to form new associations between objects that have never co-occurred before. What cognitive mechanisms support the formation of these new associations? Here we propose that statistical learning not only produces knowledge about objects that have previously co-occurred, but also generates new connections between objects that have never directly appeared together. Observers viewed a continuous sequence of colors while performing a cover task. Unbeknownst to the observers, the colors were grouped into base pairs (e.g., A-B, B-C). We found that observers learned not only the base pairs, but also a novel pair of objects (A-C) that had never co-occurred before and could only be associated through transitive relations between the base pairs (Experiment 1). We extended the chain of associations by adding one more base pair (e.g., A-B, B-C, C-D), but this time the observers did not learn the novel pair (A-D), despite having successfully learned all the base pairs (Experiment 2). This reveals the limit in the transitive associations afforded by statistical learning. We also explored how transitive associations are formed across the categorical hierarchy. In Experiment 3, after viewing a sequence of city pairs (e.g., New York-London), observers automatically learned subordinate park pairs (Central Park-Hyde Park), and also superordinate country pairs (USA-UK). Importantly, none of the park pairs or country pairs had been presented previously, and could only be associated through the city pairs. However in Experiment 4, after viewing a sequence of park pairs, observers only showed successful learning of city pairs but not country pairs, reflecting the limit in the transitive associations across the categorical hierarchy. In sum, the findings suggest that statistical regularities provide a scaffold through which new associations between objects are automatically formed. Meeting abstract presented at VSS 2016
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».