A Dynamic Neural Gradient Model of Two-Item and Intermediate Transposition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Transposition is a tendency for organisms to generalize relationships between stimuli in situations where training does not objectively reward relationships over absolute, static associations. Transposition has most commonly been explained as either conceptual understanding of relationships (Köhler, 1938) as nonconceptual effects of neural memory gradients (as in Spence's stimulus discrimination theory, 1937 ). Most behavioral evidence can be explained by the gradient account, but a key finding unexplained by gradients is intermediate transposition, where a central (of three) stimulus, "relationally correct response," is generalized from training to test. Here, we introduce a dynamic neural field (DNF) model that captures intermediate transposition effects while using neural mechanisms closely resembling those of Spence's original proposal. The DNF model operates on dynamic rather than linear neural relationships, but it still functions by way of gradient interactions, and it does not invoke relational conceptual understanding in order to explain transposition behaviors. In addition to intermediate transposition, the DNF model also replicates the predictions of stimulus discrimination theory with respect to basic two-stimulus transposition. Effects of wider test item spacing were additionally captured. Overall, the DNF model captures a wider range of effects in transposition than stimulus discrimination theory, uses more fully specified neural mechanics, and integrates transposition into a wider modeling effort across cognitive tasks and phenomena. At the same time, the model features a similar low-level focus and emphasis on gradient interactions as Spence's, serving as a conceptual continuation and updating of Spence's work in the field of transposition.
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.
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 | 0,000 |
| 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 découle