Statistical learning generates implicit conjunctive predictions
Notice bibliographique
Résumé
The visual system readily detects statistical relationships where the presence of an object predicts a specific outcome. What is less known is how the visual system generates predictions when multiple objects predicting different outcomes are present simultaneously. Here we examine the rules with which predictions are made in the presence of two objects that are associated with two distinct outcomes. In a visual search paradigm, participants first viewed one color dot and then searched for a target (a rotated T) in an array during the exposure phase. Each color predicted a specific location of the target. For example, after a blue dot the target would appear only in the top half of the array; and after a red dot the target would appear only in the left half of the array. The question is: Where was the target expected to appear when both the blue dot and the red dot were present? A conjunctive prediction would mean that the target was expected to appear in the top left quadrant of the array, whereas a disjunctive prediction would mean that the target was expected to appear in the top half or the left half of the array. Importantly at the test phase when both dots were present, the target was equally likely to appear in any half of the array. We found that participants were reliably faster to find the target when it appeared in the conjunctive quadrant. This was true even if participants were not consciously aware of the association between the color dots and target locations during debriefing. This effect was equally strong whether participants implicitly learned the association or were explicitly told about the association. The results suggest that in the presence of multiple predictors, statistical learning generates implicit expectations about the outcomes in a conjunctive fashion. Meeting abstract presented at VSS 2018
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 | 0,002 | 0,002 |
| 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) | 0,001 | 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 ».