How representations of number and numeracy predict decision paradoxes: A fuzzy‐trace theory approach
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
Abstract Higher numeracy has been associated with decision biases in some numerical judgment‐and‐decision problems. According to fuzzy‐trace theory, understanding such paradoxes involves broadening the concept of numeracy to include processing the gist of numbers—their categorical and ordinal relations—in addition to objective (verbatim) knowledge about numbers. We assess multiple representations of gist, as well as numeracy, and use them to better understand and predict systematic paradoxes in judgment and decision‐making. In two samples ( N s = 978 and 957), we assessed categorical (some vs. none) and ordinal gist representations of numbers (higher vs. lower, as in relative magnitude judgment, estimation, approximation, and simple ratio comparison), objective numeracy, and a nonverbal, nonnumeric measure of fluid intelligence in predicting: (a) decision preferences exhibiting the Allais paradox and (b) attractiveness ratings of bets with and without a small loss in which the loss bet is rated higher than the objectively superior no‐loss bet. Categorical and ordinal gist tasks predicted unique variance in paradoxical decisions and judgments, beyond objective numeracy and intelligence. Whereas objective numeracy predicted choosing or rating according to literal numerical superiority, appreciating the categorical and ordinal gist of numbers was pivotal in predicting paradoxes. These results bring important paradoxes under the same explanatory umbrella, which assumes three types of representations of numbers—categorical gist, ordinal gist, and objective (verbatim)—that vary in their strength across individuals.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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