Attention strategies for learning under reducible and irreducible uncertainty
Notice bibliographique
Résumé
In feature learning, uncertainty about feature values is reduced. Selective attention can help this, implying that agents should focus attention more under greater expected uncertainty about action outcomes. Little work tests this “attention-for-learning” prediction, and in particular it is unknown whether attention-for-learning is sensitive to the degree to which uncertainty can actually be reduced. Here we tested the attention-for-learning hypothesis in a naturalistic learning task that manipulated both reducible and irreducible forms of uncertainty, and quantified the strength of selective attention using attention-augmented reinforcement learning (RL) models. Human participants performed a 2-AFC object selection task in which multidimensional objects with a particular feature were more likely to be rewarded. Reducible uncertainty was manipulated between blocks by having objects vary along either two or five possible feature dimensions (different arms, body shapes, patterns, textures, or colors). Irreducible uncertainty took the form of different reward probabilities, either 0.70 or 0.85. As expected, when either form of uncertainty was higher, response times were longer, learning was slower, and asymptotic performance was lower. On blocks where one form of uncertainty was high and the other was low, these performance measures did not differ. However model results show that this similar performance was the result of different mechanisms. Specifically, when reducible uncertainty was high and irreducible uncertainty was low, participants had narrower attentional focus and greater exploratory biases than in the opposite condition. These results demonstrate that attention flexibly adjusts to the specific type of decision uncertainty. When faced with high levels of reducible uncertainty, attention becomes more focused and exploration increases, but the reverse is true for irreducible uncertainty, even when the resulting behaviour is highly similar. Taken together, these findings provide quantitative evidence for flexible adjustment of attention during learning to specific types of experienced uncertainty.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».