Differences in Learning Across the Lifespan Emerge via Resource-Rational Computations
Notice bibliographique
Résumé
Learning accurate beliefs about the world is computationally demanding but critical for adaptive behavior across the lifespan. Here, we build on an established framework formalizing learning as predictive inference and examine the possibility that age differences in learning emerge from efficient computations that consider available cognitive resources differing across the lifespan. In our formalization of this idea, beliefs are updated through a sampling process that stops after reaching a criterion level of accuracy. The amount of sampling navigates a trade-off between belief accuracy and computational cost, with more samples favoring belief accuracy and fewer samples minimizing costs. Maximizing the accuracy-cost ratio would require a more frugal sampling policy when cognitive resources are limited or costly, leading to systematically biased beliefs. Data from two lifespan studies (N = 129 and N=90) show that children and older adults display biases characteristic of a more frugal sampling policy, including (i) more frequent perseveration when required to update from previous beliefs and (ii) a stronger anchoring bias when updating beliefs from an externally generated value. Across age groups, individuals who perseverated most when updating from previous beliefs also had the largest anchoring biases when updating beliefs from an externally generated value, corroborating our model's assumption that these biases originate from sampling. Our model and results provide a unifying perspective on perseverative and anchoring biases, show that they can jointly emerge from efficient belief-updating computations in different age groups, and suggest that resource-rational adjustments of sampling computations can explain age-related changes in adaptive learning.
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 | 0,000 | 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 | 0,001 | 0,002 |
| 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 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 ».