Effects of expected task difficulty on metacognitive confidence and multitasking
Notice bibliographique
Résumé
In daily life, repeated experiences with a task (e.g. driving) will generally result in the development of a belief about one’s ability (“I am a good driver”). Here we ask how such beliefs, termed self-efficacy, interact with metacognitive confidence judgements. Across three pre-registered experiments, participants performed a perceptual discrimination task and reported their decision confidence. We induced contextual beliefs about performance (our operationalisation of self-efficacy) by manipulating the prior probability of an easy or hard trial occurring in each block. In Experiment 1 easy and hard trials generated the same levels of performance (a “subjective difficulty” manipulation), whereas in Experiments 2 and 3 performance differed across difficulty conditions (an “objective difficulty” manipulation). Results showed that context (self-efficacy) and difficulty interacted multiplicatively, consistent with the notion that confidence judgements combine decision evidence with a prior (contextual) belief on being correct. This occurred despite context having no corresponding effect on performance. We reasoned that performing tasks in easy contexts may reduce cognitive “load”, and tested this, in Experiment 3, by instructing participants to perform two tasks concurrently. Consistent with a reduction in load, the effects of context transferred from influencing confidence on our primary task to improving performance on the secondary task. Taken together, these studies reveal that contextual beliefs about performance facilitate multitasking, potentially by reducing the load of tasks believed to be easy, and they extend psychophysical investigations of perceptual decision-making by incorporating ‘higher-order’ beliefs about difficulty context, corresponding to intuitive notions of self-efficacy.
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 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».