Reconsidering the Automaticity of Visual Statistical Learning
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
Statistical learning refers to the process of extracting regularities from the world without feedback. What are the necessary conditions for statistical learning to arise? It has been argued that visual statistical learning (VSL) is “automatic”, such that subjects will passively and even unconsciously extract statistical regularities from streams of visual input as long as they attend to the stimuli. In contrast, our data indicate that simply attending to stimuli is not, on its own, sufficient for learning. In Experiments 1 & 2, we provided incidental exposure to regularities in a stream of images and observed little to zero VSL across a range of conditions. In Experiment 3, we found that explicitly instructing participants to seek regularities dramatically improved their performance on direct measures of learning, but not on an indirect response time measure. Finally, in Experiments 4 & 5, we demonstrated that a methodological confound in prior work using the indirect response time measure could account for some previous evidence of automatic and implicit VSL.Overall, we found very little evidence of learning using direct measures of VSL, and no evidence of learning using an indirect response time measure. Participants who recognized visual sequence regularities in a forced-choice task could also often recreate the sequences when explicitly probed, indicating their knowledge was not entirely implicit. We suggest that some form of active engagement with stimuli may be needed to extract sequential regularities, and that VSL does not occur automatically.
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 | 0,002 | 0,018 |
| 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 | 0,001 |
| 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 découle