Optimal Metacognitive Decision Strategies in Signal Detection Theory
Notice bibliographique
Résumé
Signal detection theory (SDT) has long provided the field of psychology with a simple but powerful model of how observers make decisions under uncertainty. SDT can distinguish sensitivity from response bias and characterize optimal decision strategies. Recent work has extended SDT to quantify metacognitive sensitivity. Here we further advance the application of SDT to the study of metacognition by providing a formal account of normative metacognitive decision strategies – i.e., type 2/confidence criterion setting – for ideal observers.Optimality is always defined relative to a given objective. We use SDT to derive formulae for optimal type 2 criteria under four distinct objectives: maximizing type 2 accuracy, maximizing type 2 reward, calibrating confidence to accuracy, and maximizing the difference between type 2 hit rate and false alarm rate. Where applicable, we consider these optimization contexts alongside their type 1 counterparts (e.g. maximizing type 1 accuracy) to deepen understanding. We examine the different strategies implied by these formulae and further consider how optimal type 2 criterion setting differs when metacognitive sensitivity deviates from SDT expectation. We also provide an online toolbox for implementing these analyses.The theoretical framework provided here can be used to better understand the metacognitive decision strategies of real observers. Possible applications include characterizing observers’ spontaneously chosen metacognitive decision strategies, assessing their ability to fine-tune metacognitive decision strategies to optimize a given outcome when instructed, determining over- or under-confidence relative to an optimal standard, and more. This framework opens new avenues for enriching our understanding of metacognition.
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 | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».