The optimal time to approach an unfamiliar object: a Bayesian model
Notice bibliographique
Résumé
Abstract Many organisms take time before approaching unfamiliar objects. This caution forms the basis of some well-known assays in the fields of behavioral ecology, comparative psychology, and animal welfare, including quantifying the personality traits of individuals and evaluating the extent of their neophobia. In this paper, we present a mathematical model which identifies the optimal time an observer should wait before approaching an unfamiliar object. The model is Bayesian, and simply assumes that the longer the observer goes without being attacked by an unfamiliar object, the lower will be the observer’s estimated probability that the object is dangerous. Given the information gained, a time is reached at which the expected benefits from approaching the object begin to exceed the costs. The model not only explains why latency to approach may be repeatable among individuals and varies with the object’s appearance but also why individuals habituate to the stimulus, approaching it more rapidly over repeated trials. We demonstrate the applicability of our model by fitting it to published data on the time taken by chicks to attack artificial caterpillars that share no, one, or two signaling traits with snakes (eyespots and posture). We use this example to show that while the optimal time to attack an unfamiliar object reflects the observer’s expectation that the object is dangerous, the rate at which habituation arises is also a function of the observer’s certainty in their belief. In so doing, we explain why observers become more rapidly habituated to “weaker” stimuli than the “stronger” ones.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».