MétaCan
Menu
Retour à la cohorte
Enregistrement W4386242345 · doi:10.1167/jov.23.9.4957

The tortoise and the hare: Fast and slow learners in an object categorization task

2023· article· en· W4386242345 sur OpenAlexaff
James Tanaka, Kyla Basbaum, Amy vanWell, Anna K. Lawrance, Cole Tamburri

Notice bibliographique

RevueJournal of Vision · 2023
Typearticle
Langueen
DomaineNeuroscience
ThématiqueCognitive Science and Education Research
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésCategorizationTortoiseTask (project management)Object (grammar)Computer scienceArtificial intelligenceCommunicationCognitive psychologyNatural language processingPsychologyBiologyZoologyEngineering

Résumé

récupéré en direct d'OpenAlex

In a typical object training study, participants are trained to categorize objects (e.g., cars, birds) to a pre-determined level of performance (e.g., 90% accuracy). After training, category retention is tested by asking participants to identify trained and novel exemplars from the learned category. One limitation of this approach is that it fails to consider how the learning characteristics of the individual might affect their subsequent retention of category knowledge. In this study, participants (n = 34) completed an online study where they were trained to identify four species of warblers (Capemay, Townsend, Prairie, Magnolia) or four species of mushrooms (Jacksonii, Flavoconnia, Muscaria, Persicna). Trials consisted of a preview stage where participants pressed the keyboard space bar to view the stimulus (warblers or mushrooms) and a selection stage where participants released the space bar to categorize the stimulus according to its species via a key press response. In the training phase, participants received feedback on their selection and continued until the participant categorized the four species of warblers (or mushrooms) to a 90% accuracy criterion. Based on their total number of trials-to-criterion (TTC), participants were split into “fast” or “slow” learning groups. Following training, participants were asked to identify 40 new images of warblers (or mushrooms) without feedback. Despite having required fewer training trials, participants in the fast group were more accurate than participants in the slow group (fast: 95% versus slow: 88%, p < .02). Interestingly, participants in the slow group showed faster reaction times than participants in the fast group (slow: 1756 ms versus fast: 1885 ms, t = 14.13, p < .001), driven by shorter preview times (slow: 350 ms versus fast: 535 ms, p < .001). Collectively, these results suggest that individual differences in category learning influence the characteristics of category retrieval.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,918
Score d'incertitude au seuil0,231

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,374
Écart entre enseignants0,332 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetCognitive Science and Education ResearchTravaux en français237 207