Bridging the WEIRD Gap in Category Learning: Exploring an Online-Based Solution
Notice bibliographique
Résumé
This study evaluated the feasibility of global, cross-cultural classification research by examining category learning in online and in-person settings. Using the six Shepard, Hovland, and Jenkins (SHJ; 1961) category Types (i.e., Type I-VI) paired with Choi et al.’s Analysis-Holism Scale (AHS; 2007) and a demographics questionnaire, we aimed to underscore the potential of online research to address data limitations in generalizability regarding cognitive universals. The main objectives were to examine category learning across modalities, evaluate data reliability, and compare these results against the literature, and explore analytic vs. holistic thinking vis-à-vis cultural variations. The primary research question centred on the viability of investigating category learning strategies online. The results revealed a significant main effect of modality on SHJ performance, indicating better performance in-person. There was also a significant main effect of SHJ Type on performance, with Type I being the easiest and Type VI the most challenging, in line with the existing literature. No interaction was observed between modality and SHJ Type. Exploratory findings showcased similar rank-order differences in SHJ Type for both modalities and confirmed a positive relationship between holistic thinking and Type IV performance. This study paves the way for future online-based category learning paradigms and highlights the need for larger, more diverse samples when studying cognitive universality.
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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».