Fluency and Feeling of Rightness: The Effect of Anchoring and Models
Notice bibliographique
Résumé
Feeling of Rightness (FOR) is a metacognitive experience accompanying people's intuitive answers that predicts the probability of subsequently changing answers (Thompson, Prowse Turner, & Pennycook, 2011). Previous research suggested FOR judgments are influenced by cues such as fluency, i.e., the ease with which an answer comes to mind. In the current paper, we examine the relationship between FOR, fluency, and answer changes; in particular, we were interested in whether answer fluency drives the effect of FOR on subsequent behaviours pertaining to answer changes. Reasoners (N = 64) in each of four experiments were asked to determine the validity of 32 syllogisms that consisted of single-model and multiple-model problems. In addition, each problem was randomly paired with a question containing either a high anchor value (80% or 90%) or a low anchor value (10% or 20%). In the first two experiments, reasoners then provided a FOR rating on a scale from 0 to 100 and indicated whether they would like to attempt to re-answer the question. The last two experiments served as the control experiments in which the FOR judgements were removed. The anchoring manipulation affected FOR judgments but not re-answer choices; it also did not affect answer fluency. Thus influencing FOR without affecting answer fluency had no effect on people's subsequent re-answer choices. In contrast, fluency was a reliable predictor of both FOR and reanswer choices. That is, when answers came to mind slowly, FORs were lower and people were more likely to choose to re-answer the problems. Thus, fluency appears to mediate the relationship between FOR and re-answer choices.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».