Release from response interference in color-word contingency learning
Notice bibliographique
Résumé
In identifying the print colors of words when some combinations of color and word occur more frequently than others, people quickly show evidence of learning these associations. This contingency learning effect is evident in faster and more accurate responses to high-contingency combinations than to low-contingency combinations. Across four experiments, we systematically varied the number of response-irrelevant word stimuli connected to response-relevant colors. In each experiment, one group experienced the typical contingency learning paradigm with three colors linked to three words; other groups saw more words (six or twelve) linked to the same three colors. All four experiments disconfirmed a central prediction derived from the Parallel Episodic Processing (PEP 2.0) model (Schmidt et al., 2016)-that the magnitude of the contingency learning effect should remain stable as more words are added to the response-irrelevant dimension, as long as the color-word contingency ratios are maintained. Responses to high-contingency items did slow down numerically as the number of words increased between groups, consistent with the prediction from PEP 2.0, but these changes were unreliable. Inconsistent with PEP 2.0, however, overall response time did not slow down and responses to low-contingency items actually sped up as the number of words increased across groups. These findings suggest that the PEP 2.0 model should be modified to incorporate response interference caused by high-probability associations when responding to low-probability combinations.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».