Notice bibliographique
Résumé
Reinforcement learning illustrates how people represent and learn large-scale environments for spatial navigation. However, it is unclear how “reachable” spaces are represented when performing manual tasks like chopping vegetables. To analyze the mechanisms underlying learning reachable space, we used inspiration from a recent study (de Cothi et al., 2022) to develop a haptic maze task where human participants reached to a target while avoiding invisible haptic obstacles in the environment. Participants reached with a robotic handle, generating contact forces to simulate the maze boundary, obstacle walls, and the floor, which supported the hand. Participants were blind to their hand position, while the target and maze boundary remained visible. Two conditions were implemented for each experiment variation; maze obstacles were invisible in the first condition, then became visible in the second. Audio feedback was given upon finding the target. We tested participants in 25 unique mazes, performing 10 trials within each maze. Two experimental procedures were employed: one with a fixed target and varying starting locations (18 participants), while the other had a fixed starting location and variable targets (10 participants). We simulated and compared the likelihoods of 3 different reinforcement learning models: model-based (MB), model-free (MF) and successor representation (SR). MB-simulated agents learned a map of the maze, planning the shortest route to the target. MF-simulated agents cached and updated the expected total future reward for each action using experience, pursuing the highest-reward actions. SR-simulated agents generated a “cognitive” (predictive) map between grids (states), integrating it with the target to plan actions. Results suggested that humans use a combination of MB and MF to learn reachable spaces. MB agents had higher likelihoods (better represented human behaviour) than MF agents for earlier trials, but MF had greater likelihoods for later trials. Meanwhile, SR learning was significantly worse at predicting participant behaviour.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».