Learning to Ensemble? Repeated exposure leads to more efficient processing of summary statistics for weight and real-world size
Notice bibliographique
Résumé
Ensemble coding is the brain’s ability to rapidly extract summary statistics from groups of similar items (e.g., average colour of leaves on a tree). Ensemble coding has also been found for information that cannot be gleaned solely from retinal input (e.g., average animacy of objects). We extended this line of ensemble coding research by examining if observers were sensitive to two different features that require access to stored information in long-term memory. Specifically, participants made judgements about the average weight or real-world size of groups of objects. We found that participants were unable to integrate information from multiple items to produce accurate summary statistics for either judgement. Next, we examined how learning and memory may influence ensemble coding for weight and real-world size. Could associative learning (e.g., learning which items belong in an ensemble via their relationship to other items) aid in ensemble coding? Specifically, we examined if repeated exposures to the different items within an ensemble would enable people to form summary statistics more efficiently. To test this, participants made judgements about the average weight or average real-world size of groups of object stimuli, and we manipulated how frequently people were exposed to certain subsets and combinations of the stimuli in a given ensemble. We found that repeated presentation of the ensemble stimuli leads to improved performance on the ensemble tasks for both the weight and size judgements. In summary, while observers were unable to extract average weight and real-world size information from objects when stimuli were not repeatedly presented, they were able to produce accurate summary statistics with multiple stimulus exposures. We speculate that this may be due to mechanisms governing associative statistical learning and memory for repeatedly encountered visual information.
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 | 0,000 | 0,003 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».