The influence of expertise and individual differences on psychological embeddings
Notice bibliographique
Résumé
How does knowledge and expertise affect our perceptions and representations? How do individuals differ in the ways in which they represent and judge the similarity of concepts and percepts? And how best to measure psychological representations? In two experiments, we attempted to provide insight into these questions using PsiZ, a novel method for obtaining psychological embeddings–rich multi-dimensional representations of psychological similarity spaces inferred from behavioural similarity judgments. Specifically, we investigated whether psychological embeddings could be used to measure individual differences in the use of conceptual versus perceptual judgement strategies in domain experts and novices. In the first experiment, we presented two basketball experts, 12 basketball fans, and 16 novices unfamiliar with basketball with arrays of faces of famous basketball players from four NBA teams and asked them to make similarity judgments. We predicted that experts, and fans would show embeddings characteristic of a conceptual strategy (i.e., organising faces by team), whereas novices would show embeddings characteristic of a perceptual strategy (i.e., organising faces by featural similarity). As predicted, expert embeddings were more compatible with a conceptual judgement strategy, although fans and novices had embeddings more compatible with a perceptual judgement strategy. Importantly, embeddings aligned with participants’ self-reported strategies. In the second experiment, we presented 13 native Japanese speakers and 24 non-Japanese speakers with arrays of Japanese kanji characters from four semantic categories. We predicted that Japanese speakers (experts) would show more conceptually-structured embeddings while non-Japanese speakers (novices) would show more perceptually-structured embeddings. While novice embeddings and self-reported strategies were consistent with perceptual judgments, the embeddings and self-reported strategies of Japanese speakers were consistent with both conceptual and perceptual strategies. Crucially, self-reported strategy use was highly related with embedding structure. Overall, we provide evidence for the viability of using psychological embeddings to measure individual differences in perception and representation.
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 | 0,003 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».