Shifting Perceptions: The Effects of Subordinate Level Training on Category Restructuring
Notice bibliographique
Résumé
Experts identify objects in their domain of expertise faster, more accurately, and at a more specific level of abstraction than novices (Tanaka & Taylor, 1993). Whereas a novice sees the yellow bird flitting in the bush, the expert instantly recognizes this object as a Cape May Warbler. Although substantial research has explored the behavioral and neural correlates of the expert’s downward shift in recognition, less is known about how their mental structure mediates such speeded identification. In our experiment, 75 participants were trained to identify ten images of Cape May, Magnolia, Prairie, and Townsend warblers to a criterion of 90% accuracy. Before and after training, category structure was assessed with PsiZ. PsiZ (https://psiz.readthedocs.io) is a machine learning package that generates a multi-dimensional category representation (i.e., psychological embedding) based on the participant’s judgments of image similarity. The key finding was that training produced profound changes in category structure. Specifically, warbler images belonging to different species became significantly more differentiated, while warbler images of the same species became more compact; hence, training produced between-category expansion and within-category compression. What is the relationship between category structure and category performance? Once participants completed their post-training PsiZ judgments, participants were given a recognition test where they were asked to identify the species of novel Warbler images and images used in training. Based on their recognition accuracy, the group of top 25% and bottom 25% performers were identified. The psychological embeddings were then inferred for each group and compared. The PsiZ results revealed significant differentiation between species, particularly among the lower quartile participants following training. Moreover, after training, top-performers showed denser within-species clusters than lower performers. Collectively, subordinate-level training produced significant category restructuring. Further, the quality of this reorganization appears to play a functional role in one’s expert recognition performance.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».