Should I stay or should I go? Generalized marginal value theorem with temporal discounting
Notice bibliographique
Résumé
Abstract Consider a person in an environment containing patchy rewards. Under what circumstances should they stay in a given reward patch or leave that patch to seek out a new one? In a landmark 1976 study, Charnov derived the action policy that maximizes the expected rate at which this person gathers rewards. This result is called the Marginal Value Theorem (MVT), and decades of study have shown that humans’ and other animals’ behaviors qualitatively follow MVT, but with notable and systematic deviations. These deviations have been hypothesized to arise from the fact that MVT does not incorporate temporal discounting whereas humans and other animals tend to value current rewards more than future ones. Rigorously testing that hypothesis has been challenging because there is no mathematical theory that determines optimal patch foraging decision policies for agents who use temporal discounting. To fill this knowledge gap, I derived the optimal patch foraging policy for agents who exponentially discount future rewards and studied how that optimal policy depends upon their temporal discount rate, and upon the structure of their environment. Notably there are conditions under which the optimal policy with temporal discounting is to leave earlier than is predicted by MVT (under-staying), while under other conditions the optimal policy is to stay longer than is predicted by MVT (over-staying). The theory presented here delineates when each situation arises and may help to interpret the otherwise-puzzling ways in which human and animal behaviors deviate from MVT.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».