Introspective psychophysics for the study of subjective experience
Notice bibliographique
Résumé
Studying subjective experience is hard. We believe that pain is not identical to nociception, nor pleasure a computational reward signal, nor fear the activation of "threat circuitry". Unfortunately, introspective self-reports offer our best bet for accessing subjective experience, but many still believe that introspection is "unreliable" and "unverifiable". But which of introspection's faults do we find most damning? Is it that introspection provides imperfect access to brain processes (e.g. perception, memory)? That subjective experience is not objectively verifiable? That it is hard to isolate from non-subjective processing capacity? Here, I argue none of these prevents us from building a meaningful, impactful psychophysical research program that treats subjective experience as a valid empirical target through precisely characterizing relationships among environmental variables, brain processes and behavior, and self-reported phenomenology. Following recent similar calls by Peters (Towards characterizing the canonical computations generating phenomenal experience. 2022. Neurosci Biobehav Rev: 142, 104903), Kammerer and Frankish (What forms could introspective systems take? A research programme. 2023. J Conscious Stud 30:13-48), and Fleming (Metacognitive psychophysics in humans, animals, and AI. 2023. J Conscious Stud 30:113-128), "introspective psychophysics" thus treats introspection's apparent faults as features, not bugs-just as the noise and distortions linking environment to behavior inspired Fechner's psychophysics over 150 years ago. This next generation of psychophysics will establish a powerful tool for building and testing precise explanatory models of phenomenology across many dimensions-urgency, emotion, clarity, vividness, confidence, and more.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».