Desire and Motivation in Predictive Processing: An Ecological-Enactive Perspective
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The predictive processing theory refers to a family of theories that take the brain and body of an organism to implement a hierarchically organized predictive model of its environment that works in the service of prediction-error minimization. Several philosophers have wondered how belief-like states of prediction account for the conative role desire plays in motivating a person to act. A compelling response to this challenge has begun to take shape that starts from the idea that certain predictions are prioritized in the predictive processing hierarchy. We use the term "first priors" to refer to such predictions. We will argue that agents use first priors to engage in affective sense-making. What has been missing in the literature that seeks to understand desire in terms of predictive processing is a recognition of the role of affective sense-making in motivating action. We go on to describe how affective sense-making can play a role in the context-sensitive shifting assignments of precision to predictions. Precision expectations refer to estimates of the reliability of predictions of the sensory states that are the consequences of acting. Given the role of affect in modulating precision-estimation, we argue that agents will tend to experience their environment through the lens of their desires as a field of inviting affordances. We will show how PP provides a neurocomputational framework that can bridge between first-person phenomenological descriptions of what it is to be a desiring creature, and a third-person, ecological-enactive analysis of desire.
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.
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 découle