A common algorithm for confidence judgements across visual, auditory and audio-visual decisions
Notice bibliographique
Résumé
Abstract Most studies investigating the computational basis of decision confidence have focused on simple visual perceptual tasks, leaving open questions about how confidence is formed in decisions involving other sensory modalities or those requiring the integration of information across modalities. To address these gaps, we used computational modelling to analyse confidence judgements in perceptual decisions involving visual, auditory, and audio-visual stimuli. Drawing on research into visual confidence, we adapted models from the literature to evaluate their fit to our data, comparing three popular classes: unscaled evidence strength, scaled evidence strength, and Bayesian models. Our results show that the scaled evidence strength models consistently outperformed the other model classes across all tasks and could also be used to predict behaviour in the audio-visual task from the unidimensional auditory and visual model fits. These findings suggest that confidence judgements across different perceptual decisions rely on a shared algorithm that dynamically accounts for both sensory uncertainty and evidence strength, without the computation of posterior probabilities. Additionally, we investigated the algorithms used for multidimensional (audio-visual) confidence judgements specifically, showing that participants integrated both the visual and auditory dimensions of the stimulus, rather than relying solely on the most informative modality, and used a modality-independent measure of sensory uncertainty to adjust their confidence. Overall, our findings provide evidence for a common algorithm underlying confidence judgements across modalities and demonstrate the broad applicability of the scaled evidence strength algorithm, even in tasks requiring the integration of distinct sensory information.
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 | 0,011 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».