Implicit prediction as a consequence of statistical learning
Notice bibliographique
Résumé
The sensory input that we encounter while navigating through each day is highly structured, containing patterns that repeat over time. Statistical learning is the process of becoming attuned to these patterns and can facilitate online processing. These online facilitation effects are often ascribed to prediction, in which information about an upcoming event is represented before it occurs. However, previously observed facilitation effects could also be due to retrospective processing. Here, using a speech-based segmentation paradigm, we tested whether statistical learning leads to the prediction of upcoming syllables. Specifically, we probed for a behavioural hallmark of genuine prediction, in which a given prediction benefits online processing when confirmed, but incurs costs if disconfirmed. In line with the idea that prediction is a key outcome of statistical learning, we found a trade-off in which a greater benefit for processing predictable syllables was associated with a greater cost in processing syllables that occurred in a "mismatch" context, outside of their expected positions. This trade-off in making predictions was evident at both the participant and the item (i.e., individual syllable) level. Further, we found that prediction did not emerge indiscriminately to all syllables in the input stream, but was deployed selectively according to the trial-by-trial demands of the task. Explicit knowledge of a given word was not required for prediction to occur, suggesting that prediction operates largely implicitly. Overall, these results provide novel behavioural evidence that prediction arises as a natural consequence of statistical learning.
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 | 0,009 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».