MétaCan
Menu
Retour à la cohorte
Enregistrement W4411937686 · doi:10.31234/osf.io/mvche_v2

Flexible behavior or flexible methods? A cross-taxon review of experimental designs in reversal learning

2025· review· en· W4411937686 sur OpenAlexfundno aff
Nicolás Alessandroni, Rachael Miller, Drew Altschul, Lisa P. Barrett, Marina Bazhydai, Mahmoud Medhat Elsherif, Julia Espinosa, Biljana Gjoneska, Yseult Héjja‐Brichard, Valeria Mazza, Annika Paukner, Ekaterina Pronizius, Michael J. Proulx, Muhammad A. J. Qadri, Olivia T. Reilly, Raoul Schwing, Carla Sebastián‐Enesco, Vedrana Šlipogor, Alexandra A. de Sousa, Ingmar Visser, Justin Yeager, Martin Zettersten, Krista Byers‐Heinlein, Josep Call, Ludwig Huber, Lars Chıttka, Laurent Prétôt

Notice bibliographique

Revuenon disponible
Typereview
Langueen
DomainePsychology
ThématiquePsychological and Educational Research Studies
Établissements canadiensnon disponible
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaAustrian Science FundSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungUniversité Catholique de LouvainEuropean CommissionLeverhulme TrustOpen Philanthropy ProjectNational Science Foundation
Mots-clésTaxonComputer sciencePsychologyData scienceArtificial intelligencePaleontologyBiology

Résumé

récupéré en direct d'OpenAlex

Behavioral flexibility—the ability to adapt behavior in response to changing conditions—is widely recognized as a key feature of animal cognition. It is often measured using reversal learning tasks, where individuals must inhibit a previously rewarded response and adopt a new one after contingencies shift. Despite its widespread use, the comparability of these tasks across species remains unclear. This paper establishes a foundation for resolving this issue by examining how reversal learning has been designed and implemented across taxa. We conducted a systematic review of 206 empirical studies (2014–2023) spanning eight major taxonomic groups: invertebrates, fishes, amphibians and reptiles, birds, rodents, non-human primates, humans, and other mammals. For each study, we extracted variables related to taxon coverage, sampling, learning and reversal criteria, cue types, and outcome measures. Analyses included nonparametric tests to assess group-level differences, linear discriminant analyses to explore multivariate structure, and model-based robustness checks. We identified three methodological obstacles to understanding reversal learning across diverse taxa. First, the distribution of research is highly imbalanced: birds, rodents, and humans accounted for most of the populations in the reviewed work. When considering species coverage, most animal diversity—especially invertebrates, fishes, and amphibians and reptiles—remains virtually untested, with less than 1% of described species included per taxon. Second, research is taxonomically fragmented: 99% of studies focus on a single group, limiting opportunities for direct comparison. Third, and most critically, methodological standards diverge dramatically across taxa. Humans are consistently held to the strictest learning criteria, while other taxa most often use lower thresholds. The number of reversal phases differ more than threefold among taxa. Nearly all studies of amphibians and reptiles, fishes, and invertebrates use single-reversal designs, whereas multi-reversal protocols are much more common in humans and non-human primates. Sample sizes, evaluation window lengths, cue types, and outcome metrics also display taxon-specific patterns. These systematic differences in experimental design introduce structural asymmetries that complicate cross-taxon comparisons, blurring the line between true cognitive variation and methodological artifacts. Although research to date has advanced our understanding, further progress will depend on greater methodological coordination and broader taxonomic coverage. Emerging large-scale collaborations are beginning to address these gaps, offering a promising path toward a more robust and equitable science of behavioral flexibility.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,144
score de la tête « metaresearch » (Gemma)0,283
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,856
Score d'incertitude au seuil0,763

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1440,283
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0060,006
Bibliométrie0,0070,008
Études des sciences et des technologies0,0010,005
Communication savante0,0030,004
Science ouverte0,0040,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,467
Tête enseignante GPT0,657
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeRevue systématique
DomaineMéthodes
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPsychological and Educational Research StudiesTravaux en français237 207