Vision and Semantics: Insights into Rock Category Learning Among Geology Undergraduates
Notice bibliographique
Résumé
To the untrained eye, rocks offer limited perceptual information to aid in accurate categorizations—making geology an ideal domain to study the development of semantic and visuoperceptual knowledge. This study examined the formation and restructuring of perceived rock-type categories in undergraduates (N=48) enrolled in an introductory-level geology course. Through this work, we addressed three questions: 1) How do categories for rock knowledge develop? 2) How does the acquisition of real-world expertise reshape semantic and visuoperceptual categories? 3) Is the nature of one’s category restructuring indicative of academic performance? We quantified category restructuring trajectories using PsiZ, a machine learning package that generates a multi-dimensional category representation (i.e., psychological embedding) based on the participant’s similarity judgments (Roads & Love, 2020). On each trial, participants were presented with a visual array of nine rocks—depicted by images on visuoperceptual trials and labels (e.g., “basalt”) on semantic trials—and were asked to select the two most similar peripherally presented rocks to the reference rock. Visuoperceptual and semantic category structures were assessed at the start and end of the course. How does category structure relate to academic success? A comparison of the top and bottom 25% of students, based on lab-test performance, revealed diverging trajectories. Post-instruction, image and label judgments of high-performers were highly correlated demonstrating strong integration of visuoperceptual and semantic knowledge. Contrastingly, low-performers displayed faulty visuoperceptual and semantic knowledge as demonstrated by poorly differentiated and conceptually inaccurate clusters of rock images and labels. Strikingly, despite no differences in prior exposure to the field, the two groups showed distinct pre-instruction visuoperceptual structures. High-performers exhibited significantly greater exemplar differentiation; this differentiation (among high-performers) was then maintained, but reconfigured (to assemble conceptually-accurate rock-type clusters) post-instruction. These findings suggest that the groups approached the task, at both timepoints, with markedly different levels of perceptual sensitivity.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 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 ».