The curriculum effect in visual learning: the role of readout dimensionality
Notice bibliographique
Résumé
Abstract Generalization of visual perceptual learning (VPL) to unseen conditions varies across tasks. Previous work suggests that training curriculum may be integral to generalization, yet a theoretical explanation is lacking. We propose an explanatory theory of visual learning generalization and curriculum effects by leveraging an artificial neural network (ANN) model of VPL in comparison with humans. We found that easy-to-hard sequential training improved generalization in both humans and ANNs. However, when easy and hard conditions were interleaved, humans and ANNs showed different behaviours: while ANNs performed worse than with sequential training, humans maintained good performance but with large inter-individual variability. Investigating ANN models trained with different curricula, we demonstrated that models relying on low-dimensional neural populations showed superior generalization. This readout subspace dimensionality was directly determined by curriculum: learners who learned from easy tasks early formed lower-dimensional subspaces and generalized better. Our theory provides a mechanistic framework linking curriculum design to VPL generalization through neural population dimensionality. Author Summary Learning new skills is fundamental to humans and animals. However, a key challenge in learning is generalization: applying learned skills to new situations not encountered during training. While it is well known that training curriculum affects how well we generalize, the underlying mechanisms remain poorly understood. What makes certain training curricula more effective than others? Why do some learners generalize better than others even with similar training? We developed a computational theory to explain how curriculum design influences generalization in visual learning. Using a combination of human behavioural experiments and artificial neural network modeling, we posit that easy-to-hard training sequences lead learners to focus on fewer, more essential visual features. This creates low-dimensional neural representations that are robust and generalize well to new conditions. Importantly, we found this benefit even extends to learners who spontaneously adopt easy-to-hard strategies on their own, without explicit curriculum design. Our theory provides a mechanistic link between curriculum structure, neural population dynamics, and generalization performance. Moreover, these findings offer practical guidelines for designing effective training programs in education and rehabilitation.
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 | 0,002 | 0,014 |
| 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 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».