Consciousness of Error: How Origin Shapes Awareness and Learning
Notice bibliographique
Résumé
Errors are often regarded as obstacles to be minimized, yet psychological and neuroscience research suggests they may serve as critical signals for learning. In Being Wrong, Kathryn Schulz (2010) framed error as a universal cognitive condition, but left unanswered whether all errors equally contribute to conscious awareness and adaptation. Building on this gap, the present paper examines how the origin and confidence of errors influence memory and learning. Recent work shows that high-confidence errors are tied to perceptual processing (Alilović et al., 2023), while low-confidence errors reflect later decisional mechanisms; complementary evidence suggests that predictions and errors are anatomically segregated in V1 (Thomas et al., 2024). A behavioural experiment is proposed to test whether perceptual (high-confidence) versus cognitive (low-confidence) errors differ in their likelihood of being consciously encoded and remembered. It is predicted that high-confidence errors will be more accessible to memory and thus more likely to facilitate learning. Counter-evidence shows that confidence and awareness can diverge (Lau & Passingham, 2006; Overgaard et al., 2006) and that learning can occur without awareness (Tsushima et al., 2006), suggesting Schulz’s framing requires refinement. Taken together, confidence appears to act as a functional gatekeeper of error-based learning, but unconscious mechanisms also shape adaptation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».