Classification of Cognitive Strategies by the underlying processing stages using Hidden semi-Markov Models
Notice bibliographique
Résumé
When doing a cognitive task, people can employ different cognitive strategies. A strategy consists of different cognitive processing stages, which is how different strategies can be differentiated. A novel machine learning method developed by Anderson et al., 2016 is able to model cognitive processing stages in EEG, MEG, and fMRI as a hidden semi-Markov model, calling it Hidden semi-Markov Model Multivariate Pattern Analysis (HsMM-MVPA). This method works across subjects, so among other things it seems to be able to deal with the inter-subject variability of EEG data. This leads to the hypothesis that HsMM-MVPA could potentially be used to predict what cognitive strategy someone used in new, unseen data. To test this hypothesis, EEG data collected from a group of subjects who performed\na multiplication task with self-reported cognitive strategies was used. Subjects reported either knowing the answer to a multiplication problem from memory ("retrieval"), or had to compute the answer ("procedural"). We estimated hidden semi-Markov models on some of\nthe subjects and tested how well these models could predict what strategy was used on the other subjects. The models are able to correctly identify retrieval-strategies, but tend to be less sensitive to the procedural-class. This seems to be because the retrieval-strategy is more consistent. HsMM-MVPA can be used for classification, but might fare better with more consistent cognitive strategies.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».