MétaCan
Menu
Retour à la cohorte
Enregistrement W7025145245

Uniquely Human Aspects of Social Learning: The Role of Transmission Fidelity and Group Membership

2025· dissertation· en· W7025145245 sur OpenAlexfundno aff

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2025
Typedissertation
Langueen
DomaineEngineering
ThématiqueStructural Integrity and Reliability Analysis
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGroup (periodic table)Set (abstract data type)Transmission (telecommunications)FidelitySocial group
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

In recent years, humanity's extraordinary social, ecological, and technological success has been increasingly attributed to the capacity for social learning in general and cumulative cultural evolution (CCE) in particular.This thesis consists of four chapters aimed at investigating the nature and origin of several uniquely human aspects of this ability.Chapter 1 consists of an extensive review of what forms social learning takes (section 1.1), how these processes give rise to culture (section 1.2), how culture evolves over time (section 1.3), and why cultural evolution becomes cumulative in some cases but not others (section 1.4).This review highlights similarities and differences between humans and other animals, with a special emphasis on complex forms of social learning, such as imitation and teaching, which are especially pronounced in humans.Chapter 2 examines why humans alone seem to have benefited so extensively from CCE.Because CCE probably depends far more heavily on how reliably information is preserved than on how efficiently it is refined, one possible reason that CCE appears diminished or absent in other species is that it requires accurate but specialized forms of social learning at which humans are uniquely adept.Using a Bayesian model, this chapter contrasts the evolution of high-fidelity social learning, which supports CCE, against low-fidelity social learning, which does not.This model reveals that high-fidelity transmission evolves under a considerably different set of conditions than less accurate social learning: It requires social and individual learning to be relatively inexpensive and abundant, cultural traits to be complex, and adaptive problems to be difficult.If these conditions are relatively difficult to meet, then this could explain why social learning is common, but CCE is rare.Chapter 3 explores whether social learning is affected by the unique ways in which humans form and delineate between social groups, namely by using arbitrary and symbolic group markers.Although previous studies have shown that people prefer to copy in-group members, these have failed to resolve whether group membership itself affects who is copied or whether membership merely correlates with other known factors, such as similarity and familiarity, which nonhuman animals also employ.This chapter presents a pair of experiments aimed at disentangling these explanations inquisitive nature has been an inspiration.I am also grateful to my committee members, Dr. Simon

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)0,002
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,003
Communication savante0,0030,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,234
Écart entre enseignants0,224 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)Même sujetStructural Integrity and Reliability AnalysisTravaux en français237 207