MétaCan
Menu
Retour à la cohorte
Enregistrement W7043242994

Scaling function learning from individuals to groups

2017· dissertation· en· W7043242994 sur OpenAlexafffund

Notice bibliographique

RevueMspace (University of Manitoba) · 2017
Typedissertation
Langueen
DomainePsychology
ThématiqueAction Observation and Synchronization
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCentralityFunction (biology)ReplicateVariable (mathematics)Matching (statistics)Scale (ratio)Task (project management)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Scale invariance, the notion that scientific principles ought to hold over different scales of analysis, is a regularity in the physical and biological sciences but is underappreciated in psychology. Whereas the standard approach in psychology is to explain behaviours at different scales of analysis with different mechanisms, I argue that sophisticated behaviours at any scale are an emergent consequence of simple processes interacting with a structured environment. Changing the scale of analysis, whether temporal, physical, or otherwise, may alter the structure of the environment but need not imply changes to the mechanisms that interact with that environment. To illustrate the centrality of scale invariance and emergence to human cognition, I replicate signature findings from a function learning task after scaling up the unit of analysis, from individuals to groups. In a standard function learning task, individuals learn the relationship between two variables by trial and error, matching one variable (i.e., Y) to a target value of the other variable (i.e., X) and adjusting their responses according to feedback. In an analogous group function learning task, groups of non-communicating individuals learn the relationship between two variables by making individual-level decisions in response to group-level feedback. My experiments with this task demonstrate that groups, like individuals, can learn both simple and complex functions by trial and error, and can generalize their knowledge of a trained function to untrained target values in a transfer test. Groups are, moreover, resilient to disruption of their knowledge, a central feature of distributed representations in biological and artificial neural networks. The results recommend a principled approach to cognition, in which simple processes interact with the structure of the environment to produce sophisticated behaviours, and in which the patterns of behaviour produced at one scale of analysis are reproduced at other scales. Finally, the data show that, when constrained by a collective environment and common goals, individuals self-organize into unique decision roles that support group-level learning. An exploratory analysis of self-reported strategies, individual behaviours, and personality profiles demonstrates how complex social variables can help or hinder the emergence of learning at the level of the group.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,184
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,035
Tête enseignante GPT0,261
Écart entre enseignants0,226 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
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
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMspace (University of Manitoba)Même sujetAction Observation and SynchronizationTravaux en français237 207