MétaCan
Menu
← Retour à la cohorte
Enregistrement W7055428644

Current accuracy is not always the best predictor of future accuracy: The consequences of dissociable bias and precision components

2023· article· en· W7055428644 sur OpenAlexaff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueMagnetic confinement fusion research
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésAccuracy and precisionCovariateObservational errorMeasure (data warehouse)Random errorDiagnostic accuracyTerm (time)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Skill acquisition scientists can rely on measures of bias, precision, and accuracy to describe and capture changes in action outcomes. Here we examined whether bias and precision are dissociable components of an individual’s accuracy. We first explored this by simulating two-dimensional accuracy at two timepoints and varied the persistence (i.e., “stickiness”) of bias and precision. When bias and precision were persistent, Time 1 accuracy was the strongest predictor of Time 2 accuracy. When precision was persistent and bias was not, Time 1 precision was the strongest predictor of Time 2 accuracy. If bias and precision are dissociable, then current accuracy is not always the best predictor of future accuracy. We then re-analyzed data from a previous experiment that likely included the above-described scenarios. The experiment involved participants tossing beanbags to an occluded target in pretest and retention without feedback and 50% relative feedback frequency in acquisition. Bias was random on the pretest due to the blind throw and no feedback. Consistent with simulations where precision was persistent and bias was not, pretest precision was a significantly better predictor of retention accuracy than pretest accuracy. However, after a couple blocks of receiving feedback, accuracy became the better predictor of future performance, consistent with simulations where both precision and bias are persistent. These results suggest bias and precision may be dissociable components of accuracy. Consequently, even if accuracy is the only measure of interest, including pretest precision rather than accuracy as a covariate may increase statistical power in similarly designed experiments.

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)0,015
score de la tête « metaresearch » (Gemma)0,089
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,985
Score d'incertitude au seuil0,078

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,089
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,003
Communication savante0,0030,004
Science ouverte0,0010,003
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,064
Tête enseignante GPT0,330
Écart entre enseignants0,266 · 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.

Devis d'étudeThéorique ou conceptuel
DomaineMéthodes
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMagnetic confinement fusion research→Travaux en français237 207→