Humans make an excessive number of indecisions under time constraints
Notice bibliographique
Résumé
Failing to decide when acting under time constraints can be detrimental, such as a driver failing to decide where to steer a car and causing a crash. Decision-making research has explored how humans select motor plans to maximize reward given sensorimotor delays and uncertainties. Yet studies imposing time constraints have not examined indecisive behaviour, where humans fail to decide before a deadline. Here we test the idea that optimal motor planning that accounts for sensorimotor delays and uncertainties will result in indecisions. Participants were shown two targets and were required to reach the same target as a computer agent. They received one point for selecting the same target as the agent, zero points for selecting the opposite target, or zero points if they were indecisive and failed to reach a target by 1500 ms. Agent movement onset time was drawn from a normal distribution. In a repeated measures design, we manipulated the mean (1000, 1100, or 1200 ms) and standard deviation (50 or 150 ms) of the normal distribution that determined the agent movement onset time. We developed a model that finds the decision time that maximizes expected reward. The model predicts less indecisions in the 1200 ms conditions than the 1000 ms conditions. However, participants made more indecisions in the 1200 ms condition than the 1000 ms condition. Further, participants made more indecisions in the 1200 ms condition compared to the model. Our results suggest that humans suboptimally account for sensorimotor uncertainties, leading to an excessive number of indecisions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».