MétaCan
Menu
Retour à la cohorte
Enregistrement W938683852 · doi:10.5214/ans.0972.7531.1118307

Learning to become an expert: reinforcement learning and the acquisition of perceptual expertise

2011· article· en· W938683852 sur OpenAlexaff
Olav Krigolson, Lara J. Pierce, Clay B. Holroyd, James W. Tanaka

Notice bibliographique

RevueAnnals of Neurosciences · 2011
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueComplex Systems and Decision Making
Établissements canadiensUniversity of VictoriaUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésComputer scienceReinforcement learningPerceptionReinforcementArtificial intelligencePerceptual learningHuman–computer interactionPsychologyNeuroscienceSocial psychology

Résumé

récupéré en direct d'OpenAlex

sensitive to processing of feedback) elicited over the frontalcentral region.Only the high learners learned to identify the learnable blobs that resulted in increase in the amplitudes of N250.Most importantly, with more training, the high learners developed the ability to evaluate the correctness of their responses while being less dependent on the external feedback.This was reflected as increase in amplitude of response ERN that preceded the enhancement of N250.In addition, there was a corresponding decrease in feedback ERN.The results suggested that the improvement in the categorization task was preceded by enhancement in the ability to evaluate the correctness of one's responses which reduced the dependence on any external feedback.Interestingly, no such effect was observed for the morph blobs.

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)0,004
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,337
Score d'incertitude au seuil0,369

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,342
Tête enseignante GPT0,441
Écart entre enseignants0,099 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations11
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnals of NeurosciencesMême sujetComplex Systems and Decision MakingTravaux en français237 207