Bibliographic record
Abstract
Résumé 1. Une partie des données sur l’intelligence, y compris les données liées à l’expertise, soutient l’hypothèse d’une intelligence unique (g) ; une autre partie des données soutient (plus faiblement) l’hypothèse d’une intelligence multiple. 2. Les modèles hiérarchiques, bien qu’utiles pour rendre compte des données concernant l’intelligence, n’ont guère contribué à notre compréhension de l’expertise. La contribution principale du modèle triarchique de Sternberg est de souligner l’importance des connaissances tacites. 3. Plusieurs approches défendent l’idée du talent sans pour autant souscrire à une approche basée sur l’intelligence. L’approche de Simonton offre une piste originale, mais souffre de n’être basée que sur des corrélations. La théorie de Geschwind et Galaburda n’a été que faiblement soutenue par les données empiriques. 4. Les points forts de la théorie des chunks sont que (a) elle explique non seulement la mémoire des experts, mais également leur perception et les mécanismes soustendant leur prise de décision ; (b) elle rend compte tout à la fois des aspects qualitatifs et quantitatifs de l’expertise ; et (c) elle a mené au développement de modèles informatiques. Les deux faiblesses principales sont que (a) elle n’explique pas comment les experts encodent une partie de l’information à un niveau d’abstraction plus élevé que celui des chunks et (b) elle sousestime le temps pris par les experts pour encoder de l’information nouvelle en MLT. 5. Les théories basées sur l’organisation des connaissances manquent de précision. Cela est corrigé par les théories réalisées sous forme de systèmes de production, qui offrent un formalisme approprié pour représenter les connaissances. 6. Les trois théories développées par Ericsson – la théorie de la mémoire habile, la théorie de la pratique délibérée et la théorie de la mémoire de travail à long terme – ont eu une influence considérable sur la psychologie de l’expertise. Les points forts incluent l’identification du rôle joué par les structures de retrait et la collecte de données confirmant le rôle crucial joué par la pratique intentionnelle. Parmi les points faibles on peut mentionner le manque de détails offerts par ces théories, en particulier à propos des mécanismes engagés, ainsi que le manque d’attention accordé à des facteurs autres que la pratique dans le développement de l’expertise. 7. Le rôle de l’environnement est capté par plusieurs théories : la théorie des chunks, la théorie des chablons, le connexionnisme, l’action située et la théorie de la sensibilisation aux contraintes. Seules les deux premières théories ont un impact important sur les recherches portant sur la psychologie de l’expertise. 8. Les révisions de la théorie des chunks – EPAMIV et la théorie des chablons – corrigent les deux faiblesses principales de cette théorie (temps d’encodage en MLT trop lent et difficulté d’expliquer le haut niveau d’abstraction utilisé parfois par les experts). Ces deux théories sont implémentées sous forme de programmes d’ordinateur, ce qui rend possible un haut niveau de précision théorique. Parmi les points faibles de ces théories, on peut mentionner le nombre limité de domaines qui ont été simulés et le manque de liens avec les neurosciences.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.107 | 0.454 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.005 |
| Bibliometrics | 0.016 | 0.009 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.020 | 0.019 |
| Open science | 0.005 | 0.006 |
| Research integrity | 0.003 | 0.008 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".