Caractéristiques de l'information, surcharge d'information et qualité de la prédiction
Bibliographic record
Abstract
Résumé Dans un contexte de surcharge d’information, la psychologie cognitive nous apprend que le fait d’augmenter la quantité d’information disponible nuit à la qualité de la prédiction. Il est essentiel de faire la distinction entre données pertinentes, redondantes et non pertinentes, et d’examiner leurs effets respectifs sur la qualité de la prédiction. L’auteur pose l’hypothèse selon laquelle seules les données redondantes nuisent à la qualité de la prédiction. Il s’est livré à une expérience dans le cadre de laquelle les sujets simulaient une prise de décision d’octroi d’un prêt commercial. La quantité de données disponibles a été modifiée de façon qu’elle soit faible, moyenne ou élevée, ce qui a donné lieu à trois versions de la demande de crédit. Chaque prêteur prévoyait la santé financière de six entreprises emprunteuses. L’expérience a permis de constater que l’augmentation de la quantité de données redondantes nuit à la qualité de la prédiction. Selon les résultats obtenus, une stratégie d’information possible consisterait à cibler les utilisateurs et à leur fournir seulement les données pertinentes à leur tâche. Les résultats démontrent aussi l’utilité des aides à la prédiction dans un contexte de surcharge d’information.
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 | 0.016 | 0.089 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".