La loi généralisée de appariement: Une simulation de Monte-Carlo
Bibliographic record
Abstract
La loi généralisée de l’appariement (LGA) est un modèle descriptif conceptualisant le ratio des réponses en fonction du ratio des renforçateurs (Baum, 1974). Les résultats des études montrent généralement une sen-sibilité autour de 0,80 et des variances expliquées (r2) supérieures à 0,80 (Davison & McCarthy, 1988). Les r2 très élevés de la LGA suggèrent la présence de contraintes inhérentes à la plupart des situations opérantes. Dans un programme de renforcement concurrent à intervalle variable, par exemple, la quantité de renfor-çateurs ne peut surpasser la quantité de comportements émis. L’objectif de la présente étude est de simuler les résultats de la LGA lorsque cette contrainte est implantée à des échantillons pseudoaléatoires. Au total, seize conditions sont répliquées 1 500 fois, représentant 24 000 essais. Les résultats montrent que la LGA obtient en moyenne un r2 de 47 %, une sensibilité de 0,60 et un biais nul. Les résultats suggèrent que des r2 de 0,62, 0,80 et 0,97 sont qualifiables, respectivement, de petite, moyenne et forte différence comparativement à 0,47. La perspective de la présente étude est comparée aux simulations de McDowell (2004) et des pistes de recherche futures sont présentées.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".