De la typicité des différentes mesures de tendance centrale dans la représentation mentale des catégories implicites
Bibliographic record
Abstract
Quelle est la nature des représentations que se font les gens des catégories apprises? Il est généralement accepté que le type de tâche d’apprentissage a une influence sur la réponse à cette question. Ceci étant dit, la majorité des théories portant sur les processus de catégorisation élaborées durant les dernières décennies a porté presqu’exclusivement sur des tâches de classifications d’exemplaires. Le mémoire présenté ici avait quatre objectifs principaux. Le premier était de vérifier si une tâche d’apprentissage de catégories implicites par classifications mène davantage à l’intégration de dimensions diagnostiques qu’un apprentissage par inférences. Le deuxième était de vérifier si une tâche d’apprentissage de catégories implicites par inférences entraine davantage l’intégration de dimensions typiques qu’un apprentissage par classifications. Le troisième était d’évaluer si un effet de rehaussement du prototype (« prototype enhancement effect ») pouvait être observé dans le cadre d’un apprentissage par inférences. Le quatrième était de clarifier quelle est la mesure de tendance centrale qui présente réellement un effet de rehaussement du prototype : le mode, la médiane ou la moyenne.\nSuite aux résultats obtenus, les implications pour trois théories portant sur les processus de catégorisation sont discutées. Les trois théories sont celles des prototypes, des exemplaires et des frontières décisionnelles.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.013 |
| Scholarly communication | 0.010 | 0.016 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.023 | 0.003 |
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".