Predicting continuous outcomes: Some new tests of associative approaches to contingency learning.
Dieses Paper führt ein verteiltes Modell ein, das dimensionale Ergebnissrepräsentationen in assoziatives Lernen integriert, und demonstriert durch vier Experimente, dass es traditionelle binäre Modelle bei der Vorhersage kontinuierlicher Ergebnisse signifikant übertrifft und besser widerspiegelt, wie Menschen kausale Zusammenhänge in komplexen Umgebungen kodieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen zu lernen, wie man das perfekte Steak zubereitet. Lange Zeit haben Wissenschaftler, die untersuchten, wie wir lernen, einen sehr einfachen „An/Aus“-Schalter verwendet, um diesen Prozess zu erklären. In ihren alten Modellen gibt es entweder Salz auf dem Steak (den Reiz) oder man tut es nicht, und das Steak ist entweder „gegart“ oder „nicht gegart“ (das Ergebnis). Es ist wie ein Lichtschalter: Er ist entweder oben oder unten.
Dieser „Lichtschalter“-Ansatz war großartig, um grundlegendes Lernen zu verstehen, wie etwa eine Ratte, die einen Hebel drückt, um ein Futterpellet zu bekommen. Aber das echte Leben ist nicht nur schwarz und weiß. Manchmal ist das Steak leicht untergar, manchmal ist es perfekt und manchmal ist es zu einem verkohlten Etwas verbrannt. Die alten Modelle konnten mit diesem Graubereich nicht umgehen. Sie konnten nur das Durchschnittsergebnis schätzen (wie zum Beispiel zu sagen: „Im Durchschnitt ist dieses Steak medium-rare“), aber sie konnten sich nicht an die spezifischen Details der Variation erinnern. Sie waren wie ein verschwommenes Foto, das nur die allgemeine Form zeigt, aber alle feinen Details vermissen lässt.
In dieser Arbeit stellen die Forscher eine neue Denkweise vor, die man das „Verteilte Modell“ (Distributed Model) nennt.
Stellen Sie sich das alte Modell als einen einzelnen, schweren Eimer vor, der den gesamten Regen auffängt. Wenn es wenig oder viel regnet, wird der Eimer einfach nur nass, aber er sagt einem nicht, wie nass er ist. Das neue Verteilte Modell ist eher wie ein Regenmesser mit vielen verschiedenen farbigen Linien. Anstatt eines großen Eimers hat es eine ganze Reihe von Sensoren. Wenn der Regen fällt, sagt es nicht einfach nur „es hat geregnet“; es zeichnet genau auf, wie viel Wasser jede spezifische Linie getroffen hat.
In der Studie testeten die Forscher diesen neuen „Regenmesser“-Ansatz gegenüber dem alten „Eimer“-Ansatz anhand von vier Experimenten, bei denen Menschen Ergebnisse vorhersagen mussten, die in ihrer Größe oder Schwere variierten (wie zum Beispiel, wie krank ein Patient werden könnte, anstatt nur „krank“ oder „gesund“ zu sein).
Die Ergebnisse waren eindeutig:
- Das alte „Eimer“-Modell hatte Schwierigkeiten, das abzubilden, was Menschen tatsächlich taten.
- Das neue „Regenmesser“-Modell (das Verteilte Modell) passte fast perfekt zu den Daten für nahezu jede getestete Person.
Das Fazit:
Die Arbeit argumentt, dass unser Gehirn klüger ist, als die alten „Lichtschalter“-Theorien vermuten ließen. Wenn wir über Ursache und Wirkung in der realen Welt lernen, merken wir uns nicht einfach nur einen Durchschnitt. Stattdessen scheinen wir ein mentales System zu besitzen, das das gesamte Spektrum an Möglichkeiten im Blick behält und sowohl die kleinen Unterschiede als auch die großen sich merkt. Wir kodieren die kontinuierliche, fließende Natur realer Ereignisse und nicht nur deren einfache Ja-oder-Nein-Versionen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.