🧠 neuroscience

Humans use a dual policy to improve inferences during epistemic information seeking

702 प्रतिभागियों को शामिल करने वाले तीन अध्ययनों के माध्यम से, लेखक यह प्रदर्शित करते हैं कि मनुष्य एक विशिष्ट दो-चरणीय नीति का उपयोग करके ज्ञानमीमांसीय अनुमान (epistemic inference) में सुधार करते हैं—जो पहले परिकल्पनाओं का परीक्षण करने के लिए "स्ट्रिकिंग" (streaking) करता है और फिर अनिश्चितता-निर्देशित अन्वेषण की ओर स्थानांतरित होता है—जो मानक तंत्रिका नेटवर्क रणनीतियों से बेहतर प्रदर्शन करता है और पारंपरिक पुरस्कार-आधारित अन्वेषण से परे अद्वितीय मनोवैज्ञानिक गुणों को प्रकट करता है।

मूल लेखक: Cao, Y., Almeras, C., Lee, J. K., Maye, I., Wyart, V.

प्रकाशित 2026-02-16

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Cao, Y., Almeras, C., Lee, J. K., Maye, I., Wyart, V.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

यहाँ एक सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र की व्याख्या दी गई है।

मुख्य विचार: हम तब कैसे सीखते हैं जब कोई इनाम नहीं होता

कल्पना कीजिए कि आप एक विशाल, अपरिचित शहर में घूम रहे हैं। आपके पास अन्वेषण करने के दो तरीके हैं:

"भूखा पर्यटक" (इनाम की तलाश): आप बहुत भूखे हैं। आप अभी के अभी सबसे अच्छा पिज्जा स्थान ढूँढना चाहते हैं। आप एक रिव्यू देखते हैं, वहाँ जाते हैं, और यदि वह अच्छा है, तो आप फिर से वहीं खाना खाते हैं। आपका ध्यान तत्काल इनाम पर है।
"जिज्ञासु खोजकर्ता" (ज्ञान/सूचना की तलाश): आप भूखे नहीं हैं। आप बस शहर के लेआउट को समझना चाहते हैं। आपको नहीं पता कि कौन सी गली कहाँ ले जाती है, और अभी तक कोई "सबसे अच्छी" गली नहीं है। आप बस एक मानसिक मानचित्र बनाना चाहते हैं।

यह शोध पत्र पूछता है: हम तब कैसे अन्वेषण करते हैं जब हम किसी इनाम की तलाश में नहीं होते, बल्कि केवल ज्ञान की तलाश में होते हैं?

शोधकर्ताओं ने पाया कि मनुष्यों में सीखने की एक अनूठी, दो-चरणीय रणनीति होती है जिसे कंप्यूटर (विशेष रूप से मानक AI) स्वाभाविक रूप से खुद से नहीं समझ पाते।

प्रयोग: जादुई रत्न बैग (Magic Gem Bags)

इसका परीक्षण करने के लिए, शोधकर्ताओं ने दो "बैगों" वाला एक खेल बनाया।

बैग A में ज्यादातर नीले रत्न हैं (लेकिन कभी-कभी नारंगी भी होते हैं)।
बैग B में ज्यादातर नारंगी रत्न हैं (लेकिन कभी-कभी नीले भी होते हैं)।
आप इसके अंदर नहीं देख सकते; आपको यह अनुमान लगाने के लिए कि कौन सा बैग क्या है, एक-एक करके रत्न बाहर निकालने होंगे।

उन्होंने इस खेल के दो संस्करण खेले:

"मैच" गेम (इनाम): आपको बताया जाता है, "जितने हो सके उतने नीले रत्न इकट्ठा करें।" यहाँ, आप अंकों के लिए प्रेरित हैं। आप जल्दी से समझ जाते हैं कि कौन सा बैग नीले रत्न देता है और उसी पर टिके रहते हैं।
"अनुमान" गेम (ज्ञान): आपको बताया जाता है, "बस सीखें कि बैग के अंदर क्या है। अंत में, मैं आपसे अनुमान लगाने को कहूँगा कि कौन सा बैग कौन सा है।" खेल के दौरान सही रत्न चुनने के लिए कोई अंक नहीं मिलते। आप बस जानकारी एकत्र कर रहे हैं।

खोज: "स्ट्रीकिंग" (Streaking) रणनीति

"अनुमान" गेम (ज्ञान के लिए सीखना) खेलते समय, मनुष्यों ने कुछ अजीब और दिलचस्प किया जो "भूखे पर्यटक" ने नहीं किया।

"स्ट्रीकिंग" की उपमा:
कल्पना कीजिए कि आप यह समझने के लिए दो नए सूप चख रहे हैं कि कौन सा तीखा है और कौन सा नमकीन।

तार्किक AI दृष्टिकोण: सूप A का एक चम्मच लें, फिर सूप B का एक चम्मच लें, फिर A, फिर B। लगातार तुलना करें।
मानवीय "स्ट्रीकिंग" दृष्टिकोण: आप लगातार सूप A के पाँच चम्मच लेते हैं। घूँट, घूँट, घूँट, घूँट, घूँट। फिर आप स्विच करते हैं और सूप B के पाँच चम्मच लेते हैं। घूँट, घूँट, घूँट, घूँट, घूँट।

शोधकर्ता इसे "स्ट्रीकिंग" कहते हैं। भले ही बार-बार स्विच करना अधिक डेटा तेजी से दे सकता है, लेकिन मनुष्य स्वाभाविक रूप से अपने सीखने को समूहों में बाँटते हैं। वे एक विकल्प पर ध्यान केंद्रित करते हैं, उसे बार-बार टेस्ट करते हैं ताकि उसकी "समझ" बन सके, और फिर दूसरे विकल्प पर स्विच करते हैं।

हम ऐसा क्यों करते हैं?
शोध पत्र सुझाव देता है कि हमारा मस्तिष्क थोड़ा "शोर भरा" (जैसे स्टेटिक वाला रेडियो) होता है। यदि हम बहुत जल्दी स्विच करते हैं, तो वह शोर सिग्नल को सुनने में बाधा डालता है। इसलिए "स्ट्रीकिंग" करके (एक विकल्प पर टिके रहकर), हम उस शोर को दबा देते हैं और आगे बढ़ने से पहले उस विशिष्ट विकल्प की स्पष्ट तस्वीर प्राप्त करते हैं। यह एक रेडियो स्टेशन को ट्यून करने जैसा है ताकि चैनल बदलने से पहले आप सुनिश्चित कर सकें कि सिग्नल साफ है।

दो-चरणीय नीति (Two-Stage Policy)

इसलिए, "अनुमान" गेम में मानव शिक्षण एक दो-चरणीय नृत्य का पालन करता है:

चरण 1 (द स्ट्रीक): हम एक विकल्प चुनते हैं और एक ठोस, स्पष्ट परिकल्पना बनाने के लिए कुछ चरणों तक उस पर टिके रहते हैं। "ठीक है, यह बैग निश्चित रूप से ज्यादातर नारंगी है।"
चरण 2 (अनिश्चितता का नृत्य): एक बार जब हमारे पास एक अच्छी समझ आ जाती है, तो हम उस विकल्प पर बार-बार स्विच करना शुरू कर देते जिसके बारे में हम सबसे कम जानते हैं, ताकि अपने मानचित्र की कमियों को भरा जा सके।

कंप्यूटर बनाम मानव

शोधकर्ताओं ने कृत्रिम तंत्रिका नेटवर्क (Artificial Neural Networks - AI) को वही खेल खेलने के लिए प्रशिक्षित किया।

AI की सफलता: AI चरण 2 में बहुत अच्छा था। इसने तेजी से सीखने के लिए "सबसे अनिश्चित" विकल्प पर स्विच करना सीख लिया। यह एक आदर्श, तार्किक शिक्षार्थी था।
AI की विफलता: AI कभी भी चरण 1 (स्ट्रीकिंग) को नहीं समझ पाया। इसने स्वाभाविक रूप से अपने विकल्पों को समूहों में नहीं बाँटा। यह बस बार-बार स्विच करता रहा।

निष्कर्ष: स्ट्रीकिंग हमारे सोचने का कोई "बग" (त्रुटि) नहीं है; यह एक फीचर है। यह हमारे "शोर भरे" मस्तिष्क से निपटने के लिए एक विशिष्ट मानवीय ट्रिक है। हमें एक समय में एक चीज़ पर ध्यान केंद्रित करने की आवश्यकता होती है ताकि हम अर्थ निकाल सकें, जबकि एक पूर्ण कंप्यूटर को इस सहारे की आवश्यकता नहीं होती।

कुछ लोग दूसरों की तुलना में अधिक स्ट्रीक क्यों करते हैं?

अध्ययन ने व्यक्तित्व को भी देखा। उन्होंने दो अलग-अलग प्रकार के लोगों को पाया:

"क्लोजर की आवश्यकता" वाले लोग (Need for Closure): ये वे लोग हैं जो अनिश्चितता से नफरत करते हैं और उत्तर जल्दी चाहते हैं। वे स्ट्रीक कम करते हैं। वे जल्दी स्विच करते हैं क्योंकि वे कार्य को पूरा करने के लिए उत्सुक होते हैं।
"स्मार्ट एक्सप्लोरर्स" (चतुर खोजकर्ता): उच्च सामान्य तर्क कौशल वाले लोग अधिक प्रभावी ढंग से स्ट्रीक करते थे। उन्होंने बेहतर मानसिक मानचित्र बनाने के लिए स्ट्रीकिंग रणनीति का उपयोग किया, जिससे बैग के रंगों का अनुमान लगाने में उच्च सटीकता मिली।

संक्षेप में

इनाम बनाम जिज्ञासा: जब हम इनाम चाहते हैं, तो हम सबसे अच्छे विकल्प की तलाश करते हैं। जब हम ज्ञान चाहते हैं, तो हम अन्वेषण करते हैं।
मानवीय विशेषता: ज्ञान के लिए अन्वेषण करते समय, मनुष्य स्वाभाविक रूप से "स्ट्रीक" करते हैं—हम दूसरे पर स्विच करने से पहले एक चीज़ पर बार-बार ध्यान केंद्रित करते हैं।
एक लाभ: यह अक्षम लग सकता है, लेकिन यह हमें बेहतर सीखने में मदद करता है क्योंकि यह हमारे मस्तिष्क को "शोर" और भ्रम को छानने में मदद करता है।
AI का अंतर: कंप्यूटर कुशल हो सकते हैं, लेकिन वे स्वाभाविक रूप से "स्ट्रीकिंग" रणनीति का आविष्कार नहीं करते हैं। यह एक विशिष्ट मानवीय अनुकूलन है जो हमारे शोर भरे मस्तिष्क के लिए है।

संक्षेप में, मनुष्य केवल अक्षम कंप्यूटर नहीं हैं। हमारे पास सीखने का एक विशेष, दो-चरणीय तरीका है जो हमारे "शोर भरे" मस्तिष्क को एक ताकत में बदल देता है, जिससे हम दुनिया का बेहतर मानसिक मानचित्र बना पाते हैं, जो कि एक शुद्ध तार्किक मशीन की तुलना में बेहतर है।

संक्षेप में, मनुष्य केवल अक्षम कंप्यूटर नहीं हैं। हमारे पास सीखने का एक विशेष, दो-चरणीय तरीका है जो हमारे "शोर भरे" मस्तिष्क को एक शक्ति में बदल देता है, जिससे हम दुनिया का बेहतर मानसिक मानचित्र बना पाते हैं, जो कि एक शुद्ध तार्किक मशीन की तुलना में बेहतर है।

यहाँ शोध पत्र "Humans use a dual policy to improve inferences during epistemic information seeking" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र मानव सूचना-खोज व्यवहार (information-seeking behavior) को समझने में मौजूद एक अंतर को संबोधित करता है, विशेष रूप से पुरस्कार-संचालित अन्वेषण (reward-driven exploration - तत्काल या संभावित लाभ की खोज) और ज्ञानमीमांसीय अन्वेषण (epistemic exploration - पुरस्कार से स्वतंत्र, केवल ज्ञान के लिए खोज) के बीच अंतर करता है।

जबकि "एक्सप्लोर-एक्सप्लॉइट" (explore-exploit) ट्रेड-ऑफ रिवॉर्ड-मैक्सिमाइजेशन संदर्भों (जैसे मल्टी-आर्म्ड बैंडिट कार्यों) में अच्छी तरह से अध्ययन किया गया है, यह अभी भी स्पष्ट नहीं है कि मनुष्य तब जानकारी कैसे एकत्र करते हैं जब लक्ष्य केवल एक आंतरिक मॉडल बनाना हो, बिना किसी तात्कालिक या संभावित मूल्यांकन के। इसके अलावा, मौजूदा कम्प्यूटेशनल मॉडल और आर्टिफिशियल न्यूरल नेटवर्क (ANNs) अक्सर उन विशिष्ट, कभी-कभी उप-इष्टतम (suboptimal) ह्यूरिस्टिक्स को पकड़ने में विफल रहते हैं जिनका मनुष्य इन ज्ञानमीमांसीय संदर्भों में उपयोग करते हैं। लेखक यह जांचते हैं कि क्या मनुष्य एक एकल इष्टतम नीति (optimal policy) अपनाते हैं या एक जटिल, दोहरी-नीति (dual-policy) रणनीति अपनाते हैं जब पुरस्कार का दबाव हटा दिया जाता है।

2. कार्यप्रणाली (Methodology)

प्रयोगात्मक डिजाइन (Experimental Design)

अध्ययन में एक अनुक्रमिक नमूनाकरण कार्य (sequential sampling task) का उपयोग किया गया जिसमें तीन अध्ययनों में कुल $N = 702$ का बड़ा नमूना आकार ( $N=420$ मुख्य विश्लेषण के लिए) शामिल था। प्रतिभागियों ने दो "थैलों" (विकल्पों) से नमूने लिए, जिनमें से प्रत्येक में एक विशिष्ट आकार के रत्न थे लेकिन उनके रंग की शेड (नीले से नारंगी तक) भिन्न थी। प्रत्येक थैले में एक रंग प्रमुख था (जैसे, ज्यादातर नीला), लेकिन परिणाम संभाव्य थे (लगभग 2/3 प्रमुख, 1/3 शोर/noise)।

दो स्थितियों की तुलना की गई:

MATCH स्थिति (पुरस्कार-संचालित): प्रतिभागियों को एक लक्षित रंग (जैसे, नीला) से मेल खाने वाले रत्न एकत्र करने का निर्देश दिया गया। विकल्पों का मूल्यांकन लक्षित-मिलान वाले रत्नों के तत्काल संचय के आधार पर किया गया। यह एक मानक बैंडिट कार्य की नकल करता है जिसमें संभावित मूल्यांकन होता है।
GUESS स्थिति (ज्ञानमीमांसीय): कोई लक्षित रंग प्रदान नहीं किया गया। प्रतिभागियों ने प्रत्येक थैले के प्रमुख रंग को सीखने के लिए नमूने लिए। अनुक्रम के अंत में (8-20 परीक्षण), उन्होंने यादृच्छिक रूप से चुने गए थैले के प्रमुख रंग का अनुमान लगाया। प्रदर्शन का मूल्यांकन केवल इस अंतिम निष्कर्ष की सटीकता के आधार पर किया गया। महत्वपूर्ण रूप से, कोई मध्यवर्ती पुरस्कार नहीं दिए गए।

कम्प्यूटेशनल मॉडलिंग (Computational Modeling)

लेखकों ने मानव व्यवहार को औपचारिक रूप देने के लिए एक सब-ऑप्टिमल एविडेंस एक्यूमुलेशन मॉडल विकसित किया। मुख्य घटक शामिल थे:

नॉइजी और लीकी इंटीग्रेशन (Noisy and Leaky Integration): विश्वासों को लॉग-लाइक्लीहुड रेश्यो (logLR) के माध्यम से अपडेट किया गया लेकिन लर्निंग नॉइज़ ( $\sigma$ ) द्वारा दूषित और मेमोरी लीक ( $\delta$ ) के अधीन था।
ग्लोबल पॉलिसी पैरामीटर्स (Global Policy Parameters):
- $\beta_v$ : लक्ष्य-संरेखित साक्ष्य के प्रति संवेदनशीलता (केवल MATCH में)।
- $\beta_c$ : अनिश्चितता के प्रति संवेदनशीलता (निरपेक्ष विश्वास परिमाण का व्युत्क्रम)।
लोकल पॉलिसी पैरामीटर्स (स्थानीय नीति पैरामीटर्स - "स्ट्रीकिंग" तंत्र):
- $\theta$ : एक कॉन्फिडेंस थ्रेशोल्ड (विश्वास सीमा)।
- $\epsilon$ : रिपिटेशन स्ट्रेंथ (पुनरावृत्ति शक्ति)।
- तंत्र: वर्तमान विकल्प के लिए संचित साक्ष्य $\theta$ को पार करने से पहले, एजेंट को $\epsilon$ प्रायिकता के साथ उसी विकल्प को दोहराने (streak) के लिए पक्षपाती किया गया था, जिससे वह ग्लोबल यूटिलिटी को अनदेखा कर देता था।
रिपिटेशन बायस ( $\beta_r$ ): साक्ष्य के बावजूद पिछले विकल्प को दोहराने की एक सामान्य प्रवृत्ति।

न्यूरल नेटवर्क सिमुलेशन (Neural Network Simulations)

यह परीक्षण करने के लिए कि क्या ये नीतियां केवल अनुकूलन (optimization) से उभरती हैं, लेखकों ने समान कार्य पर रिकरेंट न्यूरल नेटवर्क (RNNs) को प्रशिक्षित किया:

MATCH RNN: रिवॉर्ड को अधिकतम करने के लिए पॉलिसी ग्रेडिएंट के माध्यम से प्रशिक्षित।
GUESS RNN (स्टेट-ओनली): गेम के अंत में छिपी हुई अवस्था (बैग का रंग) की भविष्यवाणी करने के लिए प्रशिक्षित।
GUESS Meta-RNN: एक हाइब्रिड ऑब्जेक्टिव के साथ प्रशिक्षित: स्टेट की भविष्यवाणी करना साथ ही सैंपलिंग के दौरान मेटा-कॉग्निटिव निश्चितता (प्रतिनिधित्व अनिश्चितता को कम करना) को अधिकतम करना।

व्यक्तिगत अंतर विश्लेषण (Individual Differences Analysis)

अध्ययन ने मॉडल-व्युत्पन्न मापदंडों को मनोवैज्ञानिक लक्षणों के साथ सह-संबंधित किया:

नीड फॉर कॉग्निटिव क्लोजर (NFCS): तीव्र और निश्चित उत्तरों की प्राथमिकता।
ICAR (इंटरनेशनल कॉग्निटिव एबिलिटी रिसोर्स): सामान्य संज्ञानात्मक क्षमता/IQ।
बिग फाइव पर्सनैलिटी ट्रेट्स: बॉटम-अप भविष्यवाणी के लिए उपयोग किया गया।

3. मुख्य योगदान (Key Contributions)

"स्ट्रीकिंग" की पहचान: ज्ञानमीमांसीय संदर्भों में एक विशिष्ट, दो-चरणीय सूचना-खोज नीति की खोज। मनुष्य तुरंत अनिश्चितता-निर्देशित अन्वेषण की ओर नहीं बढ़ते हैं; इसके बजाय, वे "स्ट्रीकिंग" में संलग्न होते हैं—एक अस्थायी परिकल्पना का परीक्षण करने के लिए संक्षिप्त अंतराल में एक ही नए विकल्प को बार-बार नमूना लेते हैं।
दोहरी-नीति आर्किटेक्चर (Dual-Policy Architecture): यह प्रदर्शन कि मानव सूचना खोज एक ग्लोबल पॉलिसी (GUESS में अनिश्चितता-निर्देशित अन्वेषण, MATCH में पुरस्कार-निर्देशित) और एक लोकल पॉलिसी (प्रारंभिक स्ट्रीकिंग) को जोड़ती है।
मानव बनाम AI विसंगति (Human vs. AI Dissociation): यह दिखाना कि जबकि ANNs उपयुक्त उद्देश्यों के साथ प्रशिक्षित होने पर इष्टतम अनिश्चितता-निर्देशित अन्वेषण सीख सकते हैं, वे प्रारंभिक स्ट्रीकिंग को स्वतः प्राप्त करने में विफल रहते हैं। यह सुझाव देता है कि स्ट्रीकिंग एक मानव-विशिष्ट ह्यूरिस्टिक है जो अनुकूलन के डिफ़ॉल्ट परिणाम के बजाय संज्ञानात्मक बाधाओं (जैसे, लर्निंग नॉइज़) द्वारा आकार लेती है।
अनुकूली उप-इष्टतमता (Adaptive Suboptimality): प्रमाण देना कि स्ट्रीकिंग, हालांकि शोर-मुक्त दुनिया में सांख्यिकीय रूप से उप-इष्टतम है, मनुष्यों में निष्कर्ष सटीकता में सुधार करती है क्योंकि यह तंत्रिका गणना में निहित शोर के विरुद्ध विश्वासों को स्थिर करती है।

4. मुख्य परिणाम (Key Results)

व्यवहार संबंधी निष्कर्ष (Behavioral Findings)

शर्तों में अंतर: MATCH स्थिति में, प्रतिभागी लक्षित विकल्प की ओर अभिसरित (converge) हुए। GUESS स्थिति में, उन्होंने अधिक अनिश्चित विकल्प की ओर अधिक मजबूत झुकाव दिखाया (अनिश्चितता-निर्देशित सैंपलिंग)।
स्ट्रीकिंग प्रभाव: GUESS स्थिति में, प्रतिभागियों ने खेल की शुरुआत में (ट्रायल 2–5) अधिक निश्चित विकल्प की ओर एक अस्थायी झुकाव दिखाया, जिससे वे स्विच करने से पहले एक ही विकल्प को बार-बार नमूना लेते हैं (जैसे, AAAAA)। यह पैटर्न MATCH स्थिति में अनुपस्थित था।
प्रदर्शन: जिन प्रतिभागियों ने मजबूत स्ट्रीकिंग प्रवृत्तियाँ (उच्च Evidence of Streaking, EoS) प्रदर्शित कीं, उन्होंने GUESS स्थिति में उच्च समग्र निर्णय सटीकता भी प्रदर्शित की।

कम्प्यूटेशनल मॉडलिंग परिणाम

मॉडल फिट: स्ट्रीकिंग तंत्र (थ्रेशोल्ड $\theta$ और रिपिटेशन $\epsilon$ ) वाला मॉडल GUESS स्थिति में बिना स्ट्रीकिंग वाले मॉडलों की तुलना में काफी बेहतर प्रदर्शन करता है।
शोर और लीक: GUESS स्थिति में MATCH की तुलना में कम मेमोरी लीक लेकिन उच्च लर्निंग नॉइज़ था। "नॉकआउट" सिमुलेशन से पता चला कि लर्निंग नॉइज़ GUESS में उप-इष्टतमता का प्राथमिक चालक था।
स्ट्रीकिंग का लाभ: सिमुलेशन ने दिखाया कि स्ट्रीकिंग विशेष रूप से लर्निंग नॉइज़ की उपस्थिति में सटीकता में सुधार करती है। एक विकल्प पर साक्ष्य एकत्र करके, स्ट्रीकिंग रैंडम नॉइज़ द्वारा कमजोर विश्वासों के क्षरण को रोकती है, जिससे स्विच करने से पहले एक स्पष्ट सिग्नल मिलता है।

न्यूरल नेटवर्क परिणाम

अनिश्चितता-निर्देशित सैंपलिंग सीखने में सफल रहे (चाहे वे भविष्य कहने वाली सटीकता के लिए प्रशिक्षित हों या मेटा-कॉग्निटिव निश्चितता के लिए)।
हालाँकि, किसी भी RNN ने (विभिन्न आर्किटेक्चर और प्रशिक्षण उद्देश्यों के बावजूद) मनुष्यों में देखे गए प्रारंभिक स्ट्रीकिंग व्यवहार को स्वतः विकसित नहीं किया।
RNNs पर स्ट्रीकिंग लागू करने से उनका प्रदर्शन केवल तभी सुधरा जब उनकी ग्लोबल सैंपलिंग पॉलिसी उप-इष्टतम थी, जो बताता है कि स्ट्रीकिंग एक प्रतिपूरक तंत्र (compensatory mechanism) है।

व्यक्तिगत अंतर

दोहरा पृथक्करण (Double Dissociation):
- स्ट्रीकिंग (EoS) का NFCS के साथ नकारात्मक संबंध था। जिन व्यक्तियों में क्लोजर की उच्च आवश्यकता (जो त्वरित उत्तर पसंद करते हैं) थी, वे स्ट्रीकिंग के लिए आवश्यक धैर्य दिखाने में कम सक्षम थे।
- अनिश्चितता-निर्देशित सैंपलिंग ( $\beta_c$ ) का ICAR के साथ सकारात्मक संबंध था।
मध्यस्थता (Mediation): NFCS ने सीधे सटीकता की भविष्यवाणी नहीं की, बल्कि स्ट्रीकिंग को कम करके अप्रत्यक्ष रूप से ऐसा किया। उच्च संज्ञानात्मक क्षमता ने अनिश्चितता-निर्देशित सैंपलिंग के माध्यम से सीधे और अप्रत्यक्ष रूप से सटीकता की भविष्यवाणी की।

5. महत्व (Significance)

अन्वेषण को पुनर्परिभाषित करना: यह शोध पत्र "एक्सप्लोर-एक्सप्लॉइट" ट्रेड-ऑफ से आगे बढ़कर यह दिखाता है कि ज्ञानमीमांसीय अन्वेषण में एक संरचित, दो-चरणीय प्रक्रिया शामिल है (स्थानीय परिकल्पना परीक्षण के बाद वैश्विक अनिश्चितता में कमी)।
संज्ञानात्मक बाधाएं एक विशेषता के रूप में: यह इस विचार को चुनौती देता है कि मानव उप-इष्टतमता केवल एक कमी है। इसके बजाय, "स्ट्रीटिंग" को एक अनुकूली ह्यूरिस्टिक के रूप में प्रस्तुत किया गया है जो मानव विश्वास अपडेटिंग में निहित शोर की भरपाई करती है। यह एक स्विच करने से पहले सिग्नल को स्थिर करने की अनुमति देता है।
मानव बनाम मशीन बुद्धिमत्ता: RNNs द्वारा स्ट्रीकिंग को दोहराने में विफलता जैविक और कृत्रिम बुद्धिमत्ता के बीच एक मौलिक अंतर को उजागर करती है। मानव रणनीतियाँ विशिष्ट इंडक्टिव बायस और कम्प्यूटेशनल बाधाओं द्वारा आकार लेती हैं जिन्हें मानक अनुकूलन उद्देश्य नहीं पकड़ पाते।
विशेषता-नीति मानचित्रण: यह अध्ययन स्थिर मनोवैज्ञानिक लक्षणों (NFCS, IQ) और विशिष्ट गुप्त कम्प्यूटेशनल प्रक्रियाओं (स्ट्रीकिंग बनाम अनिश्चितता संवेदनशीलता) के बीच एक सूक्ष्म संबंध प्रदान करता है।

निष्कर्षतः, यह शोध पत्र तर्क देता है कि मानव सूचना खोज एक स्तरित वास्तुकला है जहाँ वैश्विक, लगभग इष्टतम नीतियों को स्थानीय, लक्षण-आधारित नियमों (जैसे स्ट्रीकिंग) द्वारा पूरक किया जाता है, जो शोर वाले वातावरण में मजबूत निष्कर्ष के लिए आवश्यक हैं।