Интересное сегодня
Как эмоциональные отвлекающие факторы влияют на устойчивое в...
Влияние эмоциональных отвлекающих факторов на устойчивое внимание Мир полон отвлекающ...
Как музыкальные предпочтения короля Карла III раскрывают его...
Музыкальный портрет короля: что плейлист Карла III говорит о его личности? Король Карл III впервые п...
Новые результаты в стереопсисе и законе Листинга
Оптические компоненты здоровых человеческих глаз смещены; фовея не находится на оптической оси глаза...
Новое исследование: депрессия — это описание симптомов, а не...
Новое исследование о депрессии: проблема некорректной информации Недавнее исследование, проведённое ...
Инновационное исследование по снижению риска диабета 2 типа ...
Введение Предиабет затрагивает 98 миллионов взрослых в США, что составляет примерно треть взрослого ...
Терапия письмом недоминирующей рукой
Когда мне нужно найти новые способы взглянуть на что-то или я чувствую себя в тупике, я пробую терап...
Введение
Способность человека выявлять причинно-следственные связи на основе наблюдательных данных — ключевой вопрос когнитивной науки. Предыдущие исследования показали, что модель pARIs наиболее точно описывает человеческие оценки причинности для бинарных переменных. В данной работе мы расширяем pARIs для многозначных переменных и предлагаем новую модель — pARIsmean.
Методология
Мы провели когнитивный эксперимент с участием 63 человек, где участники оценивали силу влияния многозначных причин на бинарные исходы. Было предложено шесть кандидатов в модели-расширения pARIs, включая pARIsmerge, pARIsmean и другие. Для анализа использовались:
- Критерий AICc и BIC
- Коэффициент корреляции Пирсона
«pARIsmean демонстрирует наилучшее соответствие экспериментальным данным (r = 0.976), что указывает на ее высокую описательную силу»
Заключение
Модель pARIsmean подтвердила свою эффективность как:
- Описательная модель человеческих суждений
- Надежный estimator взаимной информации при малых выборках
Результаты согласуются с принципом рационального анализа: человеческое мышление оптимизировано для работы с редкими событиями и ограниченными данными.