1,721,004 research outputs found
Choice variability and suboptimality in uncertain environments
No full textMaking decisions under uncertainty, from perceptual judgments to reward-guided choices, requires combining multiple pieces of decision-relevant information—a cognitive process modeled as statistical inference. In such conditions, human and animal decisions exhibit a large suboptimal variability whose origin and structure remains poorly understood. This variability is usually hypothesized as noise at the periphery of inferential processes, namely sensory noise in perceptual tasks and stochastic exploration in reward-guided learning, or as suboptimal biases in inference per se. Here we outline a theoretical framework aiming at characterizing the origin and structure of choice variability in uncertain environments, with an emphasis on the computational imprecision of inferential processes usually overlooked in the literature. We indicate how to modify existing computational models and behavioral paradigms to dissociate computational imprecisions from suboptimal biases in inference. Computational imprecisions have critical consequences for understanding the notion of optimality in decision-making
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Apprentissage par interaction avec des environnements instables : bases neuronales et computationnelles et leurs altérations dans le trouble obsessionnel compulsif
No full textPour prendre des décisions adéquates dans des environnements incertains et en mutation, il est nécessaire d'apprendre les causes génératives de nos signaux sensoriels, mais aussi les résultats attendus de nos actions possibles. Afin de comprendre le processus décisionnel humain dans de tels environnements, les sciences cognitives ont généralement abordées ces problèmes séparément, en utilisant des paradigmes et des modèles du comportement très différents. De cela ont émergés deux domaines de recherche distincts et presque non communicants, à savoir la prise de décision perceptuelle et la prise de décision guidée par les récompenses. Bien que les études provenant de ces domaines aient souvent rapportés différents substrats neuronaux et bases computationnelles, elles rendent difficiles toute comparaison directe entre la prise de décision perceptuelle et la prise de décision guidée par les récompenses attendues de nos actions. Dans la première partie de mon travail, je soutiens que, malgré leurs différences en substance, les décisions perceptuelles et guidées par les résultats attendus de nos actions nécessitent à la fois un cadre théorique et empirique commun afin de comprendre comment l'interaction avec l'environnement influence l'apprentissage et le comportement, et que l'inférence bayésienne offre une telle possibilité. À cette fin, j'introduis un nouveau paradigme d'apprentissage en milieu volatile, dérivé du même processus normatif, et qui permet une comparaison rigoureuse des décisions basées sur les indices sensoriels et sur les résultats de nos actions, de manière parfaitement appariée. Cette approche a permis de révéler que les humains perçoivent le même environnement volatile comme étant plus stable lorsqu'ils apprennent de par interaction avec un environnement incertain, plutôt que par l'observation d'indices sensoriels. Les analyses multivariées résolues dans le temps des signaux magnétoencéphalographiques (MEG) ont révélé une voie neuronal commune pour le traitement des propriétés de stimulus indépendantes des croyances des participants, et ont mis en évidence la signature d'une stabilité accrue perçue de l'environnement dans l'interaction neuronale entre les croyances inférées et les informations entrantes. Une caractérisation plus poussée des signaux MEG au moyen d'une reconstruction de source a permis de localiser l'origine de ce signal dans le lobe temporal médial droit (MTL) et le cortex pariétal postérieur (PPC). L'influence d'une décision incertaine comme étant basée sur des sensoriels ou des résultats attendus d'une action sur le comportement humain et leurs signatures cérébrales m'a amenée à étudier dans la deuxième partie de mon travail la manière dont ces deux formes d'incertitude peuvent avoir une incidence sur les décisions dans le cas d'un trouble psychiatrique souvent décrit en tant que pathologie du doute et d'une perception accrue de l'incertitude: le trouble obsessionnel compulsif (TOC). Ce faisant, j'ai montré que les patients atteints de TOC prennent des decisions altérées quand celles ci sont basées sur les résultats attendus de leurs action, par rapport à des contrôles sains, caractérisées par une sensibilité diminuée aux informations disponibles. Les analyses multivariées des signaux MEG expliquent cette altération du comportement par un codage neuronal réduit des informations disponibles lorsque celles ci sont en conflit avec les croyances inférées basées sur les résultats attendus des actions, un effet provenant du cortex orbitofrontal latéral (LOFC) et des régions préfrontales environnantes. Ces conclusions incitent à reconsidérer le TOC en tant qu'un trouble du doute concernant spécifiquement les conséquences de ses propres actions.Making accurate decisions in uncertain and changing environments requires learning the generative cause of sensory cues, but also the expected outcomes of possible actions. To understand human decision-making in such environments, cognitive sciences have commonly addressed these issues separately, using very different paradigms and computational models of behavior. This gives rise to two distinct and almost non communicant fields of research, namely perceptual decision-making and reward-guided decision-making. Whilst studies originating from these fields often came across different neural substrates and computational bases, they preclude a direct comparison between decision-making driven by sensory cues and driven by expected outcomes. In the first part of my work I argue that despite their differences in nature, cue-based and outcome-based decisions need both a theoretical and empirical framework to understand how interacting with one's environment influence learning and behavior, and that Bayesian inference offers such framework. To this end, I introduce a novel reversal learning paradigm derived from the same normative process which allows a rigorous comparison between cue-based and outcome-based decisions, in a tightly matched set-up. This approach revealed that humans perceive the same volatile environment as more stable when inferring its hidden state by interaction with uncertain outcomes than by observation of equally uncertain cues. Time-resolved multivariate pattern analyses of magnetoencephalographic (MEG) signals unfolded a shared neural pathway for processing of belief independent stimulus properties, and pinpointed the signature of increased perceived stability of the environment in the neural interaction between inferred beliefs and incoming evidence. Further characterization of MEG signals using source reconstruction located the origin of this signal in the right medial temporal (MTL) lobe and the posterior parietal cortex (PPC). The influence of framing an uncertain decision as cue-based or outcome-based on human inferences and their brain signatures led me to investigate in second part of my work how these two forms of uncertainty may impact decisions in the case of a psychiatric condition often described as a pathology of doubts and inflated perception of uncertainty: obsessive compulsive disorder (OCD). So doing, I showed that patients with OCD produce impaired outcome-based inferences relative to healthy controls, characterized by a decreased sensitivity to incoming evidence. Multivariate pattern analyses of MEG signals explained this behavioral impairment by a decreased neural coding of incoming evidence conflicting with outcome-based inferred beliefs, an effect originating from the lateral orbitofrontal cortex (LOFC) and surrounding prefrontal regions. These findings urge to reconsider OCD as a disorder of doubt regarding specifically the consequences of one's own actions
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Mécanismes adaptatifs et stabilité dans l'apprentissage humain et la prise de décision en situation d'incertitude : implications pour la variabilité des choix et la compulsivité
No full textDans cette thèse, j'ai cherché à confirmer la prévalence du bruit dans le processus d'inférence en tant que source majeure de variabilité des décisions et à démontrer sa capacité à s'adapter à l'incertitude. Alors que les erreurs étaient principalement attribuées à divers biais cognitifs et psychologiques, la principale source de variabilité s'est précédemment concentrée sur le caractère aléatoire qui se manifeste à la périphérie de l'inférence ou de l'apprentissage, par le biais du bruit sensoriel dans les décisions perceptives et du bruit post-catégorisation dans les décisions guidées par la récompense, plus communément connu sous le nom de lapsus ou d'exploration. Dans les études portant sur le domaine guidé par les sens, le bruit d'inférence représente la majeure partie des erreurs, tandis que dans le domaine guidé par la récompense, il s'agit d'un apprentissage bruyant à partir d'erreurs de prédiction de la récompense. Les explications des choix sous-optimaux dans l'apprentissage par renforcement ont été précédemment attribuées au compromis exploration-exploitation. On pense que ce compromis est géré consciemment, c'est-à-dire que les gens explorent davantage lorsqu'il est avantageux de le faire. Dans la première étude du doctorat, je démontre que les humains peuvent moduler non seulement leur décision d'explorer en fonction du caractère d'incertitude de l'environnement, mais aussi la précision avec laquelle ils décident d'apprendre à partir des résultats de leurs choix. Les personnes présentent non seulement les comportements stéréotypés expliqués par le compromis exploration-exploitation, mais aussi des différences dans la précision de l'apprentissage. Grâce à des analyses de simulation, j'ai montré comment cette double adaptation de l'exploration et de la précision de l'apprentissage peut être une adaptation optimale dans l'hypothèse où les humains ont des ressources mentales limitées pour effectuer ce type d'inférence. Dans la seconde étude, j'examine les raisons sous-jacentes aux différences interindividuelles dans le comportement et les paramètres du modèle, en particulier ceux qui manifestent la variabilité du choix. En utilisant une approche d'analyse factorielle à grande échelle, caractérisant les individus selon trois dimensions psychopathologiques - anxiété-dépression, compulsivité et pensées intrusives, et retrait social - je recherche des relations entre les résultats de notre première étude et ces mesures. La dimension caractérisée par la compulsivité était liée à la variabilité des décisions, sélectivement par la température de choix, mais pas par le bruit d'apprentissage. Ces résultats ont été confirmés et reproduits par des analyses de retests et dans un autre ensemble de données de participants. La confirmation de ces résultats a encore renforcé les conclusions précédemment établies, apportant une plus grande confiance dans l'idée que la compulsivité est effectivement associée à des déficiences dans l'action, alors que l'apprentissage ou la confiance n'ont pas été affectés. Dans la dernière étude de la thèse, je vise à réunir les concepts de bruit d'inférence (de la modalité de prise de décision perceptive) et de bruit d'apprentissage (par renforcement) (de la modalité d'apprentissage guidé par la récompense). J'émets l'hypothèse que le bruit d'inférence et le bruit d'apprentissage par renforcement peuvent être le résultat de la manifestation générale de calculs bruyants provenant de substrats neuronaux partagés. Le modèle de calcul unique utilisé pour adapter le comportement humain dans les deux conditions de travail a permis de comprendre comment les différences physiques dans la nature des deux tâches modifient la représentation perceptive de l'environnement externe, mais les structures inférentielles internes sont maintenues entre les modalités de travail, en particulier la quantité de bruit corrompant les inférences humaines entre les conditions de travail.In this thesis, I aimed to confirm the prevalence of noise in the inference process as a major source of decision variability and demonstrate its tunability to uncertainty. While errors were mainly attributed to various cognitive and psychological biases, the primary source of variability has previously focused on randomness manifested at the periphery of inference or learning, through sensory noise in perceptual decisions, and post-categorization noise in reward-guided decisions, more commonly known as lapses or exploration. In the studies of the sensory-guided domain, inference noise accounts for the major part of errors, while in the reward-guided domain it is via noisy learning from reward prediction errors. Explanations for suboptimal choices in reinforcement learning have been previously ascribed to the exploration-exploitation trade-off. This trade-off is believed to be consciously managed, where people explore more when it is beneficial to do so. In the first study of the PhD, I demonstrate that humans can modulate not only how much they decide to explore based on the character of uncertainty in the environment, but also how precisely they decide to learn from their choice outcomes. People portray not only the stereotypical behaviors explained by the explore-exploit trade-off, but also differences in learning precision. Through simulation analyses, I showed how this dual adaptation of exploration and learning precision may be an optimal adaptation under the hypothesis that humans have limited mental resources for doing such types of inference. In the second study, I investigate the underlying reasons behind the interindividual differences in both behavior and model parameters, specifically those manifesting choice variability. Leveraging a large-scale factor analysis approach, characterizing individuals along three psychopathological dimensions – anxious-depression, compulsivity and intrusive thoughts, and social withdrawal – I look for relationships between the findings of our first study and these measures. The dimension characterized by compulsivity was linked to decision variability, selectively via choice temperature, but not learning noise. This was confirmed and replicated through retest analyses and replicated in a separate participant dataset. The confirmation of these results further bolstered the previously established conclusions, providing greater confidence in the notion that compulsivity is indeed associated with impairments in action, while learning or confidence remained unaffected. In the final study of the thesis, I aim to bring the concepts of inference noise (from the perceptual decision-making modality) and (reinforcement-)learning noise (from the reward-guided learning modality) together. I hypothesize that inference and reinforcement-learning noise may be a result of the general manifestation of noisy computations arising from shared neural substrates. The single computational model used to fit human behavior in both task conditions captured how the physical differences in the nature of the two tasks change the perceptual representation of the external environment, but the internal inferential structures are maintained across task modalities, in particular, the amount of noise corrupting human inferences across task conditions
Caractérisation computationnelle et cérébrale des mécanismes de catégorisation perceptuelle en situation d'incertitude
No full textLa prise de décision perceptuelle est rendue difficile par l’incertitude inhérente aux informations sensorielles présentes dans notre environnement. Il est possible de réduire cette incertitude en combinant ces informations imparfaites, comme le formalise de façon optimale l’inférence statistique dite « bayésienne ». Mais ce processus d’inférence demeure sousoptimal et contribue largement à la grande variabilité des décisions humaines. Pourtant, ces erreurs dites ‘inférentielles’ sont le plus souvent sous-estimées par les théories existantes. Au lieu d’ignorer ces limitations profondes et d’approximer la prise de décision avec des modèles optimaux, cette thèse a pour but de mettre en avant les stratégies cognitives humaines déployées pour compenser ces limitations. Dans une première étude expérimentale, nous avons étudié la prise de décision catégorielle dans des environnements changeants. Dans ces conditions, les erreurs inférentielles interfèrent avec ce processus d’inférence et provoquent des changements d’avis inopportuns. En développant puis comparant différents modèles computationnels, nous avons montré que les sujets humains sont capables de contrebalancer la variabilité engendrée par leurs erreurs inférentielles en utilisant une stratégie d’inférence dite ‘conditionnelle’ : au lieu d’accumuler systématiquement l’information bruitée, les croyances ne sont mises à jour que si cette information est jugée suffisamment fiable. Cette stratégie parcimonieuse permet non seulement de réduire les coûts cognitifs engendrés par des changements d’avis inopportuns, mais elle permet également de prendre objectivement de meilleures décisions. Dans une seconde étude expérimentale, nous avons comparé les stratégies cognitives déployées pour compenser les coûts des erreurs inférentielles pour deux types d’incertitude souvent confondus dans la littérature : l’incertitude sensorielle et l’incertitude catégorielle. Cette étude a permis non seulement d’établir que les sujets humains s’adaptent à chaque type d’incertitude en déployant des stratégies efficaces différentes, mais aussi de montrer que chaque stratégie s’accompagne d’une dynamique neurophysiologique propre en termes de dilatation pupillaire. Enfin, dans une troisième étude expérimentale, nous avons cherché à mieux comprendre sous quel format l’information sensorielle est représentée lors du processus d’inférence. Les théories existantes soutiennent que l’inférence perceptuelle utilise soit le format ‘naturel’ ou sensoriel du stimulus (en représentant l’information d’entrée liée aux caractéristiques pertinentes du stimulus pour la décision), soit le format de ‘sortie’ de la décision (en représentant l’information liée à l’action qui résultera de cette décision). Nous avons pu avancer et mettre en évidence une troisième hypothèse, selon laquelle l’information est accumulée sous un format intermédiaire ‘compressé’, en la réduisant aux dimensions définies par les catégories qui définissent la décision à prendre. En manipulant le format sous lequel l’information sensorielle peut être représentée, nous avons pu établir que les sujets humains préfèrent accumuler l’information sensorielle de façon compressée. Cette stratégie permet de prendre des décisions non seulement plus précises, mais aussi moins biaisées. Grâce à l’analyse multivariée des signaux magnétoencéphalographiques (MEG) enregistrés, nous avons pu corroborer cette hypothèse en décodant une signature neurale de la représentation compressée de l’information sensorielle pour l’inférence. La précision de cette signature neurale s’est révélée prédictive de la qualité des décisions humaines. Pour conclure, cette thèse souligne la flexibilité de la cognition humaine lors de la prise de décision perceptuelle en situation d’incertitude, et ouvre la voie à de nouvelles recherches qui pourront s’appuyer sur nos résultats et les étendre.Uncertainty represents an ubiquitous challenge for perceptual decision-making. Reducing uncertainty to make accurate decisions requires accumulating unreliable sensory information through Bayesian inference. Nonetheless, this cognitive process is inherently suboptimal in human observers, largely contributing to the substantial variability in human decisions under uncertainty. These ‘inferential errors’ are often underestimated by existing theories. Instead of ignoring those important limitations and approximating decision-making with optimal models, this thesis aims at better characterizing the cognitive strategies deployed by human observers to efficiently overcome these limitations. In the first experimental study of this thesis, we investigated human categorical decisions made in changing environments. In such environments, inferential errors interfere with accurate decision-making by triggering unwarranted changes-of-mind. Using computational modeling of behavior, we show that human observers compensate for this variability using a conditional belief updating strategy. Instead of accumulating each piece of noisy information available, they only update their beliefs when the incoming information is judged as sufficiently reliable. This parsimonious strategy not only reduces cognitive costs by preventing unwarranted changes-of-mind, but also increases decision accuracy. In the second experimental study of this thesis, we compared how human observers mitigate the costs of suboptimal inference across different forms of uncertainty that are used interchangeably in the literature: sensory uncertainty (triggered by noisy stimuli) and category uncertainty (triggered by ambiguous stimuli). We show that under category uncertainty, human observers do not deploy the conditional belief updating strategy observed in the first study and instead rely on their prior beliefs to stabilize their behavior. We further show in this second study that pupil dilation dynamics reflect this change in cognitive strategy across the two forms of uncertainty. Finally, in the third experimental study of this thesis, we investigated how information is represented during the inference process underlying categorical decisions. Existing theories propose that perceptual inference is either implemented in the ‘native’ sensory format that represents decision-relevant stimulus features, or in the ‘output’ format that encodes the action plan resulting from the decision. Instead, we provide behavioral and neuroimaging evidence that information is accumulated in an intermediate and abstract ‘category’ space defined by current decision alternatives. This ‘compression’ of stimulus information represents an efficient strategy to compensate for inferential errors as it allows to only accumulate the information that is relevant for the upcoming decision (and ignore decision-irrelevant dimensions). Using a carefully designed task which manipulates participants’ ability to perform information accumulation either in its native sensory or in a more abstract category space, we found that human observers preferentially accumulate information in category space. For the exact same amount of information, this strategy improves the accuracy of human decisions. Multivariate pattern analysis of magnetoencephalography (MEG) signals further validated our hypothesis as we could decode a neural signature of this compressed representation during information accumulation, whose precision was predictive of participants’ decision accuracy at the single trial level. Overall, this thesis underlines the flexibility of human cognition under uncertainty, and points toward future research
Dispelling the Myths Behind First-author Citation Counts
Get PDFWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
