显示带有标签的帖子 Gv画廊名人堂. 显示所有帖子
显示带有标签的帖子 Gv画廊名人堂. 显示所有帖子

2018年7月15日星期日

出色的概念建议,可用于组织思维游荡研究



认知科学的趋势,2018年6月,第1期。 22号6号

抽象

随着对流浪现象的实证研究的加速,我们提请人们注意流浪现象的概念化这一新兴趋势。先前明确表达的思想游荡的定义在重要方面彼此不同,但它们也保持重叠的特征。这种概念结构表明,最好从家庭相似的角度考虑游荡,这需要将其视为分级的,异构的构造,并清楚地测量和描述研究人员正在研究的游荡的特定方面。我们认为,采用这种类似家庭的方法将增加流浪家庭中相关现象之间的概念和方法联系,并鼓励人们对流浪者的许多变种进行更细微和精确的理解。

点击图片可放大



-使用iPad上的BlogPress发布

2018年4月14日星期六

可能的Gf子流程

有趣的概念框架,用于了解Gf任务的绩效。但是,重要的是要注意,因素分析研究已经建议了许多子过程,这些子过程不一定适合此基于任务分析的模型。

有助于流畅推理性能的多个过程的签名(文章链接)

Ehsan Shokri-Kojoria和Daniel C. Krawczyk


A R T I C L E I N F O

关键词:流体智能个体差异多进程Raven渐进矩阵

A B S T R A C T

我们旨在更好地理解流体推理(或流体智力; Gf)的认知过程,即在新情况下的推理能力。尽管流体推理通常被认为是一个整体的结构,但预计多个认知过程会影响流体推理的性能。然而,各种认知过程在流体推理性能中的贡献仍未得到充分研究。我们假设流体智能的个体差异可以看作是Gf各个过程中表现的个体差异的综合。变更检测,规则验证和规则生成是在新颖的视觉空间推理任务中附加招募的三个感兴趣的过程。我们观察到,随着任务条件的增长,处理要求的提高会降低准确性并缩短响应时间。分层多元线性回归分析显示,这些过程中每个过程的成功可能性和速度的个体差异,导致了流体推理性能准确性和响应时间方面个体差异的不同方面,这是由Raven的渐进矩阵所衡量的。变更检测是视觉空间需求较高的问题对性能的重要贡献,但是,规则验证和规则生成始终对所有问题类型的性能都有贡献。我们的发现支持这样的观点,即流体智力的个体差异是可分离认知操作的综合表现,规则处理对于区分高难度问题的表现至关重要。

点击图片可放大



-使用iPad上的BlogPress发布

2016年1月16日星期六

研究字节:关于专业知识发展的多种原因的优秀文章

这是对疾病发展的各种原因(多方面-没有单一原因)的出色综合综述。 专长 在不同的领域。我喜欢“大图”模型集成图(它属于 Gv画廊名人堂)。我唯一的抱怨是,这次审查未能认识到该组织非常相关和重要的工作 理查德·斯诺(Richard 雪) 关于发展 才能...使用类似的大图综合模型,涉及许多相同的解释变量。


点击图片放大

 

 

2015年7月10日,星期五

2013年12月21日,星期六

Gv画廊名人堂:生物心理模型

我喜欢很棒的视觉图形/随机数,它们可以在一幅图像中解释结构,模型,现象等。多年来,我已经发布了很多文章,并将继续这样做。我现在要贴标签 “ Gv画廊名人堂对于那些不熟悉CHC智力模型的人,Gv代表广泛的视觉空间认知能力领域。这是我发现的另一篇摘要