What question did this study set out to answer?

Diese Forschung zielt darauf ab, zu verstehen, wie vorhersehbar menschliche Regel-Lernverhalten mit verschiedenen Modellen sind.

May 8, 2026Open Access

Vorhersehbarkeit von Deckelungen im menschlichen Regel-Lernen: Eine vergleichende Studie zu kognitiven und datengestützten Modellen

Key Points

Diese Forschung zielt darauf ab, zu verstehen, wie vorhersehbar menschliche Regel-Lernverhalten mit verschiedenen Modellen sind.
Verwendung des Badham et al. (2017) Datensatzes für die Analyse.
Vergleich von kognitiven und datengestützten Modellen einschließlich Win-Stay-Lose-Shift, Q-Learning, LSTM und XGBoost.
Anwendung einer Leave-One-Participant-Out-Kreuzvalidierung zur Modellevaluation.
Episodisches Zurücksetzen von Verhaltenshistorien-Funktionen erhöhte die Modellleistung signifikant.
Die Modellleistung näherte sich einem Vorhersageplateau mit AUC = 0.676.
Identifizierte vier unterschiedliche Lernertypen durch Verhaltensclusterung.

Abstract

Dieser Preprint untersucht die Vorhersehbarkeit des trial-by-trial menschlichen Regel-Lernverhaltens unter Verwendung des Badham et al. (2017) Datensatzes. Wir vergleichen kognitive und datengestützte Modelle, einschließlich Win-Stay-Lose-Shift, Q-Learning, LSTM und XGBoost, unter Verwendung einer Leave-One-Participant-Out-Kreuzvalidierung. Die Ergebnisse zeigen, dass episodisches Zurücksetzen von Verhaltenshistorien-Funktionen den größten Leistungszuwachs bietet und dass die Modellleistung ein praktisches Vorhersageplateau nahe AUC = 0.676 erreicht. Verhaltensclusterung zerlegt die Vorhersehbarkeit auf Populationsebene weiter in vier Lernertypen.

Vorhersehbarkeit von Deckelungen im menschlichen Regel-Lernen: Eine vergleichende Studie zu kognitiven und datengestützten Modellen

Key Points

Abstract

Cite This Study