کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7285131 | 1474088 | 2018 | 18 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Naturalistic multiattribute choice
ترجمه فارسی عنوان
انتخاب چندگانگی طبیعی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
انتخاب چندگانه، اهریمنی، حافظه معنایی، تصمیم گیری طبیعت گرایانه، قضاوت و تصمیم گیری،
ترجمه چکیده
ما در حال بررسی نحوه ارزیابی و ترکیب ویژگی های انتخابی طبیعت، مانند فیلم ها و اقلام مواد غذایی می پردازیم. رویکرد ما نظریه های نمایندگی شی را در تحقیقات حافظه معنایی به داده های جمع آوری شده در مقیاس وسیع اعمال می کند تا بتوانند چندین نماینده را برای اشیاء انتخاب مشترک انتخاب نمایند. سپس از آزمایشات انتخابی استاندارد برای تست قدرت پیش بینی قوانین تصمیم گیری مختلف برای وزن دهی و جمع آوری این بازنمودهای چندگانه استفاده می کنیم. آزمایش های ما سه نتیجه گیری جدید را انجام می دهد: 1. قوانین تصمیم گیری چند منظوره موجود، اعمال شده به نمایه های شیء که بر روی داده های جمع آوری شده آموزش داده شده، پیش بینی رفتار انتخابی شرکت کننده با درجه بالایی از دقت؛ 2. بر خلاف کار قبلی در مورد انتخاب چند منظوره، قوانین تصمیم گیری افزایشی وزن، قوانین اکتشافی را در پیش بینی های غیر نمونه بهتر می کنند؛ و 3. بهترین تصمیمات تصمیم گیری با استفاده از نماینده های شیء غنی با تعداد زیادی از صفات زمینه ای. نتایج ما پیامدهای مهمی برای مطالعه انتخاب چندگانه دارد.
موضوعات مرتبط
علوم زیستی و بیوفناوری
علم عصب شناسی
علوم اعصاب شناختی
چکیده انگلیسی
We study how people evaluate and aggregate the attributes of naturalistic choice objects, such as movies and food items. Our approach applies theories of object representation in semantic memory research to large-scale crowd-sourced data, to recover multiattribute representations for common choice objects. We then use standard choice experiments to test the predictive power of various decision rules for weighting and aggregating these multiattribute representations. Our experiments yield three novel conclusions: 1. Existing multiattribute decision rules, applied to object representations trained on crowd-sourced data, predict participant choice behavior with a high degree of accuracy; 2. Contrary to prior work on multiattribute choice, weighted additive decision rules outperform heuristic rules in out-of-sample predictions; and 3. The best performing decision rules utilize rich object representations with a large number of underlying attributes. Our results have important implications for the study of multiattribute choice.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Cognition - Volume 179, October 2018, Pages 71-88
Journal: Cognition - Volume 179, October 2018, Pages 71-88
نویسندگان
Sudeep Bhatia, Neil Stewart,