Predicting Working Memory Failure: A Subjective Bayesian Approach to Model Selection
预测工作记忆失误：主观贝叶斯模型选择方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要虽使用逻辑回归，但响应是认知任务失误而非明确的经济离散选择，也未提供其他所列领域的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
预测工作记忆失误：主观贝叶斯模型选择方法
- 研究问题
- 任务特征数量与按心理执行时间加权的复杂度，哪一种工作记忆负荷指标更能预测数据库查询编写失误？
- 方法与思路
- 作者用贝叶斯因子比较两个带受试者随机效应的逻辑回归，以相关实验知识设定主观先验，并做敏感性分析。
- 材料陈述的贡献
- 摘要称，文章详细展示先验征询、先验误设与个案删除分析，并讨论这一主观贝叶斯模型选择方法的优点与限制。
- 阅读关注点
- 应核对实验条件与随机效应结构、先验征询依据、贝叶斯因子计算近似，以及结论对先验和个别观测的敏感性。
- 阅读边界
- 摘要未说明哪个指标胜出、预测改善幅度或外部验证结果；渐近计算的误差也未交代，索引稿件版本与刊本变化未知。
原文摘要
We use Bayes factors to compare two alternative characterizations of human working memory load in their ability to predict errors in database query-writing tasks. The first measures working memory load by the number of different features each task contains, while the second attempts instead to measure the complexity of the task by giving more weight to features that require more mental time for their correct execution. We reanalyze data from a previously conducted experiment using two logistic regression models with random subject effects nested within an experimental condition factor. The two models have alternative covariates based on the alternative measures of working memory load. We construct prior distributions based on our subjective knowledge gleaned from related experiments, providing details of the elicitation process. We examine sensitivity of our results to the effects of prior misspecification and case deletion. Asymptotic approximations are used throughout to facilitate computations. Finally, we comment on the strengths and limitations of the approach in light of our experience.