Category-Specific Sensitivity Allows Modeling Variability Effects in a Similarity Framework

Preprint que examina cómo los modelos de categorización basados en similitud pueden dar cuenta del efecto de variabilidad categórica, es decir, la tendencia a asignar ítems ambiguos a categorías más variables. Los autores proponen que, en lugar de abandonar estos modelos, es necesario permitir que los parámetros varíen según la categoría. Mediante simulaciones comparativas en modelos de prototipo y ejemplares, evalúan dos mecanismos: un sesgo de respuesta que favorece categorías de alta variabilidad y un parámetro de sensibilidad que varía con la precisión distribucional de cada categoría. Los resultados favorecen consistentemente la sensibilidad específica de la categoría sobre el sesgo de respuesta, especialmente en modelos de prototipo. Los autores extienden este mecanismo de sensibilidad al cambio conceptual inducido por prevalencia, sugiriendo un mecanismo subyacente común.

Puntos clave

• Los modelos de similitud tradicionales no explican adecuadamente el efecto de variabilidad categórica porque no representan explícitamente las propiedades distribucionales de las categorías.
• La sensibilidad específica de la categoría, que varía según la precisión distribucional, predice mejor el desempeño categórico que un parámetro de sesgo de respuesta generalizado.
• El mecanismo de sensibilidad que depende de especificación categórica puede unificar tanto el efecto de variabilidad como el de prevalencia en un marco común de similitud.
• En modelos de prototipo, permitir parámetros variables por categoría produce mejores ajustes al comportamiento categórico observado que mantener parámetros fijos.

Para quién: Estudiantes e investigadores de psicología cognitiva y ciencia cognitiva interesados en modelos formales de categorización, representación conceptual y mecanismos de similitud en el aprendizaje categórico.