Fugu-MT 論文翻訳(概要): metasignal: A Python Package for Comprehensive Metacognitive Analysis and Decision-Making

論文の概要: metasignal: A Python Package for Comprehensive Metacognitive Analysis and Decision-Making

arxiv url: http://arxiv.org/abs/2607.29093v1
Date: Fri, 31 Jul 2026 07:18:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-03 16:35:22.222026
Title: metasignal: A Python Package for Comprehensive Metacognitive Analysis and Decision-Making
Title（参考訳）: Metasignal: 包括的なメタ認知分析と意思決定のためのPythonパッケージ
Abstract要約: Metasignalは、信号検出理論とメタ認知計測のためのオープンソースのPythonパッケージである。 Rahnev (2025)により評価された17のメタ認知尺度を実装している。このパッケージはまた、コマンドラインインターフェース、グループ要約、ブートストラップの信頼区間、置換テスト、任意の階層ベイズモデル、情報理論測度を提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Metasignal is an open-source Python package for signal detection theory (SDT) and metacognitive measurement. It implements the 17 metacognitive measures evaluated by Rahnev (2025), together with the reference variables d' (perceptual sensitivity), response criterion c (response bias), and mean confidence. The 17 measures comprise three meta-d' family estimates, meta-d', M-ratio, and M-difference; four nonparametric Type-2 measures, the Type-2 area under the receiver-operating-characteristic curve (AUC2), Gamma, Phi, and delta confidence, together with their eight SDT-normalized ratio and difference forms; and two model-based measures, meta-noise and meta-uncertainty. A single function computes the complete set from trial-level stimulus, response, and confidence arrays. `metasignal` currently supports binary (two-alternative) discrimination tasks, in which each trial's stimulus and response are coded with exactly two categories. The package also provides a command-line interface, group summaries, bootstrap confidence intervals, permutation tests, optional hierarchical Bayesian models, and information-theoretic measures. `metasignal` unifies these measures in a single platform to encourage broader metacognition research and adoption in decision-making studies.
Abstract（参考訳）: Metasignalは、信号検出理論(SDT)とメタ認知計測のためのオープンソースのPythonパッケージである。 Rahnev (2025)により評価された17のメタ認知尺度と、参照変数d'(知覚感度)、応答基準c(応答バイアス)、平均信頼度を実装している。メタd', M比, M比の3つのメタd'ファミリー推定値, 4つの非パラメトリックタイプ2測度, 4つの非パラメトリックタイプ2測度, 受信-操作-特性曲線 (AUC2) 下のタイプ2面積, ガンマ, ファイ, デルタ信頼度, および8つのSDT正規化比と差形式, メタノイズとメタ不確実性のモデルベース測定値から構成される。 1つの関数は、試行レベルの刺激、応答、信頼配列から完全な集合を計算する。現在、‘metasignal’はバイナリ(2つの代替的な)識別タスクをサポートしており、各トライアルの刺激と反応は、正確に2つのカテゴリでコード化されている。このパッケージはまた、コマンドラインインターフェース、グループ要約、ブートストラップの信頼区間、置換テスト、任意の階層ベイズモデル、情報理論測度を提供する。メタサイン」は、これらの措置を単一のプラットフォームに統合し、より広範なメタ認知研究と意思決定研究への採用を促進する。

関連論文リスト

DynaBridge: Dynamic Summary-Guided Cross-Task Multimodal Fusion for DASS-Structured Mental Health Assessment [21.51648903357327]
DynaBridgeは、DASS構造化メンタルヘルスアセスメントのための動的要約誘導マルチモーダルフレームワークである。複数のセッションにまたがって音響、視覚、テキストの手がかりを符号化し、参加者レベルのセマンティックエビデンスとして、凍結したLLM生成のDASS対応サマリーを付加する。通常のアイテムの分布を予測し、アイテムレベルのソフトスコアからうつ病、不安、ストレスリスクの証拠を再構成し、この証拠を直接マルチモーダルリスクの予測と融合させる。
論文参考訳（メタデータ） (2026-07-28T12:55:29Z)
Semantic Drift in Bug Resolution: How Behavioral Signals Propagate from Reports to Tests and Patches [18.727291516223115]
Desc2Fixは、バグレポートのセマンティックアライメント、テストのトリガー、開発者による修正を測定するフレームワークである。 GPT-4o と DeepSeek-Chat を用いて,Defects4J と SWT-Bench の2,857 個のレポート・パッチを解析した。
論文参考訳（メタデータ） (2026-07-20T22:32:23Z)
Traits Run Deeper: Trait-Specific Asymmetric Fusion for Personality Assessment [53.50824432699408]
Traits Run Deeperは、新しいパーソナリティアセスメントフレームワークである。 MFR(Multimodal Foundation Representation)、TSMF(Trit-Specific Modality Fusion)、DCPR(Distributed-Calibrated Personality Regression)の3つのコンポーネントで構成されている。
論文参考訳（メタデータ） (2026-06-09T06:38:36Z)
Do LLMs Know What They Know? Measuring Metacognitive Efficiency with Signal Detection Theory [0.0]
メタキャリブレーションによるキャパシティを分解するタイプ2信号検出理論とメタ認知効率比M比に基づく評価フレームワークを提案する。 1) メタ認知効率は,(1) タイプ1の感度が類似している場合でも,モデル間で大きく異なる - Mistral は D が最も高いが M 比が低い; 2) メタ認知効率はドメイン固有であり,異なるモデルが最も弱い領域を示し,メトリクスを集約できない; である。メタキャリブレーションされた'フレームワークは、どのモデルが単に何を知らないのかを知る'のかを明らかにします。
論文参考訳（メタデータ） (2026-03-26T07:38:28Z)
Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
論文参考訳（メタデータ） (2026-03-18T01:25:08Z)
Episode-specific Fine-tuning for Metric-based Few-shot Learners with Optimization-based Training [13.5196633635749]
メトリックベースのモデルは、クエリの類似性を計算し、学習されたメトリック空間内の埋め込みをサポートする。ラベル付けされていないクエリサンプルの分類を支援するため、推論中にラベル付きサポートサンプルの小さなセットが提供される。そこで本研究では,メトリックベースモデルに対して,単純なエピソード固有かつ効果的なインジェクションの微調整手法を提案する。
論文参考訳（メタデータ） (2025-06-20T22:24:38Z)
MetaScale: Test-Time Scaling with Evolving Meta-Thoughts [51.35594569020857]
実験の結果、MetaScaleは標準推論アプローチよりも一貫して優れています。 METASCALEは、サンプリング予算を増やしてより効果的にスケールし、より構造化された専門家レベルのレスポンスを生成する。
論文参考訳（メタデータ） (2025-03-17T17:59:54Z)
Machine Learning Evaluation Metric Discrepancies across Programming Languages and Their Components: Need for Standardization [2.4125217894669184]
本研究では,分類,回帰,クラスタリング,相関解析,統計的テスト,セグメンテーション,イメージ・ツー・イメージ(I2I)翻訳などのタスクのメトリクスを評価する。メトリクスはPythonライブラリ、Rパッケージ、Matlab関数で比較され、一貫性を評価し、相違点を強調した。
論文参考訳（メタデータ） (2024-11-18T20:07:31Z)
Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
論文参考訳（メタデータ） (2024-07-20T12:42:24Z)
A Statistical Analysis of Summarization Evaluation Metrics using Resampling Methods [60.04142561088524]
信頼区間は比較的広く,信頼性の高い自動測定値の信頼性に高い不確実性を示す。多くのメトリクスはROUGEよりも統計的改善を示していないが、QAEvalとBERTScoreという2つの最近の研究は、いくつかの評価設定で行われている。
論文参考訳（メタデータ） (2021-03-31T18:28:14Z)
Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文参考訳（メタデータ） (2020-02-27T10:22:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。