MARC

 008240221s2023        ulk                      00        kor
■001000016932929
■00520240214101141
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379899301
■035    ▼a(MiAaPQ)AAI30521571
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a152
■1001  ▼aBrockbank,  Erik.
■24510▼aBuilding  Mental  Models  of  Others  over  Repeated  Interactions▼h[electronic  resource]
■260    ▼a[S.l.]▼bUniversity  of  California,  San  Diego.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(185  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Fan,  Judith;Vul,  Edward.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aHuman  interaction  relies  on  the  ability  to  form  accurate  internal  models  of  other  people.  What  is  the  structure  of  our  mental  representations  of  others?  Existing  theories  in  psychology  broadly  fall  into  two  classes:  those  which  view  people  as  constructing  rich  generative  models  of  those  around  us,  and  those  which  argue  for  more  simplified  predictive  representations  based  on  past  behavior.  In  this  dissertation,  I  explore  the  conditions  under  which  people  employ  different  representations  of  others  and  the  constraints  they  face  in  each  case.  My  work  probes  dyadic  behavior  across  repeated  interactions,  thereby  exposing  the  precise  structure  of  the  representations  that  people  form  in  diverse  settings.  In  Chapter  1,  I  begin  by  investigating  how  people  develop  predictive  models  of  others  based  purely  on  simple,  sequential  patterns  in  their  previous  actions.  I  present  evidence  that  in  mixed  strategy  equilibrium  (MSE)  games,  people  acquire  an  adaptive  model  of  their  opponent  over  many  interactions  and  argue  that  behavior  in  such  games  offers  a  novel  perspective  on  people's  opponent  modeling.  In  Chapter  2,  I  present  two  studies  characterizing  the  basis  of  people's  opponent  modeling  in  MSE  games  and  exploring  the  scope  of  this  ability.  Results  suggest  that  people  show  substantial  limitations  in  their  capacity  to  develop  predictive  models  of  others  using  patterns  in  their  behavior  alone.  In  light  of  these  findings,  Chapter  3  explores  the  process  by  which  people  develop  more  abstract  and  sophisticated  representations  of  others  in  domains  where  they  have  rich  mental  models  of  their  own.  Specifically,  this  work  focuses  on  how  people  incorporate  the  competence  of  another  agent  into  collaborative  interactions  in  a  physical  task.  I  first  show  that  people  infer  latent  and  dynamic  properties  of  others'  behavior  in  this  setting;  in  a  second  study,  I  show  that  such  inferences  extend  to  features  of  their  collaborator's  internal  model  of  the  task.  Broadly,  this  work  suggests  that  our  representations  of  others  can  take  on  surprisingly  diverse  forms  but  their  complexity  is  heavily  context-dependent.  I  conclude  with  a  discussion  of  future  directions  aimed  at  understanding  the  structure  of  people's  representations  of  others  and  how  they  calibrate  these  representations  to  the  context  at  hand.
■590    ▼aSchool  code:  0033.
■650  4▼aExperimental  psychology.
■650  4▼aBehavioral  psychology.
■653    ▼aHuman  interaction
■653    ▼aMental  models
■653    ▼aRepeated  interactions
■690    ▼a0623
■690    ▼a0384
■690    ▼a0800
■71020▼aUniversity  of  California,  San  Diego▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932929▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서