Attentional tuning to events associated with long-term concerns
Notice bibliographique
Résumé
Stimulus features such as brightness, color, and subjective arousal level are potent in capturing attention. This capture facilitates perceptual encoding and subsequent processing. Yet, it is still unknown whether stimuli related to long-term personal concerns similarly capture attention. To address this question, we employed an attentional blink (AB) paradigm, where observers detected two targets embedded in a stream of distractors during rapid serial visual presentation. The second target (T2) was either a word related to climate change or a neutral word (Experiment 1). Observers were more likely to detect T2 if it was climate-related than neutral. We refer to this reduced attentional blink for words related to climate change as climate word AB sparing. To examine whether this was driven by emotional arousal, we added a condition with negative emotionally arousing words (Experiment 2). We again found that observers were more likely to detect climate-related and negative T2 words than neutral ones. However, the climate words (e.g. carbon) were rated as less arousing than the negative words (e.g. murder), suggesting that climate word AB sparing was not strictly due to immediate arousal. Finally, to examine whether the sparing was explained by semantic priming, because climate words share a semantic category, we performed a version of the experiment with health-related rather than climate-related words (Experiment 3). Observers were equally likely to detect health-related or neutral targets, suggesting that the climate-word AB sparing was not due to semantic priming. In all experiments, no mention of climate change was made in the instructions. In subsequent surveys, most observers expressed environmental concerns. Thus, the heightened perceptual encoding of climate change stimuli was driven by long-term concerns. In sum, these findings suggest that attentional tuning to salient stimuli can reflect associations with long-term concerns, rather than immediate arousal or priming of a semantic category. Meeting abstract presented at VSS 2015
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».