Benefits and Limits of Explicit Counting for Discriminating Temporal Intervals.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Segmenting information into smaller parts helps to process it, and this is also true for temporal information. The aim of the present article is to compare the benefits of using explicit counting in a temporal discrimination task under various marker-type conditions and to show the limits of this strategy. In Experiment 1, conditions with and without counting were compared for two implicit standard durations, .8 and 1.6 s, in connection with three marker-type conditions, which were intervals marked by: 1) two brief auditory signals (Auditory-Auditory); 2) two brief visual signals (Visual-Visual); and 3) one auditory signal followed by a visual signal (Auditory-Visual). At .8 s, marker-type differences are significant (best in audition, worse with a bimodal sequence), and remain present with an explicit counting strategy. At 1.6 s, explicit counting provides clear improvements of performance in all marker-type conditions and annihilates marker-related differences. Experiment 1 also suggests that standard deviation remains constant from .8 to 1.6 s in the counting condition, while Experiment 2 shows that when standard intervals are extended up to 4 s, explicit counting does not totally prevent variance from increasing as base duration becomes progressively longer. The benefits derived from using explicit counting in duration discrimination are argued to depend (1) on a reduction of variance in the memory process involved in the timing mechanism, and (2) on a change in the decisional process.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle