Benefits and Limits of Explicit Counting for Discriminating Temporal Intervals.
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.
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 | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».