MétaCan
Menu
Retour à la cohorte
Enregistrement W2029728010 · doi:10.1111/1541-0420.00076

Parametric Modeling of Reaction Time Experiment Data

2003· article· en· W2029728010 sur OpenAlexafffund
W. John Braun, Valentin Rousson, William A. Simpson, Jennifer Prokop

Notice bibliographique

RevueBiometrics · 2003
Typearticle
Langueen
DomaineChemistry
ThématiqueSpectroscopy and Chemometric Analyses
Établissements canadiensDefence Research and Development CanadaWestern University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungAustralian National University
Mots-clésParametric statisticsNormalityNonparametric statisticsNonlinear systemComputationComputer scienceParametric modelApplied mathematicsAlgorithmIntensity (physics)MathematicsStatisticsOpticsPhysics

Résumé

récupéré en direct d'OpenAlex

A simple parametric model is proposed for data from a point-process version of a reaction time experiment. It is used to statistically check for the presence and nature of nonlinear inhibition in the eye-brain-hand system, as well as to study the nature of the reaction time delay distribution. The model tells us that, in principle, the second-order intensity estimate can be used to determine whether the experimental subject is systematically observing the first or the second of two flashes transmitted in short succession. Nonparametric estimates of second-order intensity functions are used in conjunction with this model. In particular, the model allows for the computation of good bandwidths for intensity curve estimation. A parametric bootstrap can also be implemented. Our methods are illustrated with 12 runs of data from a real reaction time experiment. It is found that nonlinear inhibition is present in the eye-brain-hand system. However, there are insufficient data to distinguish between log-normality and normality in the reaction time distribution, due partly to confounding with the particular kind of nonlinear inhibition present in the system.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,134
Score d'incertitude au seuil0,669

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,010
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,095
Tête enseignante GPT0,331
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2003
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiometricsMême sujetSpectroscopy and Chemometric AnalysesTravaux en français237 207