MétaCan
Menu
Retour à la cohorte
Enregistrement W2067001803 · doi:10.3389/fpsyg.2015.00117

Automaticity revisited: when print doesn't activate semantics

2015· article· en· W2067001803 sur OpenAlexafffund
Elsa M. Labuschagne, Derek Besner

Notice bibliographique

RevueFrontiers in Psychology · 2015
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeural and Behavioral Psychology Studies
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésAutomaticityPriming (agriculture)PsychologySemantics (computer science)Stroop effectCued speechCognitive psychologyContext (archaeology)Semantic memoryColor termReading (process)Computer scienceLinguisticsCognitionArtificial intelligenceNeuroscience

Résumé

récupéré en direct d'OpenAlex

It is widely accepted that the presentation of a printed word "automatically" triggers processing that ends with full semantic activation. This processing, among other characteristics, is held to occur without intention, and cannot be stopped. The results of the present experiment show that this account is problematic in the context of a variant of the Stroop paradigm. Subjects named the print color of words that were either neutral or semantically related to color. When the letters were all colored, all spatially cued, and the spaces between letters were filled with characters from the top of the keyboard (i.e., 4, #, 5, %, 6, and *), color naming yielded a semantically based Stroop effect and a semantically based negative priming effect. In contrast, the same items yielded neither a semantic Stroop effect nor a negative priming effect when a single target letter was uniquely colored and spatially cued. These findings (a) undermine the widespread view that lexical-semantic activation in word reading is automatic in the sense that it occurs without intention and cannot be derailed, and (b) strengthens the case that both implicit and explicit forms of visual word recognition require spatial attention as a necessary preliminary to lexical-semantic processing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,004
Communication savante0,0020,005
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,162
Tête enseignante GPT0,400
Écart entre enseignants0,238 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations28
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in PsychologyMême sujetNeural and Behavioral Psychology StudiesTravaux en français237 207