The flexible semantic integration of gestures and words
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
One measure of the communicative function of gestures is to test how speakers’ gestures are influenced by whether an addressee can see them or not, that is, by manipulating visibility between participants. We question traditional dependent variables (i.e., rate measures), suggesting that they may have been insufficient for capturing essential differences in the gestures speakers use in each condition. We propose that investigating the qualitative features of gestures is a more nuanced, and ultimately more informative approach. We examined how speakers distributed information between their gestures and words, testing whether this distribution was affected by the visibility of their addressee. Twenty pairs of undergraduates took part in conversations that were either face to face ( n = 10) or on the telephone ( n = 10). Each speaker described a drawing of an elaborate dress to the addressee. We used a semantic feature analysis to analyze descriptions of the dress’ skirt and assessed when words or gestures contributed information about five categories pertaining to features of the skirt’s unusual shape. Although speakers’ rates of gesturing and number of words did not vary significantly between conditions, speakers contributed more information and conveyed more categories in their gestures when the addressee would see them, while words carried the informational burden when addressees would not see the gestures ( p ’s < .001). These results suggest that gestures serve a communicative function. The semantic feature analysis is thus an example of how to explore gestures’ qualitative features within a quantitative paradigm.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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