Making Sense of Scents: The Colour and Texture of Odours
Notice bibliographique
Résumé
The purpose of this study was to document colour and texture associations to odours using a variety of odours including both pleasant and unpleasant odours, some of which were likely to be unfamiliar. We asked non-synaesthetic adults (n = 78) to make colour and shape/texture associations to 22 odours. A subset of the participants (n = 41) smelled the odours a second time in order to identify them. Each odour stimulus was associated consistently to one or more specific colours and/or textures (all p's < 0.01 by binomial probability statistics). Associations to the four odours that were identified accurately (cinnamon, lemon, peppermint and licorice) seemed to be based on learning/memory (e.g. lemon = yellow). The associations to the 18 odours that were not identified accurately are less likely to be based on learning/memory (e.g. ginger = black, rough, sharp; lavender = green, white, liquid, sticky). We speculate that sensory associations to odours, like those to pitch and letters (e.g. Mondloch and Maurer, 2004; Spector and Maurer, 2008), may result from the joint influence of learning and natural biases linking dimensions across sensory systems. Such links may reflect inherent neural organization that is modifiable with learning and that can manifest as cross-modal associations or synaesthetic percepts.
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 | 0,000 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».