Visual Attention and the Neuroimage Bias
Notice bibliographique
Résumé
Several highly-cited experiments have presented evidence suggesting that neuroimages may unduly bias laypeople's judgments of scientific research. This finding has been especially worrisome to the legal community in which neuroimage techniques may be used to produce evidence of a person's mental state. However, a more recent body of work that has looked directly at the independent impact of neuroimages on layperson decision-making (both in legal and more general arenas), and has failed to find evidence of bias. To help resolve these conflicting findings, this research uses eye tracking technology to provide a measure of attention to different visual representations of neuroscientific data. Finding an effect of neuroimages on the distribution of attention would provide a potential mechanism for the influence of neuroimages on higher-level decisions. In the present experiment, a sample of laypeople viewed a vignette that briefly described a court case in which the defendant's actions might have been explained by a neurological defect. Accompanying these vignettes was either an MRI image of the defendant's brain, or a bar graph depicting levels of brain activity-two competing visualizations that have been the focus of much of the previous research on the neuroimage bias. We found that, while laypeople differentially attended to neuroimagery relative to the bar graph, this did not translate into differential judgments in a way that would support the idea of a neuroimage bias.
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 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) | 0,007 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».