Semantic richness, concreteness, and object domain: An electrophysiological study.
Notice bibliographique
Résumé
Results from previous event-related potential (ERP) studies of semantic richness and concreteness effects have been mixed. Feature production norms have been used to derive one measure of semantic richness, the number of listed semantic features (NOF) for a given concept. Whereas some ERP studies have found evidence for a semantic richness continuum from abstract concepts, to concrete concepts with few features, to concrete concepts with several features, other studies have not. The present study assessed the effects of NOF (within concrete concepts) and concreteness (concrete vs. abstract concepts), on ERP amplitudes and behavioural decision latencies during a concrete/abstract decision task. It is important we also manipulated object domain, which has been found to influence ERP amplitude and topography. High and low NOF concepts were selected from animal and nonliving thing categories and all four conditions were matched on several potential confounds. We show that although decision latencies support a semantic richness continuum, electrophysiological activity does not. Whereas concrete concepts produce a larger negativity than abstract concepts, low NOF concepts are associated with larger negativities than high NOF concepts. We also replicate an increased posterior positivity for processing animal concepts, and report an interaction between object domain and semantic richness such that the NOF effect is larger within animal concepts.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».