MétaCan
Menu
Retour à la cohorte
Enregistrement W2314037875 · doi:10.7763/ijiet.2015.v5.478

Perception of Aggressiveness of Communicative Information Depending on a Speaker's Gender

2014· article· en· W2314037875 sur OpenAlexaff
Anastasia Kuzminykh, С.Н. Ениколопов

Notice bibliographique

RevueInternational Journal of Information and Education Technology · 2014
Typearticle
Langueen
DomainePsychology
ThématiqueBullying, Victimization, and Aggression
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésPerceptionPsychologyCommunicationCognitive psychology

Résumé

récupéré en direct d'OpenAlex

Despite the great attention to the study of aggression in general, today we can see surprisingly small amount of research on the perception of aggression. Current work was inspired by the results of our previous study about prevailing perceptions of masculine and feminine aggression that showed that in general men are believed to be more aggressive, but also both for men and for women there is a tendency to consider their own aggressiveness as more high than it is in perception of the opposite gender and in general women evaluate both genders as more aggressive than men do. We were interested whether these beliefs about male and female aggressiveness will find reflection in the direct perception of communicative information. We created a computer program, consisting of the page for demographic information and the experimental part -a set of 20 aggressive and 16 non-aggressive audio phrases presented in male and female voices. It has been shown that women in general evaluate phrases as more negative, than men do, but non-aggressive phrases are perceived by women as more friendly when they are said in male voice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,816
Score d'incertitude au seuil0,363

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,318
Écart entre enseignants0,305 · 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 tête enseignante, pas un consensus.

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

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Information and Education TechnologyMême sujetBullying, Victimization, and AggressionTravaux en français237 207