Effects of Emotional Experience in Lexical Decision
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
Previous research has examined the effects of emotional experience (i.e., the ease with which words evoke emotion information) in semantic categorization, word naming, and Stroop tasks (Moffat, Siakaluk, Sidhu, & Pexman, 2015; Newcombe, Campbell, Siakaluk, & Pexman, 2012; Siakaluk, Knol, & Pexman, 2014). However, to date there are no published reports on whether emotional experience influences performance in the lexical decision task (LDT). In the present study, we examined the influence of emotional experience in LDT using three different stimulus sets. In Experiment 1 we used a stimulus set used by both Kousta, Vinson, and Vigliocco (2009; Experiment 1) and Yap and Seow (2014) that is comprised of 40 negative, 40 positive, and 40 neutral words; in Experiment 2 we used a stimulus set comprised of 150 abstract nouns; and in Experiment 3 we used a stimulus set comprised of 373 verbs. We observed facilitatory effects of emotional experience in each of the three experiments, such that words with higher emotional experience ratings were associated with faster response latencies. These results are important because the influence of emotional experience: (a) is observed in stimulus sets comprised of different types of words, demonstrating the generalizability of the effect in LDT; (b) accounts for LDT response latency variability above and beyond the influences of valence and arousal, and is thus a robust dimension of conceptual knowledge; (c) suggests that a richer representation of emotional experience provides more reliable evidence that a stimulus is a word, which facilitates responding in LDT; and (d) is consistent with grounded cognition frameworks that propose that emotion information may be grounded in bodily experience with the world (Barsalou, 2003, 2009; Vigliocco, Meteyard, Andrews, & Kousta, 2009).
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) | 0,001 | 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 découle