Effects of Emotional Experience in Lexical Decision
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.
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 | 0,001 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».