Notice bibliographique
Résumé
When programming complex experiments (for example, involving the generation of stimuli online), the traditional experiment programming software are not well equipped.One solution is to give up entirely the use of such software in favor of a lowlevel programming language.Here we show how E-Prime can be connected to Mathematica so that the easiness and reliability of this software can be preserved while at the same time granting it the full computational power of a high-level programming language.As an example, we show how to generate noisy images with noise proportional to the rate of success of the participants with as few as 12 lines of codes in E-Prime.Psychology experiments can be rather simple, being composed of a fixed number of trials, presenting a fixed set of stimuli and collecting a fixed set of responses.For such situations, many software exists that can program the experiment rapidly and easily (such as Superlab, ERTS, InQuisit, E-Prime, DirectRT, to name a few, Stahl, 2006).However, more sophisticated experiments are sometimes required which can for example (i) continue training until a performance criterion is reached, (ii) generate random stimuli, (iii) alter stimulus differently to adapt to the participant, (iv) interpret the participant's response and continue the experiment accordingly, etc.The possibilities are endless and we are only enumerating a few.All these possibilities can be implemented as long as a programming language is available.However, (a) very few experiment programming software offer the possibility to include lines of code within the experiment, (b) when they do, it is often a
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,021 |
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 ».