Applying Linear Mixed Effects Models with Crossed Random Effects to Psycholinguistic Data: Multilevel Specification and Model Selection.
Notice bibliographique
Résumé
Applying linear mixed effects regression (LMER) models to psycholinguistic data was made popular by Baayen, Davidson, and Bates (2008).However, applied researchers sometimes encounter model specification difficulties when using such models.This article presents a multilevel specification of LMERs customized for typical psycholinguistic studies.The proposed LMER specifications with crossed random effects allow different combinations of random intercept effects or random slope effects to be specified directly for subject and item covariates.As a result, this approach allows researchers to describe, specify, and interpret a wide range of effects in an LMER more easily.Next, the syntax and steps involved in using the PROC MIXED procedure in SAS to fit the discussed models are illustrated.Thirdly, various issues relating to model selection, specifically for the random component of LMER models with crossed random effects, are discussed.Finally, this article concludes with remarks about model specification and selection of the random structure in the context of analyzing psycholinguistic data using LMERs specifically.This paper provides readers conducting psycholinguistic research with a complete tutorial on how to select, apply, and interpret the multilevel specification of LMERs.
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 | 0,076 | 0,210 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,007 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».