Automatic Evaluation Stimuli – The Most Frequently Used Words to Describe Physical Activity and the Pleasantness of Physical Activity
Notice bibliographique
Résumé
Physical activity is partially regulated by non-conscious processes including automatic evaluations - the spontaneous affective reactions we have to physical activity that lead us to approach or avoid physical activity opportunities. A sound understanding of which words best represent the concepts of physical activity and pleasantness (as associated with physical activity) is needed to improve the measurement of automatic evaluations and related constructs (e.g., automatic self-schemas, attentional biases). The first aim of this study was to establish population-level evidence of the most common word stimuli for physical activity and pleasantness. Given that response latency measures have been applied to assess automatic evaluations of physical activity and exercise, the second aim was to determine whether people use the same behavior and pleasant descriptors for physical activity and exercise. Australian adults (N = 1,318; 54.3% women; 48.9% aged 55 years or older) were randomly assigned to one of two groups, through a computer-generated 1:1 ratio allocation, to be asked to list either five behaviors and pleasant descriptors of physical activity (n = 686) or of exercise (n = 632). The words were independently coded twice as to whether they were novel words or the same as another (i.e., same stem or same meaning). Intercoder reliability varied between moderate and strong (agreement = 50.1 to 97.8%; κ = 0.48 to 0.82). A list of the 20 most common behavior and pleasantness words were established based on how many people reported them, weighted by the ranking (1-5) people gave them. The words people described as physical activity were mostly the same as those people used to describe exercise. The most common behavior words were 'walking,' 'running,' 'swimming,' 'bike riding,' and 'gardening'; and the most common pleasant descriptor words were 'relaxing,' 'happiness,' 'enjoyment,' 'exhilarating,' 'exhausting,' and 'good.' These sets of stimuli can be utilized as resources for response latency measurement tasks of automatic evaluations and for tools to enhance automatic evaluations of physical activity in evaluative conditioning tasks.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».