Emotion specificity of gaze cueing in a danger vigilance context.
Notice bibliographique
Résumé
In attentional cueing paradigms in which gaze direction of emotional faces serve as the cue, the magnitude of the cueing effect varies with emotion and context (e.g., threat-related; Dawel et al., 2015; Bayliss et al., 2010). In these studies, however, only two emotions were compared, making it difficult to ascertain whether the influence of emotion is highly specific (e.g., to fearful faces in a threat context) or generalises to other emotions of similar valence or arousal. To examine this question we used a Posner style cueing task in which the gaze direction of a range of emotional faces, namely happy (positive, high arousal), sad (negative, low arousal), angry, fearful, disgust (all negative, high arousal) provided non-predictive cues to the location of a forthcoming threatening or neutral target. We set a danger vigilance context by asking participants (n=64) to indicate whether each target animal was dangerous. Controlling for state anxiety (STAI), gaze cueing was significant for all emotions, ps< .001, but varied across them ps< .01. To examine the influence of valence we used happy (M=38ms) as the reference category; only sad faces differed (M=31ms), eliciting a smaller cueing effect. To examine the influence of arousal we used sad as the reference category; disgusted (M=34ms), fearful (M=47ms), and happy faces elicited larger cueing effects, with no difference for angry faces (M=32ms). These results suggest that in the context of multiple emotions cueing effects are complex. Happy faces and faces indicating indirect proximal threat (disgust, fear) showed comparable gaze cueing compared to merely negative faces (sad), with direct threat (angry) having an intermediate effect. Our findings suggest that in a threat context cueing effects are not limited to threat-related or negative emotions, but generalise across all high-arousal emotions. We are currently investigating whether this pattern holds in other contexts (e.g., pleasant, disgust-inducing). Meeting abstract presented at VSS 2016
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».