MétaCan
Menu
Retour à la cohorte
Enregistrement W2571947943 · doi:10.1037/xlm0000358

Photos that increase feelings of learning promote positive evaluations.

2017· article· en· W2571947943 sur OpenAlexaff
Brittany A. Cardwell, Eryn J. Newman, Maryanne Garry, Antonia Mantonakis, Randi Beckett

Notice bibliographique

RevueJournal of Experimental Psychology Learning Memory and Cognition · 2017
Typearticle
Langueen
DomainePsychology
ThématiqueEducational Strategies and Epistemologies
Établissements canadiensBrock University
Organismes subventionnairesNew Zealand Government
Mots-clésFeelingPsycINFOContext (archaeology)NounPsychologyWineSocial psychologyCognitive psychologyComputer scienceArtificial intelligenceArtVisual artsMEDLINEHistory

Résumé

récupéré en direct d'OpenAlex

Research shows that when semantic context makes it feel easier for people to bring related thoughts and images to mind, people can misinterpret that feeling of ease as evidence that information is positive. But research also shows that semantic context does more than help people bring known concepts to mind-it also teaches people new concepts. In five experiments, we show that when photos increase these feelings of learning, they also increase positive evaluations. People saw fictitious wine names and evaluated claims about each. Within subjects, wine names appeared with (or without) photos depicting the noun in the names. We found that photos promoted positive evaluations, did so most when they were most likely to help people learn new words, and even led people to think the wines tasted better. Together, these findings fit with the idea that semantic context promotes positive evaluations in part by teaching people new concepts. (PsycINFO Database Record

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,692
Score d'incertitude au seuil0,801

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,423
Écart entre enseignants0,355 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Experimental Psychology Learning Memory and CognitionMême sujetEducational Strategies and EpistemologiesTravaux en français237 207