On using distributional analysis techniques for determining the onset of the influence of experimental variables
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Much of the investigation of eye-movement control in visual cognition has focused on the influence of experimental variables on mean fixation durations. In the present paper we explored the convergence between two distributional analysis techniques that were recently introduced in this domain. First, Staub, White, Drieghe, Hollway and Rayner, (2010) proposed fitting the ex-Gaussian distribution to individual participants' data in order to ascertain whether a variable has a rapid or a slow influence on fixation durations. Second, the Divergence Point Analysis (DPA) procedure was introduced by Reingold, Reichle, Glaholt and Sheridan (2012, Reingold & Sheridan, 2014) in order to determine more precisely the earliest discernible impact of a variable on the distribution of fixation durations by contrasting survival curves across two experimental conditions and determining the point at which the two curves begin to diverge. In the present paper we introduced a new version of the DPA procedure which is based on ex-Gaussian fitting. We evaluated this procedure by re-analysing data obtained in previous empirical investigations as well as by conducting a simulation study. We demonstrated that the new ex-Gaussian DPA technique produced estimates that were consistent with estimates produced by prior versions of DPA procedure, and in the present simulation, the ex-Gaussian DPA procedure produced somewhat more accurate individual participant divergence point estimates. Based on the present findings we also suggest guidelines for best practices in the use of DPA techniques.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle