MétaCan
Menu
Retour à la cohorte
Enregistrement W2799551814 · doi:10.1027/1614-0001/a000259

Effects of Masculinized and Feminized Male Voices on Men and Women’s Distractibility and Implicit Memory

2018· article· en· W2799551814 sur OpenAlexaff
Graham Albert, Marlena Pearson, Steven Arnocky, Mark P. Wachowiak, Jeffrey R. Nicol

Notice bibliographique

RevueJournal of Individual Differences · 2018
Typearticle
Langueen
DomainePsychology
ThématiqueEvolutionary Psychology and Human Behavior
Établissements canadiensVancouver Island UniversityToronto Metropolitan UniversityNipissing University
Organismes subventionnairesnon disponible
Mots-clésPsychologyImplicit memoryDominance (genetics)Task (project management)Cognitive psychologyDevelopmental psychologyAudiologyCognitionMedicine

Résumé

récupéré en direct d'OpenAlex

Abstract. Men’s lower-pitched voices may serve to attract mates and/or deter same-sex rivals. If this is the case, then both men and women should be more attentive to men’s lower-pitched voices because, attending to this information may contribute to survival or confer a reproductive advantage. The current study measured men and women’s distractibility and implicit memory for sentences spoken by a masculinized (lower-pitched) and feminized (higher-pitched) male voice. Participants completed an irrelevant speech task followed by an implicit memory task to assess their memory for previously presented irrelevant speech. In the irrelevant speech task, distractibility did not differ between men and women. However, men demonstrated greater implicit memory for sentences previously spoken by the masculinized male voice, and women demonstrated greater implicit memory for sentences previously spoken by the feminized male voice. These results suggest men may have an increased sensitivity to dominance cues in other men’s voices. Reasons why men demonstrated greater implicit memory for sentences spoken by a masculinized man’s voice and why women demonstrated a trend toward greater implicit memory for sentences spoken by a feminized man’s voice are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,024
Tête enseignante GPT0,324
Écart entre enseignants0,299 · 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 source (Gemma direct ou Codex distillé), 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

Citations5
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Individual DifferencesMême sujetEvolutionary Psychology and Human BehaviorTravaux en français237 207