MétaCan
Menu
Retour à la cohorte
Enregistrement W2802211069 · doi:10.1371/journal.pone.0196246

Inducing preference reversals in aesthetic choices for paintings: Introducing the contrast paradigm

2018· article· en· W2802211069 sur OpenAlexafffund
Zorry Belchev, Glen E. Bodner, Jonathan M. Fawcett

Notice bibliographique

RevuePLoS ONE · 2018
Typearticle
Langueen
DomaineNeuroscience
ThématiqueAesthetic Perception and Analysis
Établissements canadiensMemorial University of NewfoundlandUniversity of Calgary
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPaintingBeautyContrast (vision)PreferencePairingPsychologyAestheticsCognitive psychologyArtComputer scienceArt historyMathematicsArtificial intelligenceStatisticsPhysics

Résumé

récupéré en direct d'OpenAlex

Understanding what leads people to reverse their choices is important in many domains. We introduce a contrast paradigm for studying reversals in choices-here between pairs of abstract paintings-implemented in both within-subject (Experiment 1; N = 320) and between-subject (Experiment 2; N = 384) designs. On each trial, participants chose between a pair of paintings. A critical pair of average-beauty paintings was presented before and after either a reversal or control block. In the reversal block, we made efforts to bias preference away from the chosen average-beauty painting (by pairing it with more-beautiful paintings) and toward the non-chosen average-beauty painting (by pairing it with less-beautiful paintings). Meta-analysis revealed more reversals after reversal blocks than after control blocks, though only when the biasing manipulations succeeded. A second meta-analysis revealed that reversals were generally more likely for participants who later misidentified their initial choice, demonstrating that memory for initial choices influences later choices. Thus, the contrast paradigm has utility both for inducing choice reversals and identifying their causes.

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)0,015
score de la tête « metaresearch » (Gemma)0,042
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,078

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,042
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,122
Tête enseignante GPT0,277
Écart entre enseignants0,156 · 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'étudeExpérimental (laboratoire)
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

Citations4
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetAesthetic Perception and AnalysisTravaux en français237 207