MétaCan
Menu
Retour à la cohorte
Enregistrement W2809259052 · doi:10.1037/gpr0000131

Putting Perspective Taking in Perspective

2018· article· en· W2809259052 sur OpenAlexaff
Marisa Bortolussi, Peter Dixon, Christopher Linden

Notice bibliographique

RevueReview of General Psychology · 2018
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueMedia Influence and Health
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésPerspective (graphical)NarrativeCharacter (mathematics)Transparency (behavior)Computer scienceFunction (biology)EpistemologyCognitive psychologyPsychologyLinguisticsArtificial intelligencePhilosophyMathematics

Résumé

récupéré en direct d'OpenAlex

We present a new framework for the discussion of perspective taking, particularly with reference to the processing of literary narrative. In this framework, adopting a perspective entails matching evaluations with those of the narrative character. This approach predicts that perspectives should be piecemeal rather than holistic, dynamic rather than consistent, effortful rather than automatic, and reactive, in the sense that they are a function of the reader's online processing as it interacts with narrative technique. We describe evidence from an interpolated evaluation method in which readers are periodically interrupted and asked to rate evaluations from a character's perspective. The results indicate that interpolated evaluations interact with narratorial stance to determine a character's transparency—that is, the extent to which she is rational and understandable. In particular, interpolated questions increase transparency of the focal character when there is minimal narratorial guidance, but decrease transparency when the narrator adopts a relatively distanced stance towards that character. These results demonstrate that perspective taking depends on the details of a reader's processing over the course of the story.

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)0,017
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,088

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,017
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,004
Études des sciences et des technologies0,0050,057
Communication savante0,0140,022
Science ouverte0,0030,009
Intégrité de la recherche0,0060,009
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,110
Tête enseignante GPT0,446
Écart entre enseignants0,336 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of General PsychologyMême sujetMedia Influence and HealthTravaux en français237 207