Things that go grunt in the flight: Auditory-visual SR compatibility affects the perception of tennis shots
Notice bibliographique
Résumé
Background: Sinnett and Kingstone (2010) found that when novices were asked to predict the terminal location of tennis shots, they made more errors when the shot was accompanied by an auditory stimulus (suggesting that grunting tennis players may have a competitive advantage). However, beneficial predictive cues might be available in situations where the auditory and visual stimuli are compatible (e.g. loud noise paired with a hard shot and vice versa). Conversely, performance would be hindered in incompatible situations (e.g., loud noise/soft shot). The purpose of this study is to investigate whether the amplitude (volume) of an auditory stimulus differentially affects the predictability of a tennis shot. Method: 13 participants viewed 480 clips of a player hitting a tennis ball to one of four locations on the court. Each clip was accompanied with a loud (74db), quiet (62db), or no sound stimulus occurring simultaneously with ball contact. Participants were asked to predict the terminal location of the viewed shot (left/right; short/deep) by pushing a number key corresponding to the area of the court to which the ball was being hit. Results: Consistent with our hypotheses, a significant interaction, F (2,24) = 6.149, p<.05, between auditory stimulus and terminal location was revealed for predictive accuracy. Participants were significantly less accurate in predicting the location of the shot when it was incompatible with the auditory stimulus with which it was paired (e.g. short shots paired with “loud” sounds/deep shots with “quiet” sounds). Results are discussed in the context of cross modal S-R compatibility.Acknowledgments: NSERC Dundas Tennis Club
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 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».