Detecting Mood Variability at Zero-Acquaintance
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
People make surprisingly accurate judgments about others based on minimal information. At zero-acquaintance, people are able to detect perceptually ambiguous information about others including their personality traits, general affect, and even the presence of a mental disorder (Daros, Ruocco, & Rule, 2016). This study examines whether people are able to detect how much someone’s mood varies from facial appearance. High-affect variability is associated with poorer psychological health along with poorer physical health (Jenkins, Hunter, Richardson, Conner, & Ressman, 2019; Hardy & Segerstrom, 2017). Given that high variability is associated with negative interpersonal consequences, it may be important to detect these qualities at first glance In Study 1, target participants (N = 200) will have their photograph taken, answer questions about their typical mood, and complete 5 daily diary surveys capturing how much their mood varies across time. In Study 2, perceiver participants (N = 80) will view targets’ facial photographs and indicate the extent to which they think targets’ mood fluctuates. It is predicted that perceivers will be able to accurately detect mood variability at zero-acquaintance. Future research can investigate the cues people use when making such judgments, and how this might influence future social decisions about who to befriend, date, or hire. Faculty Mentor: Miranda Giacomin Department: Psychology (Honours)
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,007 |
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