Why doesn’t emotional valence affect subitising and counting in simple enumeration?
Notice bibliographique
Résumé
Accurate visual-spatial enumeration involves either the subitising process (for 1–4 items) or the counting process (for larger numbers of items). Although these processes differ, both are thought to involve attentional selection. Many studies show that emotional valence, the negativity or positivity of a stimulus, influences attention and yet Watson and Blagrove found valence had no effect on simple enumeration (enumeration without distractors). To shed light on this surprising finding, we had participants enumerate 1 to 9 dots after viewing emotional scenes, using images from the International Affective Picture System ( IAPS) to manipulate valence and arousal. To ensure valence and arousal categorisations were valid for each participant, we individualised them based on their own ratings. Results indicated that both valence and arousal affected enumeration latencies, with enumeration fastest after positive high arousal images and slowest after negative low arousal images. Disengagement deficits were apparent from slowed enumeration after negative images, but there was no evidence that valence affected the breadth of the attentional focus (no interactions with display area). Despite hints that valence may affect subitising and counting differently (weak trends to a cross-over interaction in RT slopes), no firm conclusions can be made because differences were small (<20 ms/item).
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 | 0,000 | 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) | 0,001 | 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 ».