Proactive control in the Stroop task: A conflict-frequency manipulation free of item-specific, contingency-learning, and color-word correlation confounds.
Notice bibliographique
Résumé
In the Stroop task, congruency effects (i.e., the color-naming latency difference between incongruent stimuli, e.g., the word BLUE written in the color red, and congruent stimuli, e.g., RED in red) are smaller in a list in which incongruent trials are frequent than in a list in which incongruent trials are infrequent. The traditional explanation for this pattern is that a conflict-monitoring mechanism adjusts attention to task-relevant versus task-irrelevant information in a proactive fashion based on list-wide conflict frequency. More recently, however, multiple alternative explanations have been advanced that could explain the pattern without invoking this form of proactive control: Individuals might only adapt to conflict frequency specific to individual items (as opposed to list-wide conflict frequency), they could learn word-color contingencies (e.g., how often a particular word and color are paired), or they could adapt attention based on whether the words are informative of the color (even if many word-color pairings are incongruent) in the list as a whole. To examine this issue, we designed a new paradigm that should eliminate any impact of these alternative mechanisms. In that paradigm, the proportion of neutral (e.g., XXX in red) and incongruent stimuli was manipulated across lists. Paralleling the results in the original paradigm, there was a smaller latency difference between incongruent and neutral stimuli in a list in which incongruent trials were frequent than in a list in which incongruent trials were infrequent, suggesting that proactive control in response to list-wide conflict frequency is a process humans can and do use. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».