MétaCan
Menu
Retour à la cohorte
Enregistrement W3045210735 · doi:10.25264/2519-2558-2020-9(77)-81-83

SEMANTIC PRIMING EFFECT ON SURVEY RESULTS

2020· article· en· W3045210735 sur OpenAlexaff
Olha Filonik, Svitlana Winters

Notice bibliographique

RevueNaukovì zapiski Nacìonalʹnogo unìversitetu «Ostrozʹka akademìâ» Serìâ «Fìlologìâ» · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueCommunication in Education and Healthcare
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésPriming (agriculture)RecallPsychologySocial psychologySurvey researchCognitive psychologyApplied psychology

Résumé

récupéré en direct d'OpenAlex

This article presents the findings of an experimental study focusing on the effect of semantic priming on survey respondents. The study involved manipulation of survey questions so that one version included priming triggers and the other one did not. The two versions of the survey were tested on two groups of Canadians (50 respondents each). The results confirmed the authors’ hypotheses, as they demonstrated that the inclusion of the priming triggers activated the relevant concepts in respondents’ minds and, as a result, they included concepts similar to those triggers in their responses to open-ended questions. To be precise, respondents who were exposed to priming triggers “one”, “first” and “three”, as well as “saving on food”, were significantly more likely to say they shop one or three times a week and to recall the grocery store “Save-On-Foods” in an unaided recall qustion. The findings in this study have theoretical and empirical significance and should be taken into consideration by all the researchers who design questionnaires in their research projects. Based on this research, one can conclude that a researcher who designs questionnaires should be cautions and make sure to sequence questions in a way that would minimize the priming effect on questions following priming triggers.

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)0,100
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,091

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,100
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,108
Tête enseignante GPT0,392
Écart entre enseignants0,283 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNaukovì zapiski Nacìonalʹnogo unìversitetu «Ostrozʹka akademìâ» Serìâ «Fìlologìâ»Même sujetCommunication in Education and HealthcareTravaux en français237 207