Chinese college students' ability to recognize facial expressions based on their meaning‐in‐life profiles: An eye‐tracking study
Notice bibliographique
Résumé
OBJECTIVE: People can be categorized into one of four meaning-in-life profiles: High Presence High Search (HPHS), High Presence Low Search (HPLS), Low Presence High Search (LPHS), and Low Presence Low Search (LPLS).The main goal of this study is to provide a theoretical explanation for why Chinese people with different meaning-in-life profiles have different mental health levels than Western people, based on their emotional-cognitive-processing ability. METHOD: We adopted eye-movement analysis and recognition-judgment experimental paradigm concerning absolute-recognition judgment and relative-recognition judgment in our study. Moreover, we applied a multifactor and multilevel mixed-experimental design. We selected 118 participants for the experiments from the 788 Chinese college students who responded. RESULTS: Our results showed that HPHS individuals preferred positive-emotion pictures, LPLS individuals preferred negative-emotion pictures, HPLS individuals preferred positive- and neutral-emotion pictures, and LPHS individuals preferred neutral-emotion pictures. Moreover, HPHS individuals were better at accurately processing facial expression from pictures, while LPLS individuals lacked such ability. The fine-processing ability of HPLS and LPHS individuals was lower than that of HPHS yet higher than that of LPLS individuals. Moreover, the features of HPLS individuals were closer to HPHS, while those of LPHS individuals were closer to LPLS. CONCLUSIONS: Our findings support the hypothesis that meaning-in-life profiles have different immediate processing abilities and preferences regarding facial expression recognition and different emotional-cognitive-processing ability.
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 | 0,004 |
| 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 | 0,000 | 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) | 0,001 | 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 ».