Revisiting the Impact of Perception on Tasks of Emotionally-Enhanced Vividness
Notice bibliographique
Résumé
Previous research has identified that emotional scenes are reported as more vivid than neutral ones, a phenomenon referred to as emotionally-enhanced vividness (EEV). Explanations of EEV point to perceptual or attentional processes for this relationship but did not sufficiently rule out the possibility of a memory bias in reporting the results. To investigate the contribution of perception and memory to tasks examining EEV, we asked participants to view emotionally salient images of negative valence or neutral greyscale images, each with a different level of applied noise as stimuli. After a brief retention interval, the test image was shown onscreen alongside a slider. Participants responded by moving the slider to add noise to the test image until it matched the remembered presentation. In the first experiment, the stimulus and test image were the same. Contrary to previous research, participants in this experiment applied significantly more noise to emotional images compared to neutral images. To elucidate whether this was driven by impaired memory of the stimulus or better perception at test, the second experiment varied the test image independently from the stimulus image. In this experiment, participants rated only neutral stimulus images followed by emotional test images as significantly noisier than any other condition, suggesting that the emotional test image at response was perceived as more vivid than a neutral one. These findings suggest that EEV does occur at the level of perception but that these enhancements are not passed on to subsequent memory for the same scene.
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 | 0,001 |
| 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 ».