The Effect of Conceptual Representations on Attentional Bias
Notice bibliographique
Résumé
Many cultures have long been instilled with positive and negative concepts, which are associated with spatial metaphors, for instance,“I am feeling down” implies that I feel upset. Recent research (Chasteen, Burdzy & Pratt, 2009; Meier & Robinson, 2005) has suggested that some concepts are strongly ingrained such that they influence how we attend to the environment. In particular, certain positive concepts such as ‘almighty’ and ‘happiness’ bias attention upward and to the right, respectively and negative words‘lucifer’ and ‘mournful’ to the downward and to the left, respectively. Using a larger variety of positive and negative concepts than in previous studies, the current study seeks to determine whether concepts derived from pictures as well as words will produce a shift in attention. We present participants with words or pictures depicting either positive (e.g., smiling baby) or negative concepts (e.g., drug addict). We expect that a target displayed at the top or right‐side of the screen will be detected more quickly for positive concepts and targets displayed at the bottom or left‐side of the screen will be faster for negative. However, whether the response times to targets in the valid conditions will be quicker for words than pictures is unknown. Words could be faster than pictures because previous research has demonstrated that pictures can access concepts in our minds directly, whereas words access indirectly. On the other hand, another theory suggests that both words and pictures access concepts directly; therefore, there may be no difference between pictures and words.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 source (Gemma direct ou Codex distillé), 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 ».