A Novel Network Approach to Capture Cognition and Affect: COVID-19 Experiences in Canada and Germany
Notice bibliographique
Résumé
We tested a novel method for studying human experience (thoughts and affect). We utilized Cognitive-Affective Maps (CAMs)–an approach to visually represent thoughts and their affective connotations as networks of concepts that individuals associate with a given event. Using an innovative software tool, we recruited a comparative sample of (n = 93) Canadians and (n = 100) Germans to draw a CAM of their experience (events, thoughts, feelings) with the Covid-19 pandemic. We treated these CAM networks as a series of directed graphs and examined the extent to which their structural properties (latent and emotional) are predictive for the perceived coronavirus threat (PCT). Across multiple models, we found consistent and significant relationships between these network variables and the PCT in both the Canadian and German sample. Our results provide unique insights into individuals' thinking and perceptions of the viral outbreak. Our results also demonstrate that a network analysis of CAMs' properties is a promising method to study the relationship between human thought and affective connotation. We suggest that CAMs can bridge several gaps between qualitative and quantitative methods. Unlike when using quantitative tools (e.g., questionnaires), participants' answers are not restricted by response items as participants are free to incorporate any thoughts and feelings on the given topic. Furthermore, as compared to traditional qualitative measures, such as structured interviews, the CAM technique may better enable researchers to objectively assess and integrate the substance of a shared experience for large samples of participants.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».