Smelling speech sounds: Association of odors with texture‐related ideophones
Notice bibliographique
Résumé
Abstract Odors are often difficult to describe verbally, and little is known about the association of odors with the words that describe them. Following the literature on crossmodal correspondences between odors and sounds/haptics, this study aimed to reveal how odors are associated with the words describing textures and haptics in the Japanese language. Fifty participants smelled 17 food‐related odors (e.g., lemon, pepper) and matched the odors with words related to texture (e.g., sakusaku), haptics (e.g., soft, dry), and emotion (e.g., positive). The experiment was conducted with and without the verbal description of odor names. The results demonstrated that each odor was mainly categorized into words related to the concepts of (a) juicy/cool/jiggly/positive, (b) smooth/moist/soft, or (c) hard/rough/dry, regardless of whether participants smelled the odors with or without the verbal description. Our findings reveal novel odor‐sound/haptic associations and demonstrate how odors can be described verbally. Practical applications People find it difficult to verbalize or communicate various odors. This study contributes to the literature on odor‐sound/haptic correspondences by showing that the odors are associated with texture‐related ideophones and haptic words. Specifically, the results demonstrated that each odor was mainly categorized into words related to the concepts of (a) juicy/cool/jiggly/positive, (b) smooth/moist/soft, or (c) hard/rough/dry. These findings are relevant to marketing communications involving odors and emphasize the potential importance of the texture‐related ideophones and haptic words when marketers want to effectively communicate odors with consumers.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».