MétaCan
Menu
Retour à la cohorte
Enregistrement W3185711006 · doi:10.1177/17470218211037117

Comparing individual and collective management of referential choices in dialogue

2021· article· en· W3185711006 sur OpenAlexafffund
Dominique Knutsen, Marion Fossard, Amélie M. Achim

Notice bibliographique

RevueQuarterly Journal of Experimental Psychology · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueSpeech and dialogue systems
Établissements canadiensUniversité Laval
Organismes subventionnairesFonds de Recherche du Québec - SantéSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen Forschung
Mots-clésReferentPronounPsychologyCharacter (mathematics)Noun phraseLinguisticsContext (archaeology)Contrast (vision)NounPhraseControl (management)Cognitive psychologyCommunicationSocial psychologyComputer scienceArtificial intelligenceMathematics

Résumé

récupéré en direct d'OpenAlex

Past research shows that when a discourse referent is mentioned repeatedly, it is usually introduced with a full noun phrase and maintained with a reduced form such as a pronoun. Is this also the case in dialogue, where the same referent may be introduced by one person and maintained by another person? An experiment was conducted in which participants either told entire stories to each other or told stories together, thus enabling us to contrast situations in which characters were introduced and maintained by the same person (control condition) and situations in which the introduction and the maintaining of each character were performed by different people (alternating condition). Story complexity was also manipulated through the introduction of one or two characters in each story. We found that participants were less likely to use reduced forms to maintain referents in the alternating condition. The use of reduced forms also depended on the context in which the referent was maintained (in particular, first or second mention of a character) and on story complexity. These results shed light on how the pressure to signal understanding to one's conversational partner affects referential choices throughout the interaction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,585
Score d'incertitude au seuil0,415

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,328
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueQuarterly Journal of Experimental PsychologyMême sujetSpeech and dialogue systemsTravaux en français237 207