MétaCan
Menu
Retour à la cohorte
Enregistrement W3198792684 · doi:10.1007/s00426-021-01592-5

The role of expertise in the aesthetic evaluation of mathematical equations

2021· article· en· W3198792684 sur OpenAlex
Gregor U. Hayn‐Leichsenring, Oshin Vartanian, Anjan Chatterjee

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevuePsychological Research · 2021
Typearticle
Langueen
DomaineNeuroscience
ThématiqueAesthetic Perception and Analysis
Établissements canadiensUniversity of Toronto
Organismes subventionnairesDeutsche ForschungsgemeinschaftFriedrich-Schiller-Universität Jena
Mots-clésVariance (accounting)Domain (mathematical analysis)Meaning (existential)MathematicsPsychologySemantics (computer science)Mathematics educationComputer scienceCognitive psychologyMathematical analysis

Résumé

récupéré en direct d'OpenAlex

There is a notion that mathematical equations can be considered aesthetic objects. However, whereas some aesthetic experiences are triggered primarily by the sensory properties of objects, for mathematical equations aesthetic judgments extend beyond their sensory qualities and are also informed by semantics and knowledge. Therefore, to the extent that expertise in mathematics represents the accumulation of domain knowledge, it should influence aesthetic judgments of equations. In a between-groups study design involving university students who majored in mathematics (i.e., experts) or not (i.e., laypeople), we found support for the hypothesis that mathematics majors exhibit more agreement in their aesthetic judgments of equations-reflecting a greater degree of shared variance driven by formal training in the domain. Furthermore, their judgments were driven more strongly by familiarity and meaning than was the case for laypeople. These results suggest that expertise via advanced training in mathematics alters (and sharpens) aesthetic judgments of mathematical equations.

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.

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)0,006
score de la tête « metaresearch » (Gemma)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,632
Score d'incertitude au seuil0,970

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,469
Tête enseignante GPT0,551
Écart entre enseignants0,082 · 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