Recognition of vocal socioemotional expressions at varying levels of emotional intensity.
Notice bibliographique
Résumé
Nonverbal expressions of emotion can vary in intensity, from ambiguous to prototypical exemplars: for instance, facial displays of happiness may range from a faint smile to a full-blown grin. Previous work suggests that the accuracy with which facial expressions are recognized as the intended emotion increases with emotional intensity, although this pattern depends on the displayed emotion. Less is known about the association between emotional intensity and the recognition of vocal emotional expressions (affective prosody), which also convey information about others' socioemotional intent but are perceived and interpreted differently than facial expressions. The current study examined listeners' ability to recognize emotional intent in morphed vocal prosody recordings that varied in emotional intensity from neutral to prototypical exemplars of basic emotions (anger, disgust, fear, happiness, sadness) and social expressions (friendliness, meanness). Results suggest that listeners' accuracy in identifying the intended emotional intent in each recording increased nonlinearly with emotional intensity. This pattern varied by emotion type: for instance, accuracy for anger rose steeply with increasing emotional intensity before plateauing, whereas accuracy for happiness remained unchanged across low-intensity exemplars but increased thereafter. These findings highlight emotion-specific ways in which dynamic changes in emotional intensity inform perceptions of socioemotional intent in emotional prosody. Moreover, these results also point to potential challenges in emotional communication in social interactions that rely primarily on the voice, with many low-intensity expressions having a higher probability of being misinterpreted. (PsycInfo Database Record (c) 2021 APA, all rights reserved).
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 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 tête enseignante, 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 ».