Hindsight bias for emotional faces.
Notice bibliographique
Résumé
People who learn the outcome to a situation or problem tend to overestimate what was known in the past-this is hindsight bias. Whereas previous research has revealed robust hindsight bias in the visual domain, little is known about how outcome information affects our memory of others' emotional expressions. The goal of the current work was to test whether participants exhibited hindsight bias for emotional faces and whether this varied as a function of emotion. Across five experiments, participants saw images of faces displaying different emotions. In the foresight phase, participants watched several emotional faces gradually clarify from blurry to clear. Once participants believed they knew what emotion the face was exhibiting, they identified the emotion from several options (e.g., angry, disgusted, happy, scared, surprised). In the hindsight phase, participants saw clear versions of each face before stopping the clarification at the point at which they previously identified the emotional expression. On average, participants exhibited hindsight bias for all emotions except happy faces (i.e., they indicated that they identified the emotional expressions at a blurrier point in hindsight than they had in foresight). A multinomial processing tree model of our data revealed that this was not due to participants' better recollection of foresight judgments for happy faces compared to the other emotions. Additionally, participants showed a smaller reconstruction bias for happy faces than the other emotions. We discuss the social implications of these findings as well as the potential for this paradigm to be used across cultures and ages. (PsycInfo Database Record (c) 2023 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) | 0,016 | 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 ».