MétaCan
Menu
Retour à la cohorte
Enregistrement W4233958107 · doi:10.31234/osf.io/5yw6z

Implanting False Autobiographical Memories for Repeated Events

2020· preprint· en· W4233958107 sur OpenAlexaff
Bruna Calado, Timothy J. Luke, Deb Connolly, Sara Landström, Henry Otgaar

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineNeuroscience
ThématiqueMemory Processes and Influences
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésRepeated measures designAutobiographical memoryPsychologyFalse memoryEvent (particle physics)NarrativeCognitive psychologyAudiologyRecallMedicineStatisticsMathematicsLinguistics

Résumé

récupéré en direct d'OpenAlex

Research to date has exclusively focused on the implantation of false memories for single events. The current experiment is the first proof of concept that false memories can be implanted for repeated autobiographical experiences using an adapted false memory implantation paradigm. We predicted that false memory implantation approaches for repeated events would generate fewer false memories compared to the classic implantation method for single events. We assigned students to one of three implantation conditions in our study: Standard, Repeated, and Gradual. Participants underwent three interview sessions with a 1-week interval between sessions. In the Standard condition, we exposed participants to a single-event implantation method in all three interviews. In the Repeated condition, participants underwent a repeated-event implantation method in the three interviews. The Gradual condition also consisted of a repeated-event implantation method, however, in the first interview alone, we suggested to participants that they had experienced the false narrative once. Surprisingly, within our sample, false memories rates in the Standard condition were not higher compared to the Repeated and Gradual conditions. Although sometimes debated, our results imply that false memories for repeated events can be implanted in lab conditions, likely with the same ease as false memories for single events.

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)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
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 ouverte0,0010,001
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 Opus0,091
Tête enseignante GPT0,333
Écart entre enseignants0,241 · 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.

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

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMemory Processes and InfluencesTravaux en français237 207