Understanding autobiographical memory content using computational text analysis
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.
Notice bibliographique
Résumé
Although research on autobiographical memory (AM) continues to grow, there remain few methods to analyze AM content. Past approaches are typically manual, and prohibitively time- and labour-intensive. These methodological limitations are concerning because content may provide insights into the nature and functions of AM. In particular, analyzing content in recurrent involuntary autobiographical memories (IAMs; those that spring to mind unintentionally and repetitively) could resolve controversies about whether these memories typically involve mundane or distressing events. Here, we present computational methods that can analyze content in thousands of participants' AMs, without needing to hand-code each memory. A sample of 6,187 undergraduates completed surveys about recurrent IAMs, resulting in 3,624 text descriptions. Using frequency analyses, we identified common (e.g., "time", "friend") and distinctive words in recurrent IAMs (e.g., "argument" as distinctive to negative recurrent IAMs). Using structural topic modelling, we identified coherent topics (e.g., "Negative past relationships", "Conversations", "Experiences with family members") within recurrent IAMs and found that topic use significantly differed depending on the valence of these memories. Computational methods allowed us to analyze large quantities of AM content with enhanced granularity and reproducibility. We present the means to enable future research on AM content at an unprecedented scope and scale.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,011 | 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 découle