Dynamics of retrospective timing: A big data approach
Notice bibliographique
Résumé
Most interval timing research has focused on prospective timing tasks, in which participants are explicitly asked to pay attention to time as they are tested over multiple trials. Our current understanding of interval timing primarily relies on prospective timing. However, most real-life temporal judgments are made without knowing beforehand that the durations of events will need to be estimated (i.e., retrospective timing). The current study investigated the retrospective timing performance of ~24,500 participants with a wide range of intervals (5-90 min). Participants were asked to judge how long it took them to complete a set of questionnaires that were filled out at the participants' own pace. Participants overestimated and underestimated durations shorter and longer than 15 min, respectively. They were most accurate at estimating 15-min long events. The between-subject variability in duration estimates decreased exponentially as a function of time, reaching the lower asymptote after 30 min. Finally, a considerable proportion of participants exhibited whole number bias by rounding their duration estimates to the multiples of 5 min. Our results provide evidence for systematic biases in retrospective temporal judgments, and show that variability in retrospective timing is relatively higher for shorter durations (e.g., < 30 min). The primary findings gathered from our dataset were replicated based on the secondary analyses of another dataset (Blursday). The current study constitutes the most comprehensive study of retrospective timing regarding the range of durations and sample size tested.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».