Target–distractor correlation does not imply causation of the Stroop effect
Notice bibliographique
Résumé
In the Stroop task, the identities of the targets (e.g., colours) and distractors (e.g., words) used are often correlated. For example, in a list in which 4 words and 4 colours are combined to form 16 stimuli, each of the 4 congruent stimuli is typically repeated 3 times as often as each of the 12 incongruent stimuli. Some accounts of the Stroop effect suggest that in this type of list, often considered as a baseline because of the matching proportion of congruent and incongruent stimuli (50%), the word dimension actually receives more attention than it does in an uncorrelated list in which words and colours are randomly paired. This increased attention would be an important determinant of the Stroop effect in correlated situations, an idea supported by the observation that higher target-distractor correlation lists are associated with larger Stroop effects. However, because target-distractor correlation tends to be confounded with congruency proportion in common designs, the latter may be the crucial factor, consistent with accounts that propose that attention is adapted to the list's congruency proportion. In four experiments, we examined the idea that target-distractor correlation plays a major role in colour-word Stroop experiments by contrasting an uncorrelated list with a correlated list matched on relevant variables (e.g., congruency proportion). Both null hypothesis significance testing and Bayesian analyses suggested equivalent Stroop effects in the two lists, challenging accounts based on the idea that target-distractor correlations affect how attention is allocated in the colour-word Stroop task.
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) | 0,000 | 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 ».