Exploring Genre-Specific Thought Patterns Through Real-Time Experience Sampling of Movie Clips
Notice bibliographique
Résumé
Understanding cognition during media consumption is crucial to understanding how individuals process complex stimuli in everyday life. This study employed multi-dimensional Experience Sampling (mDES) to capture real-time thoughts as participants viewed 2-3 minute movie clips across various genres. By utilizing movie clips, this study bridges real-world scenarios with the control of a laboratory setting; revealing how different movie genres uniquely shape thought patterns. I conducted Principal Component Analysis to identify the underlying structure of participants' thoughts. The analysis revealed four distinct thought components, named based on their loading structure: (1) Narrative Comprehension, (2) Episodic Knowledge, (3) Intrusive Distraction, and (4) Sensory Engagement, replicating components found in earlier mDES movie-watching studies (Konu et al., 2021; Wallace et al., 2024). To examine how subjects’ thoughts differed based on the genre of the movie clip, I conducted a series of linear mixed models comparing component scores for each component across genres. The analysis indicated certain thought patterns differed by genre. In Intrusive Distraction, Comedy clips scored significantly lower than Drama clips (p <.001), Romantic Comedy clips (p = .007), and clips of an unspecified genre (other) (p = .010). In Episodic Knowledge, Thriller clips scored significantly lower than Action clips (p = .002), Comedy clips (p <.001), Drama clips (p <.001), Family clips (p <.001), and Romantic Comedy clips (p <.001). Altogether, this study replicates the component structure found in earlier movie watching mDES studies, showing consistency across samples. Additionally, this study makes a significant contribution to the field of ongoing thought research by being the first to empirically establish that individuals’ internal experiences systematically differ based on movie genre. These findings suggest researchers should consider genre-specific influences when designing future movie-based tasks in psychology and neuroimaging studies. However, the small sample size (N=15) warrants caution; larger studies are needed for improved reliability and validity.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».