You see first what you like most: Visually prioritizing positive over negative semantic stimuli
Notice bibliographique
Résumé
In our complex world, we often encounter situations with multiple objects almost simultaneously entering our visual fields. Identifying the temporal order of these stimuli is thus crucial for scene and event segmentation, and guiding task prioritization. Attending to a stimulus has been found to make it perceived earlier than others, with various attention-modulating factors contributing to this advantage (e.g., reward, ownership, perceived spatial depth). However, the impact of affective valences (positivity or negativity), a significant subjective factor influencing attention selection and processing speed, on temporal order perception remains unexplored. To investigate this issue, we used a cueless Temporal Order Judgement (TOJ) task in three experiments. Observers always saw two Chinese characters on the left and right sides of a central fixation, and there was a variable onset delay between the two characters, ranging between 0 ms and 100 ms (in 20 ms intervals). The observers were instructed to indicate which of the two stimuli appeared first. Different pairs of stimuli valences were used in each experiment: positive and negative (Experiment 1), positive and neutral (Experiment 2), and negative and neutral (Experiment 3). The results of the first and second experiments indicated that people reliably perceived positive stimuli earlier than negative stimuli but not neutral stimuli; the third experiment showed that neutral stimuli were perceived earlier when presented with another negative one. Our findings revealed a general temporal prioritization towards semantically positive stimuli modulated by the strength of affective contrasts.
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 | 0,000 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».