More than words: can free reports adequately measure the richness of perception?
Notice bibliographique
Résumé
The question of the richness (or sparseness) of conscious experience has evoked ongoing debate and discussion. Claims for both richness and sparseness are supported by empirical data, yet they are often indirect, and alternative explanations have been put forward. Recently, it has been suggested that current experimental methods limit participants' responses, thereby preventing researchers from assessing the actual richness of perception. Instead, free verbal reports were presented as a possible way to overcome this limitation. As part of this approach, a novel paradigm of freely reported words was developed using a new metric, intersubjective agreement (IA), with experimental results interpreted as capturing aspects of conscious perception. Here, we challenge the validity of freely reported words as a tool for studying the richness of conscious experience. We base our claims on two studies (each composed of three experiments), where we manipulated the richness of percepts and tested whether IA changed accordingly. Five additional control experiments were conducted to validate the experimental logic and examine alternative explanations. Our results suggest otherwise, presenting four challenges to the free verbal report paradigm: first, impoverished stimuli did not evoke lower IA scores. Second, the IA score was correlated with word frequency in English. Third, the original positive relationship between IA scores and rated confidence was not found in any of the six experiments. Fourth, a high rate of nonexisting words was found, some of which described items that matched the gist of the scene but did not appear in the image. We conclude that a metric based on freely reported words might be better explained by vocabulary conventions and gist-based reports than by capturing the richness of perception.
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 | 0,031 | 0,264 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,004 | 0,011 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».