Emotion Categorization Across Modalities: Representational Similarity and Clustering Patterns from Visual, Auditory, and Audiovisual Stimuli
Notice bibliographique
Résumé
Emotion recognition is a fundamental aspect of social communication, yet most research has focused on visual emotion expressions, leaving less understood how auditory and audiovisual cues shape perceptual organization. The present study used representational similarity analysis (RSA) to examine how the structure of emotion recognition differs across modalities. Participants completed an emotion recognition task involving 14 emotions presented in auditory, visual, and audiovisual formats. Confusion matrices were computed for each modality and converted into representational dissimilarity matrices (RDMs). Hierarchical clustering was applied to RDMs using silhouette-based cutoffs to identify emotion clusters. Multidimensional scaling (MDS) was also conducted on confusion profiles to provide two-dimensional visualizations of emotion space. Results revealed that audiovisual recognition produced the highest degree of distinctness, with most emotions forming singleton clusters and only a few small groupings. Visual recognition showed more cohesive clusters organized largely by valence. In contrast, auditory recognition yielded the broadest multi-emotion groupings, where vocal cues blurred categorical boundaries and produced clusters that combined positive and negative states. Together, these findings demonstrate that the perceptual organization of emotion recognition varies by modality. Audiovisual cues enhanced distinctiveness, visual cues reinforced valence-based structure, and auditory cues fostered broader clusters across valence boundaries. By integrating RSA and MDS, this study highlights the importance of moving beyond accuracy to examine the representational structure of emotion perception across sensory modalities.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».