The Impact of Leading Questions on Memory Recall and Estimation
Notice bibliographique
Résumé
Leading questions are known to bias memory and judgment, yet less is known about their effect on adolescents’ numerical estimations after brief exposure to a stimulus. This study tested whether the intensity of suggestive wording shifts high-school students’ recall-based estimates. Fifty-three students (ages 16–18) were assigned by intact class to one of three independent conditions: neutral (control), slightly leading (“Is there more or less than 20,000 grains of rice?”), or heavily leading (“Previous groups estimated 20,000; is that a fair estimate?”). After viewing a transparent jar (~44,000 grains) for 5 seconds and a 120-second interval, participants submitted a single numerical estimate via Google Forms. A one-way ANOVA showed a significant effect of question intensity on estimates (p = 0.004119). Relative to the neutral condition, both leading conditions shifted estimates toward the 20,000 anchor, with greater dispersion under slight leading and a narrower clustering under heavy leading. Results replicate and extend classic leading-question effects to quantitative estimation in adolescents, highlighting anchoring as a likely mechanism. Findings underscore the need for neutral phrasing when soliciting student reports or eyewitness-style recollections in school and youth-serving contexts. All procedures were conducted in accordance with school ethics guidelines, including informed consent and debriefing.
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 | 0,001 | 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 | 0,001 | 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 ».