Training can enhance unconscious response priming on fast trials even when measuring consciousness on a trial-by-trial basis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Measuring awareness on a trial-by-trial basis might impose a multi-task cost on the observed effect. Here, we examined this potential cost, asking if it can be mitigated by training. In two experiments, one group of participants reported awareness offline, in a post-test, and another reported it online, in each trial. To test the effect of training, all participants completed two sessions on separate days. When analyzing all trials, we found overall slower reaction times (RTs) in the online group, suggesting a multi-task cost, but no interaction with the priming effect. Notably, this difference was smaller in the second session, implying that the multi-task cost is reduced by training. Critically however, this analysis yielded no convincing evidence for unconscious priming (due to potential threat of regression to the mean). We accordingly analyzed only trials where RTs were fast. Convincing response priming was found, as well as an interaction between priming and session. This suggests that training did increase priming. We also exploratorily tested for individual differences in priming and found between-session consistency mostly for the offline condition. Taken together, our results indicate that although multi-tasking adds noise and prolongs RTs, it does not necessarily diminish unconscious response priming for fast trials, which in turn can be enhanced by training. Costs and benefits of these methodological choices should thus be considered in future studies, as well as targeting only fast responses, where the effects were more compelling. Future work should also test if these patterns apply to other types of priming.
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.
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 | 0,008 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle