Quantifying Sensorimotor Experience: Body-Object Interaction Ratings for More Than 9,000 English Words
Notice bibliographique
Résumé
Ratings of body object interaction (BOI) measure the ease with which the human body can interact with a word’s referent. Researchers have studied the effects of BOI in order to investigate the relationships between sensorimotor and cognitive processes. Such efforts could be improved, however, by the availability of more extensive BOI norms. In the present work, we collected BOI ratings for over 9,000 words. These new norms show good reliability and validity, and have extensive overlap with the words used in other lexical and semantic norms, and in available behavioral megastudies (e.g., the English Lexicon Project, Balota et al., 2007; the Calgary Semantic Decision Project, Pexman, Heard, Lloyd, & Yap, 2017). In analyses using the new BOI norms we found that high BOI words tended to be more concrete, more graspable, and more strongly associated with sensory, haptic, and visual experience than low BOI words. When we used the new norms to predict response latencies and accuracy data from behavioral megastudies we found that BOI was a stronger predictor of responses in the semantic decision task than in the lexical decision task. These findings are consistent with a dynamic, multi-dimensional account of lexical semantics. The norms described here should be useful for future research examining effects of sensorimotor experience on performance in tasks involving word stimuli.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».