Social Judgments of Digitally Manipulated Stuttered Speech: An Evaluation of Self-disclosure on Cognition
Notice bibliographique
Résumé
Purpose: People who stutter (PWS) make up a small portion of the population but are susceptible to discrimination because of negative judgments made by people who do not stutter (PWNS) (Byrd, McGill, Gkalitsiou, & Cappellini, 2017; Johnson, 2008; Li, Arnold, & Beste-Guldborg, 2016). The current study sought to delve deeper into underlying cognitive processes associated with decision-making during a categorization task to further understand how PWNS respond to disfluent speech. Method: A computer mouse tracking paradigm was used to evaluate categorical judgements (intelligent vs. unintelligent) about PWS. Computer mouse trajectories have been shown to reveal underlying cognitive pull associated with competing category competition, which was used as a proxy for implicit bias (i.e., non-conscious stereotypes; Blair, 2002; Rudman, 2004) (McKinstry, Dale, & Spivey, 2008). Participants were asked to make an explicit categorization of the speaker as either intelligent or unintelligent before listening to the speaker self-disclose. Upon listening to self-disclosure, implicit bias was measured through analysis of mouse cursor trajectories. Results: Results indicated that participants had a higher proportion of intelligent responses in the Disclosure condition, showing that that participants began to update prior expectations about disfluent speech after listening to a PWS self-disclose, however, results also indicated that implicit bias was less evident in the Disclosure condition. Conclusions: These findings were interesting because not only do they add to the literature about social categorization of PWS, but the results also fill gaps by providing insight regarding how PWNSs’ cognitive systems are impacted after learning new information about disfluent speech.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».