Effet du choix d’agents virtuels d’apparences diverses sur la perception d’états affectifs
Bibliographic record
Abstract
L’utilisation d’agents virtuels (AVs) pourrait être un moyen de représenter la diversité dans les technologies en santé mentale. Cependant, la perception de l’utilisateur envers les états affectifs des AVs reste méconnue. Cette étude visait à déterminer si le choix d’un regroupement d’AVs d’apparences diverses module l’évaluation des états affectifs d’autrui et si le sentiment d’appartenance perçu entre les participants et les AVs explique cette relation. 44 participants répartis aléatoirement en deux groupes devaient soit : 1) choisir un regroupement d’AVs ou ; 2) se faire imposer au hasard un regroupement d’AVs avec lesquels ils effectueraient la tâche d’évaluation d’états affectifs. Une adaptation du questionnaire Overlap of Self, Ingroup and Outgroup scale (OSIO) a été complété afin de mesurer le sentiment d’appartenance envers les AVs. Des tests-t comparant les groupes sur la reconnaissance émotionnelle, l’évaluation du désagrément global et le sentiment d’appartenance se sont révélés non significatifs. Une analyse de médiation qui évaluait la contribution du sentiment d’appartenance sur la relation entre le choix d’un regroupement d’AVs et le désagrément global perçu s’est également révélée non significative. Le choix d’un regroupement d’AVs n’influence donc pas l’évaluation émotionnelle. La promotion de la diversité en santé mentale pourrait ainsi passer par l’exposition à des AVs d’apparences variées.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".