Genova Emotion Recognition Test rövid változatának (GERT-S) magyarországi validálása
Bibliographic record
Abstract
A tanulmány egy új multimodális érzelem felismerő skála, a Geneve Emotion Recognition Test rövid változatának (GERT-S) validitásvizsgálatát mutatja be. A teszt több nonverbális csatornán keresztül, a verbális tartalmakat kiiktatva, 14 érzelmet megjelenítve működik. A hosszabb változatát, a GERT-t, 598 fős magyar mintán próbálták ki, ahol a francia ajkú és német ajkú svájci mintához képest rosszabb eredmény született. Különösen a szorongás és a félelem felismerése ment nagyon nehezen a magyar válaszadóknak. Jelen vizsgálat a rövid változatot 379 fős mintán, négy másik teszttel hasonlítja össze, az Ekman 60 Arcteszttel, a Szemekből Olvasás Teszttel (SZOT), a Bar-On Érzelmi Intelligencia Teszttel, és a Toronto Alexitímia Skálával (TAS-20). A SZOT teszttel közepesen erős, az Ekman 60 Arcteszttel gyenge, de biztos együttjárást tapasztaltunk. A TAS-20 összértékkel és az Érzelmek kifejezése alskálával gyenge negatív kapcsolatot fedeztünk fel, a Bar-On Érzelmi Intelligencia teszttel pedig semmilyen szignifikáns kapcsolatot nem találtunk.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 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) | 0.015 | 0.004 |
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".