Duygu tanıma performanslarının empati ve aleksitimi düzeyleri ile duygudurum açısından incelenmesi: Deneysel bir çalışma
Bibliographic record
Abstract
Duygusal süreçler üzerine yürütülen çalışmalar insanların hissettikleri duygularla tutarlı duygusal uyaranlara karşı dikkat ve bellek yanlılığı gösterdiğini ortaya koymaktadır. Ancak duygudurum tutarlılık etkisinin, aleksitimi düzeyi yüksek bireylerde de sürdürülüp sürdürülmediği test edilmemiştir. Bu çalışmada, empati ve aleksitimi düzeyleri farklılaşan bireylerde yüz ifadesinden duygu tanıma üzerinde tutarlılık temelli bir yanlılığın olup olmadığının incelenmesi amaçlanmıştır. Çalışmanın ilk aşamasında, 18-55 yaş aralığındaki 247 katılımcı Demografik Bilgi Formu, Empati Ölçeği ve Yirmi Maddelik Toronto Aleksitimi Ölçeği’ni doldurmuştur. Çalışmanın deneysel kısmını oluşturan ikinci aşamasının dışlama kriterleri sonucundaki örneklemi, çalışmanın ilk aşamasına da katılan 18-30 yaş aralığındaki 141 katılımcıdan oluşmuştur. Nihai analizler 105 katılımcı üzerinden yürütülmüştür. İkinci aşamada katılımcılar öncelikle Yirmi Maddelik Toronto Aleksitimi Ölçeği ile ölçülen aleksitimi açısından “düşük” ve “yüksek” olmak üzere iki gruba ayrılmıştır. Ardından bu grupların her biri için Empati Ölçeğinden hareketle empatisi “düşük” ve “yüksek” gruplar elde edilmiştir. Oluşturulan bu dört gruptaki katılımcılar; üzüntü, mutluluk ve kontrol koşullarından birine seçkisiz olarak atanmış ve duygu sevki gerçekleştirilmiştir. Pozitif ve Negatif Duygu Ölçeği ile duygu sevkinin kontrolü gerçekleştirilmiştir. Son olarak farklı duygudurum koşulları altındaki katılımcılar, yüz ifadesinden duygu tanıma görevine alınmışlardır. Görevde katılımcılardan gösterilen yüzlerdeki duygusal ifadeleri saptamaları istenmiştir. Duyguların doğru saptanma oranları mutluluk, üzüntü ve diğer duygular için ayrıştırılmıştır. Yapılan analizler farklı duygu sevki altında yer alan ve/veya empati ve aleksitimi düzeyleri farklılaşan bireylerin duygu sevkiyle tutarlı uyarıcılara yönelik yanlılık göstermediklerini, yüz ifadesinden olumlu, olumsuz ve genel duygu tanıma performansları açısından farklılaşmadıklarını göstermiştir. Mevcut çalışmanın aleksitimi düzeyi yüksek bireylerle duygular üzerine yürütülen klinik araştırma ve uygulamalarda yol gösterici nitelik taşıyabileceği düşünülmektedir.
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 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 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".