In the picture-word interference paradigm, participants name pictures while ignoring a written or spoken distractor word. Naming times to the pictures are slowed down by the presence of the distractor word. Various properties of the distractor modulate this slow down, for example naming times are shorter with frequent vs. infrequent distractors. Building on this line of research, the present study investigates in more detail the impact of distractor and target word properties on picture naming times. We report the results of several Bayesian meta-analyses, based on 35 datasets. The aim of the first analysis was to obtain an estimation of the size of the distractor frequency effect, and of its precision, in typical picture-word interference experiments where this variable is not manipulated. The analysis shows that a one-unit increase in log frequency results in response times to the pictures decreasing by about 4ms (95% Credible Interval: [-6, -2]). With the second and third analyses, we show that after accounting for the effect of frequency, two variables known to influence processing times in visual word processing tasks also influence picture naming times: distractor length and orthographic neighborhood. Finally, we found that distractor word frequency and target word frequency interact; the effect of distractor frequency decreases as the frequency of the target word increases. We discuss the theoretical and methodological implications of these findings, as well as the importance of obtaining high-precision estimates of experimental effects.


翻译:在图片词干扰范式中, 参与者在忽略书面或口头偏移词的同时点出图片, 而忽略了书面或口头的偏移词。 图片的命名时间会因偏移词的存在而减慢。 分散器调制这种减慢速度的各种特性, 例如, 与经常的偏移器相比, 命名时间会缩短。 以这一研究线为基础, 本研究报告更详细地调查分散器和目标字属性对图片命名时间的影响。 我们根据35个数据集报告了几个巴耶斯元分析的结果。 第一次分析的目的是在不操纵此变量的典型图片词干扰实验中, 估计分散频率效应及其精确度的大小。 分析显示, 一单位的频率增加导致图片减少大约4米( 95% Cribable Interval: [ 6, - 2 ) 。 我们通过第二和第三次分析, 显示在计算频率影响后, 两个已知的变量, 在视觉文字处理任务中, 也会影响命名时间: 转移频率的长度和偏移频率或偏移频率的频率, 分析结果会增加。 最后, 我们发现, 我们发现这些频率的频率的频率影响, 的频率影响, 我们作为感变频的频率影响, 的频率影响, 作为感变的频率的频率, 的频率的频率的频率, 分析结果的频率的频率的频率的频率的频率的频率会增加。</s>

0
下载
关闭预览

相关内容

专知会员服务
42+阅读 · 2020年12月18日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】MXNet深度情感分析实战
机器学习研究会
16+阅读 · 2017年10月4日
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
23+阅读 · 2018年10月1日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】MXNet深度情感分析实战
机器学习研究会
16+阅读 · 2017年10月4日
相关基金
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员