Informations

Comment la moyenne est-elle utilisée dans le calcul du potentiel de Bereitschafts ?

Comment la moyenne est-elle utilisée dans le calcul du potentiel de Bereitschafts ?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

J'ai une question sur la moyenne impliquée dans le potentiel Bereitschafts. Sur la page wiki, vous pouvez lire que, parce qu'il est si petit, le potentiel de Bereitschafts ne devient apparent qu'après avoir fait la moyenne.

Ma question : s'agit-il d'une moyenne sur différentes électrodes, mais en un seul essai ?

Ou s'agit-il d'une moyenne sur des électrodes ET sur des essais ?

Merci d'avance


En règle générale, les potentiels EEG sont principalement moyennés sur des essais, et non sur des électrodes. La moyenne sur les électrodes est souvent effectuée en plus de la moyenne d'essai, mais cela en soi ne rend pas les potentiels visibles sur la base d'un seul essai puisque le "bruit" éclipsant les potentiels est largement partagé par toutes les électrodes adjacentes.

Le potentiel de Bereitschaft est également moyenné sur des essais, d'autant plus qu'il est généralement spécifié pour être observé sur des électrodes spécifiques.

Comme vous le notez dans un commentaire, l'identification par essai unique des phénomènes EEG, tels que le potentiel de Bereitschaft (ou le P300), est tentée à l'aide de techniques d'apprentissage automatique. Cependant, ces travaux sont loin d'être fiables, et le travail original sur le potentiel de Bereitschafts a été effectué bien avant que ces puissantes techniques d'apprentissage automatique ne soient disponibles. Ainsi, dans le travail original de BP, la moyenne a été effectuée sur des essais (et souvent, sur des sujets également). Cela apparaît par exemple dans la section Méthodes du célèbre article de Libet de 1983 (p. 624) :

Pour les besoins actuels, l'analyse des PR est faite pour ceux enregistrés au sommet, où ils étaient tous maximaux… 40 essais ont été effectués et moyennés par un ordinateur de transitoires moyens

Les sommet = électrode Cz.


Contenu

Les oscillations neuronales sont générées à de nombreuses échelles spatiales et temporelles de l'organisation neuronale, et on pense qu'elles fournissent un mécanisme au niveau du réseau pour la coordination de l'activité de pointe répartie spatio-temporellement. Pour une compréhension adéquate des changements quantitatifs des signaux neurophysiologiques, tels que l'électroencéphalographie (EEG) ou la magnétoencéphalographie (MEG), en raison de la maladie, des manipulations expérimentales ou de la variabilité génétique, il est nécessaire d'appliquer plusieurs algorithmes de biomarqueurs.

L'objectif de la boîte à outils NBT est de faciliter la recherche de biomarqueurs à tous les niveaux. Qu'il s'agisse de disposer de données brutes, de les nettoyer, de calculer des biomarqueurs ou d'effectuer des statistiques avancées.

La boîte à outils NBT comprend des biomarqueurs, tels que :

La boîte à outils contient un modèle standard sur la manière dont les biomarqueurs doivent être mis en œuvre, ce qui facilite la mise en œuvre de nouveaux biomarqueurs. À l'origine, la boîte à outils était destinée aux biomarqueurs basés sur des signaux EEG ou MEG, mais récemment, la boîte à outils s'est déplacée vers la prise en charge de presque tous les types de données de biomarqueurs.

Les données de biomarqueurs et les méta-informations associées sont stockées dans une base de données basée sur Matlab, la base de données des éléments NBT.

La boîte à outils NBT fonctionne comme un plugin pour la boîte à outils open source Matlab EEGLAB


Reprendre

Les recherches sur le potentiel de préparation motrice (BP) use d'ordinaire des mouvements trés simples et brusques qui ne devraient aucun apprentissage et qui se modifient peu sur toute la durée de la session expérimentale. Cette étude recherche les modifications de dimension et de distribution corticale du BP au cours de l➬quisition d'une tâche motrice complexe. Douze sujets ont été explorés. Les électrodes placées aux points Fz, Cz, C3″ et C4″ ont été utilisés pour enregistrer l⟮G avec des amplificateurs à courant continu. Presser une série de 6 boutons dans un ordre particulier constituant la tâche motrice. Il a été demandé aux sujets de presser cette série toutes les 20 sec aussi rapidement que possible, mais sans erreur. Des effets significatifs de temps de réaction, d'électrodes, et de séquences, ainsi que les interactions électrodes—séquences ont été observées. Le BP augmente progressivement au niveau de toutes les électrodes au fur et à mesure que la performance s'améliore, c'est-à-dire lorsque le temps de réponse décroît. Après que la réponse ait atteint une asymptote, le BP enregistré à Fz, et à C4″ diminue, tandis qu'il reste relativement constant à Cz etc". Des analyses multivariées de covariance indiquent une relation constante entre l'amélioration des temps de réponse et les modifications du BP.

L'auteur a été soutenu par une bourse d'études supérieures du Conseil national de recherches du Canada pendant la réalisation de cette recherche.

Adresse actuelle : Département de psychologie, Université McGill, Montréal, Québec, Canada.


Moyenne du modèle bayésien : comment l'utiliser dans cet exemple ?

Soit $$ désignent deux modèles de prévision concurrents.

Avec la moyenne du modèle bayésien, nous pouvons obtenir

$1:T$ représente l'ensemble d'apprentissage et $h$ la prévision h-ahead d'un ensemble hors échantillon $N$

Mon problème est maintenant de calculer les probabilités de modèle a posteriori j-ième (PMP):

En supposant des poids antérieurs égaux, la fonction se réduit à

Mon problème est maintenant que je ne sais pas comment calculer $p(y_<1:T>|M_j)$.

J'ai les densités/histogrammes des données d'entraînement (données réalisées) ainsi que des deux modèles pour les données d'entraînement.

Est-ce suffisant pour calculer la vraisemblance marginale ci-dessus pour chaque modèle ? Existe-t-il des approximations utiles ?

Puis-je utiliser peut-être utiliser BIC pour les poids ?


Reprendre

Un procédé de test dɺnalyse discriminante pas-à-pas (SWDA) est présenté, qui sert à mesurer des potentiels liés à un événement (ERPs) sous forme de stimulus unique. Les fonctions discriminantes (DFs) sont construites à partir d'une donnée de base composée de ERPs après stimulus unique chez 16 sujets à qui ont été présentés des trains de sons forts et légers. Les sons forts déterminés de façon aléatoire 10 % des essais, la donnée aux données est soit de compter les stimuli rares et forts, soit de résoudre un puzzle de mots cachés. Différentes DF ont été obtenues à trois sièges d'électrodes (Fz, Cz et Pz) pour mesurer la possibilité de réalisation de discrimination par paires entre les diverses combinaisons d'événements qui sont définis par cette procédure. Pour la paire d'événements pour lesquels les différences de morphologie des ERP moyens sont les plus frappantes, il est possible de classer correctement en moyenne 84% des événements à l'aide d'informations venant d'un siège d'électrode et 89% des événements si l'information provenant de plusieurs électrodes est utilisée. Une DF « sujets indépendants du sujet » est développée pour ces données et appliquées aux données recueillies chez 7 nouveaux. Cette fonction "indépendante du sujet" s'avère suffisamment généralisée pour classer correctement 81% des séquences. La nature des erreurs de classification venant de cette procédure est discutée.

Cette recherche a été financée par l'Advanced Research Projects Agency du ministère de la Défense sous le contrat n° DAHC-15-73-C-0318 à E. Donchin géré par le Dr G. Lawrence de la Human Research Resources Branch à l'ARPA. Le contrat est contrôlé par la Defense Supply Agency. Une version préliminaire de cet article a été présentée devant la Society for Psychophysiological Research.

Nous remercions Connie Duncan-Johnson, Gregory McCarthy et Nancy Squires pour leurs commentaires utiles sur les versions précédentes de ce rapport.


Localisation des sources[modifier | modifier la source]

Le problème inverse[modifier | modifier la source]

Afin de déterminer l'emplacement de l'activité dans le cerveau, des techniques avancées de traitement du signal sont utilisées qui utilisent les champs magnétiques mesurés à l'extérieur de la tête pour estimer l'emplacement de la source de cette activité. C'est ce qu'on appelle le problème inverse. (Les problème avant ( c'est-à-dire qu'il existe une infinité de réponses « correctes » possibles), et le problème de trouver la meilleure solution fait lui-même l'objet de recherches intensives. Des solutions adéquates peuvent être dérivées à l'aide de modèles impliquant une connaissance préalable de l'activité cérébrale.

Les modèles sources peuvent être surdéterminés ou sous-déterminés. Un modèle surdéterminé peut être constitué de quelques sources ponctuelles, dont les emplacements sont ensuite estimés à partir des données. Les modèles sous-déterminés peuvent être utilisés dans les cas où de nombreuses zones distribuées différentes sont activées, il existe plusieurs distributions de courant possibles expliquant les résultats des mesures, mais la plus probable est sélectionnée. Certains chercheurs dans le domaine pensent que des modèles de source plus complexes augmentent la qualité d'une solution. Cependant, cela peut diminuer la robustesse de l'estimation et augmenter les effets des erreurs du modèle avancé. De nombreuses expériences utilisent des modèles simples, réduisant les sources d'erreur possibles et diminuant le temps de calcul pour trouver une solution. Les algorithmes de localisation utilisent les modèles de source et de tête donnés pour trouver un emplacement probable pour un générateur de champ focal sous-jacent. Une méthodologie alternative consiste à effectuer d'abord une analyse des composants indépendants afin de séparer les sources sans utiliser de modèle avancé, puis de localiser les sources séparées individuellement. Il a été démontré que cette méthode améliore le rapport signal/bruit des données en séparant correctement les sources de bruit non neuronales des sources neuronales, et s'est révélée prometteuse dans la ségrégation des sources neuronales focales.

Les algorithmes de localisation utilisant des modèles surdéterminés fonctionnent par raffinements successifs. Le système est initialisé avec une première estimation. Ensuite, une boucle est introduite, dans laquelle un modèle direct est utilisé pour générer le champ magnétique qui résulterait de l'estimation actuelle, et l'estimation est ensuite ajustée pour réduire la différence entre ce champ estimé et le champ mesuré. Ce processus est itéré jusqu'à la convergence.

Une autre approche consiste à ignorer le problème inverse mal posé et à estimer le courant à un emplacement fixe. Cette méthode utilise des techniques de formation de faisceau. L'une de ces approches est la technique de second ordre connue sous le nom de magnétométrie à ouverture synthétique (SAM), qui utilise une pondération linéaire des canaux du capteur pour focaliser le réseau sur un emplacement cible donné. Alors que SAM utilise le domaine temporel et un ajustement non linéaire du dipôle, d'autres approches utilisent la transformée de Fourier des signaux et un ajustement linéaire du dipôle. Les sources ainsi approchées peuvent être utilisées pour calculer pour estimer la synchronisation des grands réseaux cérébraux Ε].

Imagerie à source magnétique[modifier | modifier la source]

Les emplacements de source estimés peuvent être combinés avec des images d'imagerie par résonance magnétique (IRM) pour créer des images de source magnétique (MSI). Les deux ensembles de données sont combinés en mesurant l'emplacement d'un ensemble commun de points de repère marqués pendant l'IRM avec des marqueurs lipidiques et marqués pendant la MEG avec des bobines de fil électrifiées qui dégagent des champs magnétiques. Les emplacements des points de repère dans chaque ensemble de données sont ensuite utilisés pour définir un système de coordonnées commun de sorte que la superposition ("coregistering") des données MEG fonctionnelles sur les données structurelles de l'IRM est possible.

Une critique de l'utilisation de cette technique dans la pratique clinique est qu'elle produit des zones colorées avec des limites définies superposées à une IRM : le spectateur non formé peut ne pas se rendre compte que les couleurs ne représentent pas une certitude physiologique, en raison de la résolution spatiale relativement faible de MEG, mais plutôt un nuage de probabilités dérivé de processus statistiques. Cependant, lorsque l'image de la source magnétique corrobore d'autres données, elle peut être d'une utilité clinique.

Localisation de la source du modèle dipôle[modifier | modifier la source]

Une technique de modélisation de source largement acceptée pour le MEG consiste à calculer un ensemble de dipôles de courant équivalents (ECD), qui suppose que les sources neuronales sous-jacentes sont focales. Cette procédure d'ajustement de dipôle est non linéaire à surdéterminé car le nombre de paramètres de dipôle inconnus est inférieur au nombre de mesures MEG Ζ]. Des algorithmes automatisés de modèles de dipôles multiples tels que la classification de signaux multiples (classification de signaux multiples) et la modélisation MSST (multistart spatial et temporel) sont appliqués à l'analyse des réponses MEG. Les limites des modèles dipolaires pour caractériser les réponses neuronales présentent trois inconvénients principaux : (1) difficultés importantes à localiser des sources étendues avec des ECD, (2) problèmes d'estimation précise du nombre total de dipôles à l'avance, et (3) la sensibilité de l'emplacement des dipôles , en particulier en ce qui concerne la profondeur dans le cerveau.

Approche d'imagerie basée sur le plomb [ modifier | modifier la source]

Contrairement à la modélisation à dipôles multiples, la modélisation basée sur le champ de plomb divise l'espace source en une grille contenant un grand nombre de dipôles. Le problème inverse est d'obtenir les moments dipolaires pour les nœuds de la grille Η] . Comme le nombre de moments dipolaires inconnus est bien supérieur au nombre de capteurs MEG, la solution inverse est fortement sous-déterminée. Pour compenser cela, des contraintes supplémentaires sont nécessaires pour réduire la non-unicité de la solution. Le principal avantage de ce système est qu'aucune spécification préalable du modèle source ne doit être faite. Les autres points forts incluent une charge de calcul relativement faible et des cours temporels de source fluides, qui conduisent tous deux à une comparaison statistique simple. Une faiblesse est que la résolution spatiale est assez faible, et tend à fournir des modèles de reconstruction statistique distribués, malgré le fait d'avoir des générateurs focaux.

Analyse indépendante des composants[modifier | modifier la source]

L'analyse en composantes indépendantes (ICA) est une autre solution de traitement du signal qui sépare différents signaux statistiquement indépendants dans le temps. Il est principalement utilisé pour éliminer les artefacts tels que les clignements, les mouvements des muscles oculaires, les artefacts des muscles faciaux, les artefacts cardiaques, etc. des signaux MEG et EEG qui peuvent être contaminés par des bruits extérieurs. Cependant, l'ICA a une mauvaise résolution des sources cérébrales fortement corrélées en raison de son indépendance statistique fondamentale.


Oeil silencieux et potentiel Bereitschafts : mécanismes visuomoteurs de la performance motrice experte

Une exploration simultanée du potentiel de Bereitschaft (BP) et de la période oculaire silencieuse (QE) a été mise en œuvre pour évaluer les mécanismes potentiels sous-jacents aux habiletés psychomotrices qui différencient les interprètes experts et quasi-experts. Vingt golfeurs ont été classés selon leur cote de handicap USGA en tant que handicap élevé (HH quasi-expert) ou faible handicap (expert LH) pour permettre des inférences basées sur les compétences. Les participants ont effectué 90 essais au cours desquels la durée du QE, l'activité de la PA et les performances de putting ont été enregistrées. L'application d'analyses à sujet unique a montré que les golfeurs LH étaient plus précis et moins variables dans leurs performances que le groupe HH. Des différences systématiques dans la durée du QE et la PA ont également été observées, les experts présentant une période oculaire calme prolongée et une activation corticale plus importante dans la région centrale droite par rapport aux non-experts. Une association significative entre l'activation corticale et la durée du QE a également été notée. Les résultats de cette enquête viennent étayer la fonction de programmation/préparation motrice de la période d'assouplissement quantitatif. Des implications pratiques et théoriques sont présentées et des suggestions pour de futurs travaux empiriques sont fournies.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Comment la moyenne est-elle utilisée dans le calcul du potentiel de Bereitschafts ? - Psychologie

Certaines sciences sont assez tranchées sur les choses ordinaires, et la recherche porte sur des questions exotiques ou sur la façon de tout repenser afin que des lois plus simples en expliquent davantage. Lorsque vous apprenez ces sciences, vous allez dans des laboratoires pour faire des expériences que les scientifiques connaissent par cœur, des expériences qui prouvent comment les lois scientifiques bien connues expliquent les choses que vous pouvez voir, entendre, sentir ou ressentir. Vous essayez de faire en sorte que quelque chose se passe comme prévu, et quand cela se passe pour vous comme pour tout le monde, la théorie prédictive semble convaincante. (Quand vous n'obtenez pas les résultats habituels, vous obtenez une mauvaise note dans le cours pour ne pas maîtriser la matière !)

La psychologie sociale n'est pas exactement comme ça. Vous apprenez la psychologie sociale à travers des théories qui expliquent certains aspects des relations sociales, mais chaque théorie de la psychologie sociale que vous apprenez est à la fois en évolution et en litige. Il existe généralement des théories rivales qui prétendent expliquer les mêmes choses, et vous finissez par devoir assembler votre propre cadre d'interprétation de la vie sociale en utilisant des idées théoriques qui vous sont utiles.

Les exercices de laboratoire ne sont pas d'une grande aide car la plupart des expériences de psychologie sociale les plus célèbres sont trop compliquées et trop coûteuses à faire pour vous. Même si vous obtenez un doctorat. dans cette matière et apprenez par cœur les expériences classiques, vous ne faites pas la plupart d'entre elles ! Être sans expérience de laboratoire crée un lien. Vous devez organiser et peser des théories concurrentes, mais comment pouvez-vous voir ce qui est bon dans une théorie à moins de l'essayer vous-même ? L'étude de la vie sociale - de toutes choses - s'avère-t-elle purement abstraite, même si vous y êtes intimement impliqué chaque jour de votre vie ?

Il existe d'autres moyens que les expériences de laboratoire pour relier la psychologie sociale à votre expérience personnelle. Vous pouvez faire des études de terrain simples, et peut-être que vos observations favoriseront une théorie par rapport à une autre. Vous pouvez comprendre ce qu'une théorie implique pour les affaires quotidiennes et évaluer si cette prédiction correspond à ce que vous attendez de votre propre expérience. Bien sûr, même une théorie sociale simple devient complexe lorsque vous essayez de l'appliquer à plusieurs personnes à la fois traversant une séquence d'événements. Il se passe tellement de choses dans une interaction sociale que le simple fait de garder une trace des informations et de faire des calculs théoriques simples devient un fardeau. De plus, certaines théories de la psychologie sociale ne sont pas si simples, surtout si elles essaient d'être précises dans leurs prédictions. Déterminer les implications dans des situations spécifiques peut devenir tout simplement impossible.

Les ordinateurs peuvent être programmés pour faire le travail - le traitement des données, les calculs, l'inférence logique - les choses que les ordinateurs font bien et rapidement. Avec un programme informatique faisant ces choses, vous pouvez définir les conditions de départ et faire en sorte que l'ordinateur comprenne les implications de la théorie. Ensuite, vous pouvez comparer les résultats de l'ordinateur avec votre propre expérience ou avec de nouvelles observations sur le terrain, sans vous embourber dans les détails.

C'est de la simulation informatique. Étonnamment, une simulation informatique n'a rien de totalement nouveau et étranger, mais simplement une aide à l'application d'une théorie afin que vous puissiez l'évaluer.Vous savez comment une calculatrice électronique vous permet de faire de l'arithmétique plus rapidement et avec plus de précision et de résoudre des problèmes que vous n'auriez pas essayé sans elle. Un programme de simulation informatique fonctionne de la même manière : il vous permet d'examiner une théorie rapidement, avec précision et dans des situations que vous ne pourriez pas gérer autrement. Les simulations informatiques sont une extension de la méthode courante d'évaluation informelle des théories en voyant à quel point elles s'accordent avec l'expérience.

Certains avantages secondaires des simulations informatiques en psychologie sociale méritent d'être notés. D'une part, une théorie doit être bien définie pour en faire un programme, donc le simple fait de créer un programme de simulation améliore la qualité des théories de la psychologie sociale. Cela se trouve être important dans la psychologie sociale contemporaine, même si cela ne le serait pas si toutes les théories étaient aussi explicites qu'elles devraient l'être.

Le pouvoir de persuasion des simulations se rapproche parfois de celui d'une expérience. C'est un plus dans une science comme la psychologie sociale où les avantages pédagogiques des expériences de laboratoire ne sont généralement pas disponibles pour les étudiants. Après tout, toute théorie est inutile sans un moyen de vous convaincre qu'elle fonctionne.

Un programme de simulation est un modèle de travail des idées d'une théorie, et il peut être utilisé pour étendre la procédure scientifique typique dans le développement d'hypothèses à tester. Que se passe-t-il si quelque chose est ajouté ou si vous retirez quelque chose ? Vous pouvez le faire dans le modèle et voir si les résultats semblent toujours corrects. Où la théorie donne-t-elle des idées qui vont au-delà du bon sens ? Vous pouvez explorer toutes sortes de circonstances avec le modèle jusqu'à ce que vous trouviez des prédictions exotiques. Une fois que vous croyez suffisamment à une théorie pour ne pas vouloir la rejeter à cause de prédictions étranges, vous pouvez alors utiliser des simulations pour trouver des prédictions étranges et voir si elles sont vraiment vraies.

Un problème majeur dans les simulations doit être noté. Les ordinateurs peuvent faire tellement de travail à grande vitesse qu'une simulation peut être faite pour avoir de la crédibilité simplement en s'occupant d'une multitude de détails. Nous pourrions être convaincus qu'une théorie est vraie ou fausse davantage par la façon dont le programme de simulation gère les détails insignifiants que par le sens sous-jacent de ce que fait le programme. Eliza est un programme célèbre qui imite parfaitement les réponses conversationnelles tout en étant totalement inconscient de ce qui est dit - Eliza ressemble à un causeur intelligent pendant un certain temps, mais aucune théorie du discours humain n'y est impliquée. C'est donc une bonne idée de connaître la théorie utilisée dans une simulation et de continuer à faire attention à ce qu'elle contribue aux résultats.

Hélas, les théories de la psychologie sociale sont rarement suffisamment développées scientifiquement pour permettre des simulations informatiques de l'interaction sociale. Donc, à partir de maintenant, nous considérons une seule théorie qui est ainsi développée.

Interact est un programme de simulation informatique correspondant à la Théorie du Contrôle Affectif (ACT). Le programme vous permet de mettre en place des interactions sociales en identifiant les types de personnes présentes, puis en signalant les types de comportements susceptibles de se produire, les émotions que les personnes pourraient ressentir, comment les personnes pourraient changer leur point de vue les unes sur les autres à la suite d'actions, et comment les changements de scène peuvent affecter les comportements.

Interact , et la théorie qui le fait fonctionner, vous permet de comprendre des processus qui sont généralement étudiés séparément en psychologie sociale, et le niveau de prédiction est beaucoup plus explicite que la plupart des autres théories ne le proposent. Des millions de situations sociales peuvent être examinées avec Interact , bien plus que vous ne pourrez jamais le faire, afin que vous puissiez exécuter des simulations qui vous intéressent particulièrement, en rapport avec vos propres expériences. Cela vous permet d'évaluer la théorie en comparant ses prédictions avec votre propre réserve de connaissances concernant les relations sociales. Une fois que vous vous êtes engagé dans la théorie, vous pouvez également utiliser le programme pour explorer la signification des épisodes qui vous ont laissé perplexe. Une autre tâche intéressante est de trouver les limites où la théorie vacille, de demander pourquoi et de penser à des moyens de combler les trous.

Voici l'essence d'ACT, pure et simple. Les gens essaient de se conduire de manière à ce que leurs sentiments soient adaptés à la situation, et si leurs actions ne fonctionnent pas pour y parvenir, ils changent leur point de vue sur la situation.

Les émotions signalent à quel point les événements maintiennent nos définitions des situations. Aucune émotion n'est ressentie lorsque l'interaction maintient une identité situationnelle dans le caractère, mais à un degré moyen - par exemple, lorsqu'un amant se sent assez bien, assez puissant, assez vivant. Les émotions sont ressenties soit lorsque les interactions violent le caractère d'une identité (par exemple, un amant finit par se sentir mal, faible et vif - "panique") ou lorsque les interactions confirment une identité à la fois dans le caractère et le degré (par exemple, l'amoureux se sent extrêmement bien , extrêmement puissant, extrêmement vivant - "heureux, passionné").

Alors que la capacité d'expérience émotionnelle est la même pour tout le monde, la manière dont l'affect s'attache à des objets et des comportements spécifiques varie selon les personnes, et différentes personnes peuvent être amenées à des comportements, des émotions et des interprétations différents parce que leurs corrélations affectives diffèrent. En même temps, ceux qui partagent des liens affectifs partagent de nombreuses attentes et jugements sur les relations sociales sans même avoir à en discuter.

Ce que les instincts font pour les animaux, l'affect le fait pour les humains, guidant la conduite dans des directions familières et précieuses au sein d'un groupe social. Bien sûr, les associations affectives sont totalement apprises, de sorte que les « instincts » humains s'adaptent aux conditions changeantes, et différents groupes avec leurs différentes valeurs fournissent des modèles de conduite distinctifs. De plus, l'affect régit l'action dans le contexte de la contrainte environnementale et de l'intelligence individuelle, de sorte que la cognition et la raison sont toujours un facteur de comportement.

Que se passe-t-il quand vous allez dans un endroit ? D'une part, vous devez découvrir qui vous êtes. Vous n'y pensez peut-être pas beaucoup. Habituellement, vous définissez la situation et votre place rapidement et inconsciemment. Mais vous pouvez voir ce qui se passe lorsque les choses se gâtent. Êtes-vous déjà entré dans une pièce en attendant un groupe de personnes - comme des collègues - et avez-vous trouvé quelqu'un d'autre à la place - comme votre amoureux ? Lorsque cela se produit, vous pouvez vous sentir abandonner la préparation à certaines actions et vous préparer à agir d'une autre manière. Vous changez qui vous êtes dans le sens où vous passez d'un rôle à un autre, d'une identité sociale à une autre.

De toute évidence, une autre chose que vous devez faire est de déterminer qui sont les autres personnes. Cela peut être simplement une question de reconnaître les personnes en uniforme comme un chauffeur de bus, ou celles qui ont toujours le même rôle avec vous comme votre mécanicien automobile, ou cela peut être plus compliqué comme déterminer si une autre personne est en train d'être amoureuse ou collègue en ce moment quand il ou elle peut être les deux à des moments différents. Qui vous êtes dépend de qui sont les autres, et quels rôles les autres jouent dépend du rôle que vous avez, vous devez donc comprendre ces choses simultanément.

La solution au casse-tête de définir tout le monde peut nécessiter plus d'informations, comme savoir où vous êtes. Vous et un collègue n'êtes pas censés agir comme des amoureux à l'endroit où vous travaillez et il est étrange d'agir comme des collègues lorsque vous et votre amoureux êtes seuls dans un restaurant romantique et confortable.

Vous avez défini la situation lorsque vous pouvez nommer le cadre et les identités sociales que chacun a. Normalement, vous ne prononcez pas les noms à voix haute, mais vous pourriez le faire si quelqu'un vous demandait de décrire où vous êtes et qui vous êtes et qui sont les personnes avec vous. Interagir demande ! C'est ainsi que vous définissez une situation dans une simulation.

Chaque identité que vous ou les autres adoptez donne un certain sentiment parce que vous avez une certaine attitude à son sujet. Docteur, par exemple : à moins que vous n'ayez une attitude différente de celle de la plupart des Américains, vous pensez que les médecins sont généralement bons et serviables, profonds et puissants, calmes et méditatifs. C'est votre sentiment à propos des médecins, ce que vous ressentez en général à leur égard, même si vous pouvez avoir des sentiments différents dans certaines circonstances. Le sentiment général concernant les enfants est assez différent : les enfants (pour la plupart des Américains) sont bons, mais ils sont petits et faibles, bruyants et vivants. Les gangsters provoquent encore un sentiment différent : mauvais, puissant et actif.

Les sentiments ont trois composantes ou aspects différents : nous pouvons sentir que quelque chose est bon ou mauvais, qu'il est puissant ou impuissant, et qu'il est vivant ou silencieux. Chacun de ces aspects est une question de degré, peut être plus ou moins grand. Par exemple, certaines choses sont légèrement bonnes, d'autres sont plutôt bonnes, d'autres encore sont extrêmement bonnes.

Une façon d'imaginer cela est d'imaginer que les sentiments flottent dans la pièce dans laquelle vous vous trouvez. Ces choses qui sont très bonnes sont près du plafond, celles qui sont très mauvaises près du sol. Les choses puissantes sont près du mur devant vous, les choses faibles sont près du mur derrière vous. Les choses animées sont à votre droite et les choses calmes sont à votre gauche. Des choses qui ne vous semblent ni bonnes ni mauvaises, puissantes ou impuissantes, vives ou silencieuses sont accrochées au centre de la pièce. Ainsi, pour « voir » un médecin, vous regardez vers le haut à votre gauche pour voir un gangster vous regardez en bas à votre droite et pour voir un enfant vous tournez la tête et regardez par-dessus votre épaule droite.

Vous avez aussi des sentiments sur les façons d'agir. Regardez devant vous à votre droite, et il y a Encourager quelqu'un. Maintenant, baissez les yeux sur le sol dans ce même coin de la pièce et vous voyez Socking quelqu'un. Regardez derrière vous sur la gauche, il y a Ignorer quelqu'un. Levez les yeux, avancez vers votre gauche pour voir Apaiser quelqu'un. Chaque comportement est associé à un sentiment qui reflète à quel point il est bon, puissant, vivant.

Les noms abrégés des trois aspects des sentiments sont Évaluation, Puissance et Activité, et parfois ils sont abrégés davantage avec les initiales EPA. Nous représentons un sentiment précisément en le mesurant sur les trois aspects. La coutume est de tout mesurer à partir du centre de la pièce et d'utiliser des unités plus pour mesurer (bonté), avant (puissance) et juste (vivant) les unités moins sont pour les choses qui sont mauvaises, impuissantes ou silencieuses. Un profil EPA est une liste de trois de ces mesures : le premier nombre représente l'évaluation, le second est la puissance et le troisième est l'activité.

La théorie du contrôle des effets fonctionne avec des équations mathématiques pour prédire comment les événements transforment les sentiments vers ou loin des sentiments évoqués dans une situation. Des équations définissant comment les événements changent les sentiments ont été développées directement à partir de la recherche sur les réponses des gens, et des équations supplémentaires ont été dérivées mathématiquement des équations de changement afin de définir comment de nouveaux événements peuvent être formulés pour rapprocher les sentiments des sentiments situationnels. Mais vous n'avez pas vraiment besoin de connaître ces détails pour utiliser Interact . Interact ne nécessite pas du tout que vous traitiez des équations.

En fait, vous avez maintenant suffisamment de théorie pour comprendre comment utiliser le programme. Il est temps d'apprendre à faire en sorte qu'un ordinateur fasse une analyse psychologique sociale !

Program Interact prédit quels événements pourraient se produire si les gens ont des identités particulières, quelles émotions pourraient survenir au cours de l'interaction sociale et comment les gens pourraient se réinterpréter les uns les autres à la suite d'événements. Lorsque vous commencez Interact, le programme se charge de la psychologie et de la culture humaines en lisant des fichiers d'équations et de mots avec des notes EPA.

Interact peut analyser les interactions sociales entre deux, trois ou quatre personnes. Presque toujours, vous voulez vous concentrer sur deux, car une interaction entre plusieurs personnes est très complexe.

Interact vous permet de définir chaque interactant comme un homme ou une femme. Le genre que vous attribuez à quelqu'un a plusieurs conséquences. Le plus important concerne les profils EPA qui sont utilisés dans les analyses. Si vous dites que quelqu'un est un homme, Interact utilisera les données de l'EPA obtenues auprès d'hommes afin de représenter ce que la personne ressent à propos des choses. Si vous identifiez une personne comme étant une femme sur ce formulaire, Interact utilisera les données des femmes pour représenter les attitudes de la personne. De plus, votre choix de sexe détermine si un visage masculin ou féminin est utilisé pour afficher des expressions émotionnelles.

Interact modifie les prédictions de comportement pour tenir compte des événements passés et pour tenir compte des différentes personnes rencontrées par un acteur. Ainsi, vous pouvez générer des séquences spéciales d'événements en commençant un incident par une action. Vous pouvez créer d'autres séquences en dirigeant un acteur d'un partenaire d'interaction à un autre.

Supposons, par exemple, que nous voulions examiner les comportements potentiels d'une femme nommée Mary avec un homme nommé John. La situation est mise en place avec Marie se voyant comme une femme et Jean comme un homme, et avec Jean se voyant comme un homme et Marie comme une femme. Nous indiquons sur le formulaire de comportement que nous voulons qu'Interact détermine les comportements optimaux.

Les prédictions d'Interact du point de vue de John - basées sur ses sentiments masculins et sa définition personnelle de la situation - définissent les comportements que John devrait penser sont appropriés pour lui-même et les comportements qu'il pense être appropriés pour Mary. Les mots de chaque liste sont classés en fonction de leur correspondance avec les prédictions théoriques. De même, les prédictions d'Interact du point de vue de Mary basées sur ses sentiments féminins et sa définition de la situation prédisent comment elle pense que John devrait agir et ce qu'elle pense qu'elle devrait faire elle-même.

Les prédictions développées du point de vue de John ne concordent pas exactement avec les prédictions développées du point de vue de Mary en raison des différences de genre dans les sentiments envers "l'homme" et la "femme" et des différences de genre dans les sentiments envers divers comportements. Les différences entre les sexes dans les sentiments produisent parfois des différences plus dramatiques que dans ce cas, et les écarts dans les attentes comportementales sont généralement plus grands si les gens ne sont pas d'accord dans leurs définitions de la situation.

Maintenant, qu'en est-il des prédictions réelles - les actes de Jean envers Marie, par exemple ? Interact rapporte que John pourrait divertir Mary, ou la saluer, l'étonner, l'éblouir, l'acclamer, l'étonner, l'exalter, lui parler. Est-ce ce qu'une personne s'identifiant comme « homme » pourrait faire à une personne qu'elle s'identifie comme « femme » ? Assez proche, mais peut-être un peu exubérant. Et Marie ? Interact rapporte que Mary pourrait parler à John ou le divertir, le complimenter, le saluer, l'admirer, l'amuser, l'accueillir, l'étonner. C'est un comportement assez plausible pour une femme envers un homme.

Les résultats sont parfois moins crédibles que cela. Lorsque cela se produit, la question se pose : pourquoi Interact signalerait-il des choses qui ne sont pas vraies ?

Il est crucial de garder à l'esprit que les résultats d'Interact sont des prédictions d'une théorie des relations humaines, et non des rapports sur ce qui a été observé dans des interactions réelles. Les résultats d'Interact peuvent certainement être erronés pour l'une des raisons suivantes.

La théorie elle-même - la supposition que les gens se conduisent de manière à vivre des événements qui confirment les sentiments sur les identités situationnelles et les actions. Si cette théorie est fausse, alors les résultats d'Interact seraient faux, voire totalement faux.
Variations culturelles des cotes . Les prédictions d'Interact dérivent des évaluations EPA des identités, des comportements, des modificateurs et des paramètres. Les notations EPA sont la façon dont la culture entre dans le programme, et si les notations sont différentes de celles que vous fourniriez, alors Interact décrira une culture qui vous est étrangère. Par exemple, un ensemble d'évaluations de Belfast, en Irlande du Nord, produit des prédictions qui semblent étranges aux Américains bien qu'elles soient dans l'ensemble plausibles pour un Irlandais.
Erreurs dans les cotes. Supposons que, par hasard, tous les évaluateurs masculins jugent « l'homme » comme trop actif, par rapport au sens de l'activité d'un homme qui prévaut dans la population générale. Ensuite, Interact, en travaillant avec la mesure défectueuse, ferait une erreur en reproduisant la culture - par exemple, en rendant les comportements prédits pour un homme trop exubérants.
Erreurs dans les équations. Interact intègre la psychologie humaine à travers des équations complexes qui décrivent comment les sentiments à propos des choses changent à la suite d'événements. Ces équations doivent être définies par la recherche pour être réalistes, mais les opérations de recherche sont soumises à divers types de problèmes qui pourraient produire des erreurs subtiles dans les équations, des erreurs qui pourraient fausser les prédictions. Peut-être que certaines équations alternatives sont meilleures et deviendront éventuellement les équations standard. Si tel est le cas, alors les équations actuellement utilisées produisent des erreurs dans les prédictions.
Erreurs lexicales. Interact doit travailler avec des mots afin de faire des prédictions verbales concrètes, et certaines erreurs surviennent parce que les règles régissant l'utilisation des mots ne sont pas entièrement comprises, elles ne peuvent donc pas être incorporées dans le programme. Par exemple, vous pourriez tomber sur une prédiction Interact selon laquelle une personne "en enfouit" une autre, ce qui est bizarre car "enfouir" ne doit pas être utilisé comme un verbe décrivant une interaction sociale. Interact filtre les mots en fonction des types d'institutions sociales qui fonctionnent, éliminant les pires erreurs de ce type. Cependant, des abus se glissent toujours et rendent certaines prédictions Interact étranges.
Idées fausses. Par exemple, Interact prédit que la victime d'un acte déviant pourrait se voir attribuer une identité stigmatisée par d'autres. Vous pourriez croire qu'il s'agit d'une erreur parce que c'est injuste - la victime ne doit pas être blâmée. Mais dans ce cas, VOUS auriez tort. Interact prédit correctement la dérogation de la victime, un phénomène qui se produit réellement chez les humains.

L'une des fonctions d'une bonne théorie est d'offrir de nouvelles perspectives et de corriger les erreurs. Alors gardez l'esprit ouvert lorsque Interact prédit quelque chose sur les relations humaines avec lequel vous n'êtes pas d'accord. La prédiction particulière peut être une idée à vérifier!

Ensuite, nous verrons comment cela vous permet d'analyser les incidents qui se sont réellement produits dans votre vie. Ensuite, nous considérerons un roman célèbre afin de montrer comment Interact peut inventer des intrigues pour des histoires.

Les incidents que vous avez personnellement vécus ou observés peuvent être analysés avec Interact. Traduire dans le cadre du programme demande des efforts et de l'imagination, mais le gain peut être une prise de conscience élargie de ce qui s'est passé, une clarification de la conduite des autres et un aperçu des émotions possibles des participants.

Rédigez un récit de l'épisode avant de commencer afin de solidifier vos impressions d'actes et d'émotions. Ensuite, la tâche consiste à trouver une séquence Interact qui correspond le plus possible à l'incident. Dans Interact, vous caractérisez les personnes en termes d'identités qu'elles avaient dans la situation, et vous décrivez chaque occurrence comme un simple événement. Vous devrez peut-être ajuster certaines de vos interprétations afin d'obtenir une congruence avec la reconstruction d'Interact, mais souvent, vous trouverez cela plus instructif que contrariant.

Voici un récit de quelque chose qui s'est réellement passé.La qualité des données est typique de ce que vous pourriez avoir en analysant des incidents personnels - un récit construit plus d'un jour après l'incident. C'est mieux que rien même si ce ne sont pas de très bonnes données selon les normes de recherche - il serait préférable de travailler avec des notes prises quelques minutes après l'événement, mieux encore de travailler avec des notes prises par un observateur pendant l'événement, et mieux encore de travailler avec une transcription réalisée à partir d'un enregistrement son-image.

Le professeur a conçu un nouveau cours avec des devoirs de lecture substantiels, des études sur le terrain, l'apprentissage de l'utilisation des micro-ordinateurs. Aujourd'hui, le premier article était dû, 1500 mots concernant une expérience personnelle, écrit avec un programme de traitement de texte et incorporant des analyses informatiques auxiliaires. Cependant, le professeur a raté, oubliant de fournir des conseils adéquats sur la façon d'imprimer les documents.

Un élève entre en classe en retard, créant un certain trouble, et explique brusquement qu'il a eu du mal à faire imprimer son papier. Il s'assied, et alors que le professeur essaie de remettre la discussion sur les rails après l'entrée de l'étudiant, l'étudiant demande : "Combien de temps étions-nous censés consacrer à cet article ?" Le professeur fixe l'étudiant et calmement, très calmement. , dit, "Autant qu'il en faut." L'étudiant marmonne, "Oh. Très bien." Il détourne le regard et ne fait plus de dérangement.

Est-ce que quelque chose comme ça peut être analysé avec Interact ? Essayons.

Qui sont les personnages de cet épisode ? Un psychologue spécialisé dans la personnalité pourrait vouloir administrer un inventaire de personnalité et quelques tests projectifs afin de comprendre leurs traits et leurs motivations avant de dire quoi que ce soit sur l'épisode. Mais la théorie derrière Interact prétend que les rôles situationnels déterminent la conduite des gens, et tout ce que nous devons savoir sur ces deux personnes, c'est l'identité sociale qu'ils avaient dans les circonstances. Déduire l'identité des gens peut parfois être un problème, mais pas ici puisque tout l'épisode s'est déroulé dans une salle de classe universitaire. Il est raisonnable de supposer que l'étudiant était un « étudiant » et que le professeur était un « professeur ». Ainsi, sur le formulaire d'identification de soi et des autres, nous sélectionnons étudiant comme identité d'une personne et professeur comme identité de seconde personne. Nous nous assurons également que les deux personnages sont des hommes afin qu'ils aient les bons sentiments qui les guident.

Ensuite, nous devons intégrer les circonstances données dans le premier paragraphe du récit de l'incident afin de planter le décor. Nous intégrons l'arrière-plan en forçant les événements à se produire.

On pourrait dire que le professeur exigeant avec ses devoirs et ses exigences hors classe a « travaillé » ses étudiants. Cependant, ce n'est probablement pas la façon dont l'étudiant le voyait, il croyait évidemment que le professeur "surmenait" ses étudiants - un acte moins souhaitable. On peut représenter la perception de l'étudiant sur le formulaire de définition des événements en faisant du premier événement de l'étudiant "le professeur surmene l'étudiant". De plus, nous pouvons représenter le point de vue du professeur en définissant "professeur travaille étudiant" comme le premier événement du professeur.

L'échec du professeur à fournir des conseils sur la façon d'imprimer les documents pourrait être décrit comme une déception pour les étudiants. Cependant, Interact ne connaît pas le comportement "laisser", et nous devons trouver un remplaçant. Le mot « oublier » est utilisé dans la description, et la liste de comportements Interact contient ce mot, nous pourrions donc dire que le deuxième événement du professeur était qu'il avait oublié ses étudiants. Cependant, "forget" ne semble pas assez affirmé pour refléter la perception qu'a l'élève de ce qui s'est passé. Supposons que le deuxième événement de l'étudiant soit que le professeur bloque l'étudiant, ce qui est possible car la liste des comportements dans Interact contient "stymie".

Maintenant que nous avons planté le décor, la question clé est de savoir si Interact prédit ce que l'étudiant et le professeur ont fait.

Sur le formulaire de mise en œuvre des événements, nous sélectionnons le point de vue de l'étudiant et mettons en œuvre le premier événement - le professeur surcharge l'étudiant. Cela nous permet de voir comment l'élève aurait pu réagir seul à cet événement. Étonnamment, Interact prédit que l'étudiant agirait toujours positivement envers le professeur. Les prédictions de comportement font débat, titiller, éblouir, étonner, étonner, gosse, flatter, questionner. Un étudiant surmené ne devrait-il pas être plus agressif ? En fait, seule l'agressivité la plus subtile est tout ce qui est possible. L'étudiant ne peut pas manifester sans détour ses sentiments négatifs parce qu'il doit conserver des identités positives - sa propre identité d'étudiant et celle de l'autre de professeur - et des actes hostiles créeraient des impressions négatives sur les deux.

La mise en œuvre de "le professeur contrecarre l'étudiant" conduit aux prédictions d'Interact sur ce que l'étudiant pourrait faire après les deux événements.

Les prédictions sont que l'étudiant pourrait défier le professeur (ou le titiller, le renard, le débattre, l'éblouir, l'étonner, l'influencer, le rallier). Ces actes ne sont pas vraiment hostiles, mais certains sont clairement affirmés. De plus, "challenge" est une description adéquate de la question de l'étudiant sur l'investissement en temps pour le papier.

Choisissons ce comportement, de sorte que "l'étudiant défie le professeur" est le prochain événement de la séquence, du point de vue de l'étudiant.

La prochaine série d'événements est censée prédire la réponse du professeur. Les comportements prédits sont : apaiser, considérer, calmer, consoler, mettre en garde, bénir, conseiller, expliquer (à). Encore une fois, nous voyons des comportements étonnamment positifs parce que le professeur doit maintenir la qualité de son rôle et de celui de l'étudiant. Le mot « sans bonheur » semble déplacé pour des raisons lexicales : c'est un acte religieux qui ne devrait pas survenir dans les relations laïques.

Quoi qu'il en soit, le mot "attention" est là, et c'est une désignation raisonnable pour la réponse lente et calme du professeur à l'étudiant. Le professeur a averti l'étudiant de ne pas continuer le défi.

Cette traduction de l'incident professeur-étudiant dans le cadre d'Interact semble avoir été simple avec peu d'accrocs et d'obstacles. L'analyse des interactions avec Interact est-elle toujours aussi simple ? Non, et ce n'était pas vraiment facile cette fois. Afin de garder mon exposition sur la bonne voie, j'ai omis de mentionner certaines des complications.

Trouver un mot pour le point de vue de l'étudiant sur le second comportement de fond du professeur était problématique. La désignation de "stymie" a résulté après que les analyses aient été exécutées avec deux autres possibilités : tracas et découragement.

Être surmené et « traqué » a conduit à ces comportements prédits pour l'élève : débattre avec, titiller, émoustiller, étonner, étonner, renard, questionner, influencer. J'aurais pu utiliser "question" pour représenter la sortie d'ouverture de l'étudiant, mais ce mot ne capture pas l'aspect de défi qui était évident dans les interruptions de l'étudiant. Ainsi, « tracas » a été écarté parce qu'il détournait Interact de ce qui était observé, même si le mot pouvait capturer des éléments importants de la façon dont l'étudiant percevait les choses.

Être surmené et "découragé" par le professeur a conduit à ces comportements prédits : défier, titiller, renard, débattre avec, influencer, éblouir, étonner, étonner. Il y a le "défi" souhaité et le reste de l'analyse fonctionne aussi. Le problème est que "décourager les étudiants" ne décrit pas avec précision ce que le professeur a fait.

J'avais besoin d'un mot comme « découragement » en termes d'impact affectif, mais qui décrivait plus précisément la façon dont l'étudiant percevait le manque d'orientation du professeur. En utilisant des procédures qui seront décrites bientôt, j'ai choisi "stymie" comme le meilleur des choix disponibles dans Interact (bien que toujours pas idéal).

Le mot « précaution » apparaît parmi les prédictions du professeur comme requis pour cette interaction, mais d'autres actes se classent au-dessus - comme apaiser, calmer, consoler. Pourquoi le professeur n'en a-t-il pas adopté un ? (En fait, à l'ouverture de la classe, le professeur s'est livré à de tels actes avec d'autres étudiants qui sont arrivés à l'heure.) Pourquoi le professeur a-t-il adopté une position plus active après le défi des étudiants ? J'ai essayé un certain nombre de variations dans les définitions d'événements antérieurs, mais je n'ai jamais pu faire de la "mise en garde" l'acte prédit le plus élevé du point de vue du professeur et parfois j'ai perdu la prédiction de la mise en garde tous ensemble. Ma meilleure hypothèse est que ce léger écart par rapport à la réalité - le classement élevé de apaiser, calmer, consoler après le défi de l'étudiant - résulte peut-être d'erreurs dans la mesure des niveaux d'activité des identités et des comportements, ou d'erreurs dans les équations représentant la façon dont l'activité est traitée psychologiquement.

Maintenant que nous avons une séquence de comportements pour Interact qui correspond raisonnablement bien à l'incident observé, nous pouvons revenir en arrière et examiner les émotions prédites.

Interact prédit que les étudiants qui travaillent sont fondamentalement un acte émotionnellement neutre pour le professeur. Le professeur ne suppose pas non plus que les étudiants seront bouleversés : peut-être impressionnés, peut-être anxieux, mais en grande partie neutres sur le plan émotionnel.

Mais l'étudiant a vécu un événement différent - celui du surmenage - et ses émotions prédites sont tout à fait différentes : émerveillé, accablé, gêné, craintif, inquiet, amoureux, nerveux, impatient. De plus, Interact prédit qu'il pense que le professeur - en surmenant ses étudiants - doit se sentir méprisant, méprisant, hostile, rancunier. Après l'événement suivant, Interact prédit que, puisque le professeur l'a à la fois surmené et bloqué, l'étudiant devrait se sentir effrayé, accablé, peu sûr de lui, troublé, embarrassé, terrifié, effrayé, s'apitoyer sur lui-même et il devrait voir le professeur comme méprisant, vindicatif, méchant, hostile, indigné, grincheux.

Pour en revenir au point de vue du professeur, le professeur qui a travaillé ses étudiants puis les a oubliés est prédit se sentir hostile, perturbé, irritable, méprisant, amer, cynique, grincheux, irrité. Il est maintenant temps d'avouer que je suis moi-même le professeur dans cet incident parce que je veux offrir un jugement sur l'exactitude des émotions prédites pour le professeur. Ils sont proches - surtout méprisants, amers, cyniques, grincheux, irrités - mais avec une torsion. Je me voyais victimisé par le personnel universitaire plutôt que de générer moi-même les émotions. "Comment suis-je censé enseigner un cours de technologie de pointe lorsque cette université ne me donne pas les installations dont j'ai besoin ? Personne ne me fournit d'informations sur la façon dont les étudiants peuvent imprimer leurs papiers, donc naturellement je ne pouvais pas dire aux étudiants comment le faire. La faute à l'université ! Bah ! » Bien sûr, c'était une rationalisation. Parfois, j'étais douloureusement consciente d'avoir oublié la situation difficile des étudiants, mais chaque fois que je pensais à mon erreur, je me souvenais d'un incident différent au cours duquel je pouvais blâmer quelqu'un d'autre que moi pour les émotions négatives que je ressentais.

Juste après le défi, les émotions du professeur devraient être : horrifiées, effrayées, effrayées, terrifiées, jalouses, effrayées, frustrées, troublées. Je me souviens d'éclairs de frustration et d'agitation et de picotements de peurs plus fortes. « Horrifié » est approprié à l'instant où j'ai pensé : « Mon dieu, nous allons avoir une scène ! » L'élève devrait se sentir inquiet, choqué, gêné, mécontent, contrarié, plein de ressentiment, marre, agacé et plusieurs de ces émotions semblent plausibles.

Les émotions du professeur lorsqu'il s'engage dans sa mise en garde sont prédites comme : gêné, craintif, craintif, choqué, accablé, mal à l'aise, malade d'amour, cœur lourd et en fait gêné, craintif et mal à l'aise sont justes pour décrire comment J'ai ressenti la fin de l'incident. On prédit que l'élève se sentira choqué, mal à l'aise, au cœur lourd, craintif, mécontent, plein de regrets, gêné, mécontent, et au moins certains de ces sentiments semblent probables.

La clé pour analyser cet incident avec Interact était de comprendre que le professeur et l'étudiant avaient des interprétations différentes des événements clés. Un acte peut généralement être évalué de différentes manières - comme travailler quelqu'un par rapport à quelqu'un surmené, et l'agent et le destinataire de l'acte arrivent à des évaluations différentes en raison de leurs charges différentes dans l'événement. Ensuite, les interprétations divergentes mettent à rude épreuve les interactions sociales et sapent la confirmation mutuelle des identités. Même des interprétations légèrement négatives des événements engendrent des émotions négatives, et après cela, les efforts de la personne en détresse pour retrouver l'équilibre deviennent des perturbations pour l'autre.

Les analyses d'interaction suggèrent parfois une abondance de sentiments négatifs accompagnés d'écarts à peine perceptibles par rapport à l'action positive. Ceci n'est pas intuitif, mais étayé par des études empiriques. Une analyse intensive de l'interaction sociale ordinaire révèle une quantité surprenante d'agressivité et de sentiments négatifs, masqués superficiellement mais évidents dans la visualisation au ralenti d'enregistrements d'images. Le phénomène est si prononcé qu'il crée en fait des problèmes éthiques dans la communication des résultats, car cela donne mauvaise mine aux gens !

Certains thèmes reviennent sans cesse dans la fiction et les contes populaires. De telles histoires peuvent avoir une base affective, les histoires explorant les expériences et les émotions que l'on a dans les relations déviantes. Les contes de vampires offrent une bonne arène pour illustrer cela parce que nous avons "vampire" dans le dictionnaire Interact, et parce qu'une interprétation standard du conte est disponible dans Dracula de Bram Stoker.

Dans le roman de Stoker, un jeune homme nommé Harker est envoyé de Londres dans une région sauvage d'Europe centrale pour faire des affaires avec le comte Dracula. Les premières pages du roman développent Harker comme une "personne sans importance" agréable - un clerc d'avocat. Nous utiliserons l'identité normal-man dans les simulations. L'identité de Dracula en tant qu'être maléfique et puissant est évidente presque dès le début, et nous apprenons bientôt spécifiquement qu'il est un vampire.

La première rencontre entre Dracula et Harker se produit la nuit lors d'une promenade en calèche jusqu'au château de Dracula. Dracula fait des allers-retours sur la même route, faisant des virages brusques, s'arrêtant et sautant de la voiture pour chasser les flammes bleues. Les loups encerclent le chariot et Dracula les dissout avec un ordre. Au château, il laisse Harker attendre seul dans une cour sombre pendant un long moment. Harker fait référence à ses émotions dans les termes suivants : effrayé, un sentiment de suspense malade, effrayé, encombré de doutes et de peurs.

Avant d'examiner plus en détail l'histoire, lancez Interact et essayons de simuler cela. L'analyse est un bon endroit pour essayer des interactions à 3 personnes car Harker rencontrera également des vampires féminins, et son interaction avec elles est amorcée par son expérience précédente avec Dracula. Faire les deux premiers interactants des mâles et le troisième des femelles. Nommez le premier "Harker" et modifiez l'identité "man" par "normal". Nommez le deuxième acteur "Dracula" et donnez-lui l'identité de "vampire" sans modificateur. Nommez le troisième acteur "Ladyvamp", et faites-en un "vampire". Nous supposerons que tous les acteurs se voient comme chacun se voit.

Du point de vue de chaque interactant, configurez les premiers événements avec des comportements non spécifiés afin qu'Interact trouve les comportements qui maintiennent au mieux les identités dans chaque dyade. Voici les résultats du point de vue de Harker :

Harker pourrait apaiser Dracula (ou l'apaiser). ___ Harker peut interroger Ladyvamp (ou la commander). ___ Dracula devrait repousser Harker (ou l'énerver). ___ Dracula devrait juger Ladyvamp (ou la retenir). ___ Ladyvamp devrait idolâtrer Harker (ou le regarder). ___ Ladyvamp devrait humilier Dracula (ou le réprimander). ___

[Dans la version des années 1980 d'Interact ], nous n'obtenons que deux comportements prédits pour chaque relation en raison de problèmes d'espace. Cependant, j'ai également effectué l'analyse avec seulement deux personnes à la fois et les résultats de ces analyses élargissent les informations dans l'analyse à trois personnes. Voici les prédictions si nous ne courons que Harker et Dracula ensemble.

Harker pourrait apaiser Dracula (ou apaiser, interroger, implorer, faire taire, ordonner, implorer, le psychanalyser). ___ Dracula devrait repousser Harker (ou l'énerver, le repousser, le confondre, le mépriser, le vexer, le tromper, l'entraver). ___

Certains des comportements prédits semblent certainement caractériser les actions initiales de Dracula. De plus, le chapitre 2 du roman décrit les observations et conversations ultérieures de Harker avec Dracula - une variété de comportements qui sont raisonnablement résumés par certaines des prédictions d'Interact pour le premier acte d'un homme normal envers un vampire, comme indiqué ci-dessus.

Revenant à l'analyse à trois personnes, nous implémentons le premier événement en tant que Dracula "unnerve" Harker. Dracula déconcertant Harker laisse Harker avec les émotions prédites suivantes : émerveillé, accablé, gêné, inquiet, mélancolique, choqué.

Le chapitre 2 se termine avec Harker explorant le château et découvrant que "Le château est une véritable prison, et je suis un prisonnier!" Cela correspond approximativement aux prochains actes prédits d'un vampire envers un homme normal: lier, obstruer et confiner.

Au chapitre 3, Harker dort dans une partie inutilisée du château en opposition à l'avertissement explicite du comte de le faire. Cela correspond à la prédiction d'Interact selon laquelle Harker repousserait le vampire à ce stade.

Harker se réveille et se retrouve en présence de trois belles femmes-vampires. " Ils se sont approchés de moi et m'ont regardé pendant un certain temps, puis ont chuchoté ensemble. " L'une des filles a dit : " Il est jeune et fort, il y a des baisers pour nous tous. " Harker regarde à travers ses cils pendant que " penché sur moi. De plus en plus bas descendait sa tête tandis que les lèvres descendaient en dessous de la portée de ma bouche. Je pouvais entendre le bruit de sa langue qui lui léchait les dents et les lèvres. J'ai fermé les yeux dans une extase langoureuse et j'ai attendu - j'ai attendu le cœur battant."

Interact prédit les actes suivants pour une femme-vampire qui rencontre Harker à ce stade : applaudir, regarder. Implémentez maintenant Ladyvamp "look_at" Harker, puis l'une des prédictions suivantes : Ladyvamp "initiate" Harker. Nous trouvons Harker lâche. Ce n'est pas l'étrange extase décrite dans le roman - la simulation fait que Harker se sent faible et négatif plutôt que faible et positif. Mais l'anglais ne fournit aucun mot pour une bonne émotion faible, donc Interact n'a pas pu en présenter une. La femme vampire est censée se sentir amusée, heureuse, soulagée, encouragée, ravie, charmée, passionnée, touchée.

À cet instant, Dracula apparaît sur la scène.Il force avec colère les filles à s'éloigner de Harker en disant: "Comment osez-vous le toucher, n'importe lequel d'entre vous?" Il promet aux filles qu'elles pourront avoir Harker après que Dracula en ait fini avec lui. Les filles rient et accusent Dracula de ne jamais aimer, et l'une d'elles dit : « Est-ce qu'on n'aura rien ce soir ? » Dracula leur permet d'emmener un enfant qu'il a amené dans un sac.

Selon Interact, les actions prédites du vampire envers les femmes-vampires à ce stade sont de reprocher et de décourager. Leurs comportements prédits envers lui sont d'ordonner et de condescendre.

Le roman continue d'explorer les relations d'un vampire avec plus de gens et les relations de ses victimes les unes avec les autres. Traiter l'histoire complète est plus que ce que nous voulons faire et au-delà des capacités d'Interact dans sa forme actuelle. Nous en avons assez vu : qu'un conte de vampire est l'histoire de ce que les gens vivent tout en confirmant l'identité d'un personnage extrêmement mauvais, puissant et mort.

Interact peut être utilisé pour vous aider à comprendre les motivations et les sentiments des personnes qui adoptent un comportement qui vous est mystérieux. La procédure est la suivante.

Identifiez une personne qui se livre à des activités interpersonnelles déviantes ou étranges, et par des observations et/ou des conversations avec cette personne, informez-vous sur les activités et sur la façon dont la personne se perçoit lorsqu'elle s'engage dans ces activités. Puisque vous ne pouvez pas supposer que vous en savez beaucoup à ce sujet, une partie de la tâche consiste à distinguer les détails des activités et des rôles. Cependant, vous voulez surtout des indices sur la façon dont votre consultant juge les actes et les identités. De plus, obtenez un récit complet d'une expérience typique : les identités des acteurs, les actions interpersonnelles qui se sont produites et ce que votre consultant a ressenti au fur et à mesure que chaque événement se déroulait. Traduisez le récit en événements simples que vous pouvez analyser avec Interact , chaque événement étant composé d'un acteur, d'un comportement et d'un destinataire.

Utilisez l' évaluateur Java ou l' évaluateur Javascript pour évaluer les identités et les comportements déviants du point de vue de l' autre . Vous ne pouvez pas supposer que le consultant a les mêmes attitudes que vous, alors faites-le avec précaution : saisissez des notes que vous pouvez justifier en faisant référence à quelque chose que votre consultant a dit ou fait. Parcourez les notes plusieurs fois, de préférence à des moments différents, afin d'améliorer vos mesures en faisant la moyenne.

Utilisez l'option dans Interact pour importer des données et ajoutez vos notes aux dictionnaires. Vous pouvez utiliser les nouveaux mots dans les analyses Interact jusqu'à ce que vous quittiez le programme.

Mettre en place une analyse avec les nouvelles identités et reproduire le récit, en forçant tous les comportements impliqués, y compris les actes déviants spéciaux. Le but ici est de vérifier les émotions que votre consultant a signalées lors de l'incident comme test de vos notes. Si vous n'obtenez pas les bonnes émotions, vous devez considérer vos notes comme erronées et essayer de les réviser afin qu'elles fonctionnent raisonnablement bien.

Lorsque vous pouvez simuler l'incident, vous êtes prêt à explorer l'esprit de votre consultant en détail. Voici quelques éléments à examiner. Quelles émotions a-t-il ou elle a pensé que les autres personnes ressentaient ? À quels types de comportement peut-on s'attendre dans l'incident en dehors de ceux du récit ? Comment le consultant réidentifierait-il quelqu'un qui s'est livré à l'acte déviant crucial ? Comment le consultant dans son rôle déviant pourrait-il se comporter avec d'autres qui n'étaient pas dans le récit ?

Vous voudrez peut-être retourner voir votre consultant pour vérifier ce qu'il dit à propos de ces choses. Il peut également être intéressant d'examiner les mêmes choses en utilisant les profils habituels dans Interact afin de voir les réponses des personnes normales.

Les profils EPA pour certaines identités et comportements évalués par des personnes appartenant à des sous-cultures spéciales sont disponibles sur ce site, prêts à être importés dans Interact .

Interact est conçu pour que vous n'ayez pas à vous soucier de questions techniques : vous décrivez les personnes et les événements avec des mots, et le programme fait également toutes ses prédictions avec des mots. Mais tout ce qu'Interact prédit sur les gens et la vie sociale est compris à un niveau complètement différent en traduisant une situation en mesures de sentiments et de sentiments.

En fait, Interact comprend très peu les mots que vous utilisez pour décrire une scène. Le programme utilise simplement les mots pour rendre la scène comme un problème numérique - une représentation qui pourrait littéralement être dessinée sur un graphique. Ensuite, Interact calcule avec des équations qui décrivent comment les attitudes et les sentiments se combinent et changent, et ainsi Interact propose des prédictions. Les prédictions sont des nombres, mais Interact traduit les prédictions numériques en mots.

Par exemple, supposons que vous spécifiez que Marie est une "femme". Interact en sait très peu sur les femmes - rien sur ce qui est requis pour être une femme ou sur les responsabilités des femmes. Tout ce qu'Interact sait, c'est ce que les gens pensent des femmes - que dans l'ensemble, les femmes sont plutôt bonnes, plutôt puissantes et plutôt vives. Ces informations sont contenues dans un profil EPA qui résume les évaluations d'un certain nombre de personnes, un profil que vous pouvez produire vous-même en utilisant le programme de mesure. Le profil EPA pour « femme » est ce qu'Interact utilise pour mettre en place une situation avec une femme, et ce profil EPA est tout ce qu'Interact utilise pour faire des prédictions sur le comportement des femmes.

Voici les profils EPA pour "woman" stockés dans l'ordinateur.

homme : 2,34 0,43 1,14 femme : 1,74 0,67 0,85

La première série de chiffres résume les évaluations d'environ 25 hommes, et ces chiffres signifient qu'en moyenne, les hommes ont évalué une "femme" comme entre plutôt et extrêmement gentille, entre neutre et légèrement puissante, et légèrement animée. La deuxième série de chiffres représente les notes d'environ 25 femmes : elles ont évalué la "femme" presque de la même manière que les hommes - un peu moins agréable, un peu plus puissante et moins vive, mais pas assez pour faire la différence. (Les nombres correspondants pour les hommes et les femmes devraient différer d'environ 0,8 ou plus pour faire une différence.)

Voici les profils EPA pour "friend."

homme : 2,66 1,81 0,92 femme : 3,48 1,21 0,25

En termes de mots, les amis sont extrêmement gentils, légèrement à assez puissants et légèrement vifs. Les notes des hommes et des femmes sont similaires, mais les femmes pensent qu'un ami est encore plus gentil que les hommes, et les notes des femmes représentent également un ami plus faible et plus silencieux que les notes des hommes.

Supposons que nous devions mettre en place une interaction femme-amie. Si nous spécifions que les deux parties sont des femmes, alors Interact représenterait la scène en utilisant des profils féminins : 1,74 0,67 0,85 pour la femme et 3,48 1,21 0,25 pour l'ami. À partir de ces chiffres, Interact produit des prédictions sur les comportements standard d'une femme envers un ami

éblouir, divertir, rallier, amuser, étonner, exalter, émerveiller

et sur les comportements d'un ami envers une femme

s'il vous plaît, encouragez, félicitez, aidez, accueillez, excusez-vous, aidez.

Interact n'arrive pas directement aux noms des comportements. Il calcule un profil EPA pour représenter le comportement idéal d'une femme à un ami ou d'un ami à une femme, puis recherche des comportements avec un tel profil. Par exemple, le profil idéal pour le comportement d'un ami envers une femme est de 2,3 1,3 0,3 (et vous apprendrez à le découvrir très bientôt). De toute évidence, le comportement de plaire doit avoir un profil EPA proche de 2,3 1,3 0,3 puisque « please » était l'acte d'ami à femme le mieux classé.

Vérifions cela. Les profils EPA pour le comportement "s'il vous plaît" sont les suivants.

mâle : 1,70 1,06 0,25 femelle : 2,06 1,06 0,21

Effectivement, le profil EPA féminin pour "s'il vous plaît" est proche du profil EPA calculé pour le comportement idéal d'un ami envers une femme, mais pas exactement le même.

Si vous sélectionnez l'option où Interact signale les profils EPA, les profils EPA sont alors signalés chaque fois qu'un mot dans un dictionnaire Interact est sélectionné et chaque fois qu'une prédiction est affichée. Par exemple, avec l'option activée dans l'interaction Janet-Mary, vous verrez que le profil EPA pour la femme est de 1,73 0,68 0,85 et le profil pour l'ami est 3,48 1,20 0,26. Vous verrez également que le profil EPA idéal pour l'action de Janet après que Mary l'ait réconfortée est de 2,08 1,51 1,61. Ces nombres sont les entrées et les sorties des calculs mathématiques qui donnent à Interact sa capacité d'intuition.

Lorsque vous faites des prédictions, Interact recherche des mots qui correspondent à un profil particulier, et vous pouvez utiliser vous-même la même routine pour obtenir une liste de mots qui correspondent à un profil comme 2.3 1.3 0.3. Voici ce qui se produit lorsque vous entrez le profil EPA sur le formulaire de recherche.

mâle : apprécier, aimer, comprendre, satisfaire, caresser, aider, se marier, caresser. femme : étreinte, aide, aime, aide, souris, s'il te plaît, fais confiance, profite.

Les listes d'hommes et de femmes sont différentes parce que les hommes et les femmes ont évalué les comportements différemment.

Mais attendez! La liste des femmes ne devrait-elle pas être la même que lorsque Interact prédisait le comportement d'un ami envers une femme ? "Please" est censé être le premier. Et d'où viennent "hug", "help", etc. ? Voici l'explication. Interact a éliminé tous les autres types de comportements de sa liste de comportements prédits, à l'exception de ceux qui correspondent logiquement à la relation entre une femme et un ami. Supposons que nous réexécutions l'analyse amie-femme avec tous les filtres ouverts ? Cela permet à tous les mots d'apparaître, puis les prédictions d'Interact sur le comportement d'un ami envers une femme sont : étreinte, aimer, aider, apprécier, épouser, s'il vous plaît, applaudir, féliciter. Eh bien, c'est mieux, mais ce n'est toujours pas la même liste que celle que nous avons obtenue par recherche directe. Pourquoi? Parce que les nombres que nous avons entrés directement ont été arrondis à une décimale et pas aussi précis que les nombres utilisés par Interact. Étant donné qu'Interact a recherché des mots correspondant à un profil légèrement différent, l'ordre des mots est différent et Interact a trouvé "marry", "cheer" et "congratulate" au lieu de "aid", "smile at" et "trust." En fait, nous aussi, nous devrions trouver "marry", "cheer" , et "congratuler" si nous modifions un peu le profil. Essayez d'augmenter l'évaluation du profil de recherche de 0,1. C'est-à-dire effectuer une recherche avec le profil 2.1 1.3 0.3. Vous constaterez que "cheer", "congratulate" et "marry" apparaissent dans la liste des femmes, donc les mots supplémentaires trouvés par Interact sont vraiment proches du profil que nous avons entré.

La fonction de recherche dans Interact est particulièrement utile lorsque vous recherchez une identité ou un comportement qui a un certain sentiment.

Par exemple, dans la dernière leçon, rappelez-vous que je voulais remplacer le mot "découragement". Pour ce faire, j'ai d'abord découvert le profil EPA masculin pour "découragement", -1,53 0,53 -0,28. Ensuite, j'ai entré le profil de "découragement" sur le formulaire de recherche et j'ai fouiné jusqu'à ce que je trouve le mot "stymie" qui a un profil assez similaire, -1,14 0,99 0,18.

Vous pouvez fouiller de la même manière parmi les identités. C'est-à-dire, définissez un profil qui correspond à vos besoins, puis voyez quelles identités sont disponibles dans Interact pour représenter approximativement ce sentiment.

Vous pouvez rechercher des modificateurs ou des paramètres de la même manière.

J'ai mentionné que les intuitions sur une scène pouvaient être représentées graphiquement, et cela vaut la peine de le faire pour avoir une meilleure idée du fonctionnement d'Interact. Voici un incident à considérer.

Le petit ami de Janet se dispute avec elle et s'en va, alors Janet se sent mal au cœur lorsque Mary arrive. Mary, étant une amie, réconforte Janet. Janet soupire et fait une blague.

Il s'agit d'un événement hypothétique, mais je l'ai configuré pour qu'il corresponde à une expérience de laboratoire conçue pour tester la théorie derrière Interact . Dans l'expérience, un sujet a été déprimé (malade au cœur, dégonflé) par une interaction avec une méchante secrétaire - vraiment une actrice embauchée pour l'expérience, puis le sujet a dû interagir avec un autre acteur qui avait été présenté en tant que camarade d'études. L'expérience a montré que les personnes qui se sentent déprimées par quelque chose sortent de leur obscurité et se comportent de manière agréable lorsqu'elles sont avec quelqu'un qu'elles apprécient - comme un camarade de classe, bien qu'elles ne le fassent pas lorsqu'elles sont avec quelqu'un qu'elles n'apprécient pas - comme le même acteur décrit comme un "délinquant".

Le graphique ci-joint représente la situation de Janet et Mary.

Les mesures dans la direction verticale représentent l'évaluation, et les mesures dans la direction horizontale représentent l'activité. Nous oublierons la puissance pour le moment, car l'évaluation et l'activité sont les mesures intéressantes dans ce cas.

Janet, dans son identité de "femme", apparaît dans la partie centrale droite du graphique - évaluation de 1,7 et activité de 0,9. Marie, en tant que "ami", apparaît en haut du tableau - évaluation de 3,5 et activité 0,3.

Janet après sa dispute avec son petit ami est "malade au cœur", et n'est donc pas aussi gentille et animée qu'une femme l'est d'habitude. En fait, si les gens évaluent « une femme qui a le cœur malade », l'évaluation et les notes d'activité seraient en moyenne à peine positives pour les deux mesures. Ainsi, l'état transitoire de Janet est représenté sur le graphique en bas au milieu.

À ce stade, Mary réconforte Janet. Comme vous pouvez le voir sur le graphique, l'acte de réconfort est considéré comme extrêmement bon et un peu silencieux. En fait, réconforter est un peu plus bon et plus calme que les actes habituels d'un ami envers une femme (comme « s'il vous plaît » ou « quotcheer »), et cela reflète la réponse de Marie à l'état négatif de Janet. Mary doit être particulièrement gentille et calme afin d'améliorer l'humeur de Janet et de maintenir sa propre estime de soi tout en traitant avec une femme sombre.

Après le réconfort de Mary, nous obtenons la réponse de Janet à être réconfortée. Le réconfort a un peu fonctionné parce que Janet a progressé sur le graphique vers un état légèrement meilleur, passant d'une "femme malade au cœur" à une "femme mélancolique". Janet n'est toujours pas gaie comme une femme devrait l'être, mais elle est une un peu mieux qu'avant.

Janet s'engage dans l'un de ses comportements prédits envers Mary à ce stade : s'amuser. Comme vous le voyez sur le graphique, amuser quelqu'un est un acte assez agréable et vivant. En fait, Janet essaie maintenant d'être plus gentille que d'habitude envers son amie parce que c'est une façon de se sortir de son émotion négative : Janet amuse son amie même si elle-même se sent mélancolique dans le but de retrouver sa propre gaieté habituelle. Elle agit également bien afin de maintenir la bonté de son amie.

La tactique fonctionne partiellement. Après avoir amusé Mary, l'état émotionnel de Janet s'est à nouveau amélioré, jusqu'à se sentir "soulagée".

Janet et Mary devraient passer par quelques séries d'interactions supplémentaires avant que les conséquences de l'émotion produite par l'incident entre Janet et son petit-ami ne disparaissent. De plus, une fois qu'elle aura cessé d'interagir avec Mary, Janet pourrait se souvenir de l'incident avec son petit ami et se sentir à nouveau mal au cœur.

Une autre option dans Interact vous permet d'examiner les équations utilisées dans les calculs. Par exemple, ce sont les premières lignes des équations de formation d'impression de l'acteur masculin-comportement-objet (ABO) des États-Unis.

Z00000000 -0.25 -0.09 0.07 -0.15 0.03 -0.02 -0.09 -0.38 -0.03
Z10000000 0.44 -0.02 0.05 0.11 0.03 -0.01 0.01 0.00 -0.01
Z010000000 0.00 0.59 -0.05 0.03 0.15 -0.07 0.00 -0.06 0.00

Les équations de formation d'impression sont au cœur d'Interact. Ils décrivent comment un événement change les sentiments à propos d'une personne, et aussi comment un événement change les sentiments sur les comportements et les paramètres. Les "équations ABO" traitent des événements spécifiés en termes d'acteur, de comportement et de personne objet.

Chaque colonne de nombres décimaux du tableau représente une équation différente et les nombres sont les coefficients des différents termes de l'équation. Par exemple, la première colonne de nombres décimaux définit une équation pour prédire comment un acteur sera évalué après un événement. La deuxième colonne donne une équation pour prédire la puissance d'un acteur après un événement. Dans le cas des équations ABO, il existe des colonnes définissant comment prédire les résultats de l'EPA pour les acteurs, les comportements, les personnes objets.

La colonne de nombres zéro-un, précédée de "Z", identifie les termes qui sont dans les équations, comme suit.

si la premier chiffre dans une ligne a la valeur 1, alors le terme de l'équation défini par cette ligne fait intervenir le évaluation pré-événement de l'acteur, A e
" 2ème chiffre " puissance pré-événement de l'acteur, A p
" 3ème chiffre " activité pré-événement de l'acteur, A a
" 4ème chiffre " évaluation pré-événement du comportement, B e
" 5ème chiffre " puissance pré-événement du comportement, B p
" 6ème chiffre " activité pré-événement du comportement, B a
" 7e chiffre " évaluation pré-événement de l'objet, O e
" 8e chiffre " puissance pré-événement de l'objet, O p
" 9e chiffre " activité pré-événement de l'objet, O a
" aucun des chiffres " constante d'équation
" plus d'un chiffre " multiplication de plusieurs quantités pré-événement

Mettons maintenant en place l'équation pour prédire l'évaluation des résultats d'un acteur à la suite d'un événement, A e '. La colonne des nombres zéro-un, le terme que ces nombres définissent, puis la première colonne des nombres décimaux sont les suivants.

Z00000000 constant -0.25
Z10000000 Un e 0.44
Z010000000 Un p 0.00
Z001000000 Un un 0.01
Z000100000 Être 0.41
Z000010000 Bp -0.04
Z0000001000 B un -0.10
Z000000100 O e 0.02
Z00000010 O p -0.02
Z000000001 O un -0.01
Z100100000 A e B e 0.05
Z100010000 A e B p -0.03
Z100000100 A e O e 0.00
Z100000010 A e O p 0.01
Z010100000 A p B e 0.01
Z010010000 A p B p 0.00
Z01000010 A p O p 0.02
Z010000001 A p O a -0.01
Z001001000 A a B a 0.00
Z000100100 B e O e 0.13
Z000100010 B e O p -0.06
Z000010100 B p O e -0.06
Z000010010 B p O p 0.07
Z000010001 B p O a 0.01
Z000000110 B a O p 0.03
Z100100100 A e B e O e 0.03
Z100010010 A e B p O p 0.02
Z01010010 A p B p O p -0.02
Z01010001 A p B p O a 0.02

Nous commençons par construire l'équation en représentant la constante d'équation comme ceci :

A e est l'évaluation de l'acteur avant l'événement auquel il est associé avec un coefficient élevé, 0,44, donc l'évaluation de l'acteur avant un événement a un impact majeur sur l'évaluation après l'événement. En incluant le terme pour A e l'équation devient :

La puissance de l'acteur avant l'événement n'affecte pas l'évaluation après - le coefficient pour A p est zéro. En fait, considérons tout coefficient d'une magnitude de 0,10 ou moins comme trop petit pour être pris en compte pour nos besoins heuristiques pour le moment. Alors le prochain terme qui est important est B e avec un coefficient de 0,41. L'équation devient

A e ' = -0,25 + 0,44 A e + 0,41 B e

En continuant ainsi dans la colonne, nous obtenons l'équation suivante pour prédire l'évaluation de l'acteur après qu'un événement se soit produit.

A e ' = -0,25 + 0,44 A e + 0,41 B e - 0,10 B a + 0,13 B e O e

Notez que B e O e - le produit de l'évaluation du comportement avec l'évaluation de la personne objet - est positif si quelqu'un fait quelque chose de gentil à une personne gentille ou fait quelque chose de mal à une mauvaise personne, la quantité est négative lorsque les évaluations du comportement et de la personne objet ne correspondent pas - lorsqu'une évaluation est négative et l'autre positive.

Ainsi, l'équation dit que les bonnes impressions des acteurs sont créées lorsque les acteurs sont bons au départ, lorsqu'ils s'engagent dans des comportements bons et calmes, et lorsque les évaluations de comportement sont appropriées à l'évaluation des personnes objets. Rappelez-vous dans l'analyse de Janet-Mary : Mary a réconforté Janet, ce qui était un acte inhabituellement gentil et calme de la part d'un ami. Maintenant, vous voyez pourquoi Mary a fait cela. Mary a dû se comporter gentiment pour confirmer qu'elle était une amie - la bonté du comportement a un effet très important sur la détermination du type d'impression qui est créée. Cependant, être gentille avec une amie sombre n'a rien apporté à Marie en termes de correspondance entre l'acte et l'objet (l'effet B e O e), donc Mary a dû accumuler une bonté supplémentaire en choisissant un acte particulièrement bon et calme.

Nous avons obtenu ce que nous voulions : une idée générale de la façon dont Interact parvient à des prédictions. Bien sûr, les calculs Interact ne suppriment pas les termes dont les coefficients ont une magnitude inférieure à 0,10, car nombre de ces termes sont en fait importants pour représenter la psychologie humaine. L'équation complète suivante avec tous les termes est celle utilisée dans Interact.

A e ' = -0,25 + 0,44 A e + 0,00 A p + 0,01 A a + 0,41 B e - 0,04 B p - 0,10 B a + 0,02 O e - 0,02 O p - 0,01 O a + 0,05 A e B e - 0,03 A e B p + 0,00 A e O e + 0,01 A e O p + 0,01 A p B e + 0,00 A p B p + 0,02 A p O p - 0,01 A p O a + 0,00 A a B a + 0,13 B e O e - 0,06 B e O p - 0,06 B p O e + 0,07 B p O p + 0,01 B p O a + 0,03 B a O p + 0,03 A e B e O e + 0,02 A e B p O p - 0,02 A p B p O p + 0,02 A p B p O a

Interact utilise également des équations de formation d'impressions décrivant comment les modificateurs se combinent avec les identités. Par exemple, voici la représentation abrégée des équations masculines des États-Unis.

Z000000 -0.26 -0.18 0.07
Z100000 0.67 -0.15 0.05
Z010000 -0.29 0.76 -0.09
Z001000 -0.11 0.06 0.67
Z000100 0.47 -0.02 0.01
Z000010 -0.02 0.56 -0.09
Z000001 0.00 0.07 0.67
Z100100 0.12 0.00 0.00

Les trois colonnes de nombres décimaux définissent les équations permettant de prédire l'évaluation, la puissance et l'activité d'une combinaison. Les trois premiers chiffres Z font référence à l'évaluation, la puissance et l'activité du modificateur. Les trois derniers chiffres font référence à l'évaluation, à la puissance et à l'activité de l'identité.

Par exemple, l'équation pour prédire l'évaluation d'une combinaison modificateur-identité est :

C e = -.26 + .67 M e - .29 M p - .11 M a + .47 I e - .02 I p + .00 I a + .12 M e I e

En mots, l'évaluation de la combinaison, C e , est prévisible en additionnant environ les deux tiers de l'évaluation du modificateur, M e , et la moitié de l'évaluation de l'identité, I e , puis en ajustant un peu pour la puissance et l'activité du modificateur, M p et M a , et pour la cohérence évaluative entre le modificateur et l'identité, M e I e .

Interact retourne fréquemment les équations de fusion afin de trouver des modificateurs - par exemple, afin de trouver des termes d'émotion qui peuvent être combinés avec l'identité d'une personne afin de décrire l'état transitoire de la personne.


Discussion

La présente étude a confirmé des résultats comportementaux antérieurs montrant un ralentissement post-erreur (PES) et une amélioration post-erreur de la précision (PIA) après commission d'erreur. En fait, les essais à la suite d'erreurs étaient caractérisés par des réponses plus précises (c'est-à-dire que la plupart des sujets n'ont pas commis deux erreurs consécutives) et plus lentes (environ 50 ms). Cependant, la principale nouveauté de cette étude concerne les résultats de l'ERP, révélant une réduction de la composante PA (surtout du côté gauche) et une amélioration bilatérale (mais plus prononcée du côté droit) de la composante pN dans les essais post-erreur. Ces résultats sont cohérents avec les comptes cognitifs 12 et inhibiteurs 16 du PES. Dans les études précédentes qui utilisaient la même tâche que la présente 32,33, l'amélioration du pN a été associée à un contrôle descendant accru de manière cohérente, nous interprétons l'augmentation du pN dans les essais post-erreur comme une preuve d'un contrôle descendant accru au cours de telles essais. Le compte cognitif du PES est également soutenu par l'amplitude réduite de la PA dans les essais post-erreur, reflétant les ajustements neuronaux au niveau prémoteur. Sur la base des études IRMf 14,46 et EEG 29,47, la réduction de la PA peut être discutée en termes de référence motrice réduite, qui à son tour est responsable des RT plus lents. Au niveau neurophysiologique, l'activation de l'AMS (correspondant à l'augmentation de la PA) surmonte l'inhibition tonique fournie par les noyaux de sortie du thalamus 48 , tandis que l'hypo-activation de l'AMS (marquée par la réduction de la PA) peut être interprétée fonctionnellement comme un mécanisme de ralentissement. vers le bas la réponse du moteur 30 . Ce point de vue est également soutenu par la corrélation significative entre l'amplitude de la TA et les RT : plus la TA est petite, plus les RT sont lents (correspondant à un PES plus important). En tenant compte également de l'absence de corrélations significatives entre l'amplitude pN et les RT, nous pouvons conclure que les performances de vitesse sont principalement déterminées au niveau SMA, tandis que la composante pN reflète un contrôle de tâche plus indirect et axé sur l'attention 33 .

Il est également intéressant de noter que la réduction de la PA dans les essais post-erreur était plus importante dans l'hémisphère gauche, suggérant en outre des ajustements liés à la tâche pour la main droite qui répond. A l'inverse, l'augmentation de pN était plus prononcée sur l'hémisphère droit. Ce dernier effet de latéralité, ainsi que l'observation de l'iFg comme source du pN 34 et le rôle de la droite-iFg comme zone de contrôle inhibiteur 17,35,49, souligne la contribution des processus inhibiteurs dans les ajustements post-erreur, comme postulé par le compte inhibiteur 9 .

Étant donné que dans notre tâche, les erreurs représentaient des événements peu fréquents, les résultats actuels pourraient également être interprétés en termes de compte d'orientation 18, en d'autres termes, les erreurs pourraient être considérées comme des indices d'orientation 49 augmentant le contrôle inhibiteur et attentionnel et réduisant l'activité préparatoire des aires motrices.

Dans l'ensemble, en raison de la présence simultanée de différents processus neurocognitifs (mécanismes descendants, inhibiteurs et d'orientation), nous sommes d'accord avec d'autres auteurs 11,15,50 suggérant que différents processus préparatoires expliquent simultanément les ajustements comportementaux post-erreur. De manière cohérente, les ajustements neuronaux post-erreur ont été modulés par les aires préfrontales et prémotrices.

Il est à noter que, contrairement aux études qui utilisaient des paradigmes sujets aux erreurs en modulant la fréquence des stimuli cibles 7,19, nous avons adopté une tâche Go/No-go équiprobable. Ce choix présente plusieurs avantages, tels que : maximiser l'incertitude des stimuli, minimiser les différences de conflit de réponse entre les catégories 51 , et exclure que les processus liés à la fréquence (tels que l'effet “oddball”), plutôt que les ajustements post-erreur, prennent en compte pour les modulations ERP.

Comme également suggéré par 19 , la distinction entre les activités suivant l'erreur n'est pas triviale, car elles sous-tendent différents processus neurocognitifs. Plus précisément, il existe des activités liées à la détection et à la conscience des erreurs (les composants Ne et Pe respectivement 7,26), et d'autres liées à la prévention d'une deuxième erreur, comme le reflètent l'activité prémotrice réduite et le contrôle descendant accru (les composantes BP et pN dans la présente étude). La ségrégation temporelle de ces processus est corroborée par les présents résultats, montrant que le Pe tardif a culminé à 700 ms après le début du stimulus, ce qui correspond à 200/300 ms avant le début de la phase de préparation du prochain essai. Il convient également de noter que ces processus pourraient bien représenter une cascade connectée d'événements déclenchés par une commission d'erreur. Plus précisément, après avoir commis une erreur, le système de surveillance de l'action du PFC médial (tel que reflété par l'ERN/Ne 52 ) peut agir comme une alarme facilitant la perception consciente de l'erreur (le Pe 7 ) et recrutant les réseaux de contrôle attentionnel et inhibiteur du PFC 35,53, comme indexé respectivement par l'amélioration bilatérale et du côté droit de la composante pN. Enfin, l'activation du MFC pourrait prédire l'activité réduite du système moteur 15, comme reflété par la PA réduite qui à son tour est associée au ralentissement de la réponse.

En revanche, le traitement sensoriel visuel n'a pas présenté de modulations comme effet de la commission d'erreur sur l'essai précédent. Ce résultat est en accord avec les résultats de nos études précédentes, montrant que la modulation des potentiels P1 et N1 ne reflète pas les fluctuations de performance inter-essais, dépendantes de l'état, mais plutôt des composantes marquant la tendance comportementale individuelle dans l'exécution de l'ensemble de la tâche 30 ,37 ,45 . De plus, l'absence d'effets significatifs au niveau sensoriel confirme davantage la vision des ajustements post-erreur comme des mécanismes cérébraux médiés par un traitement de l'information de haut niveau.

En conclusion, la distinction entre les activités de détection d'erreurs et les ajustements post-erreurs pourrait également être pertinente en recherche clinique. En fait, les résultats actuels favorisent la possibilité d'étudier les corrélats neurophysiologiques de troubles n'altérant que des étapes spécifiques du traitement déclenché par erreur allant de la détection d'erreur à la prévention des erreurs, comme dans le cas, par exemple, de la toxicomanie 28 , de la lésion frontale 54 , 55 ,56 et troubles obsessionnels compulsifs 57 .