Data From the MySWOW Proof-of-Concept Study: Linking Individual Semantic Networks and Cognitive Performance

Wulff, Dirk U.; Aeschbach, Samuel; Deyne, Simon De; Mata, Rui

doi:10.5334/jopd.55

Cited by 5 publications

(5 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…This is crucial for two reasons. Aggregate networks likely do not accurately reflect the structure of individual level networks 9,12,34 . Further, similarity ratings likely recruit different retrieval processes than those underlying the two elicitation methods past studies have relied on, semantic fluency and free associations.…”

mentioning

confidence: 99%

Structural differences in the semantic networks of younger and older adults

Wulff

Hills

Mata

2022

Sci Rep

View full text Add to dashboard Cite

Cognitive science invokes semantic networks to explain diverse phenomena, from memory retrieval to creativity. Research in these areas often assumes a single underlying semantic network that is shared across individuals. Yet, recent evidence suggests that content, size, and connectivity of semantic networks are experience-dependent, implying sizable individual and age-related differences. Here, we investigate individual and age differences in the semantic networks of younger and older adults by deriving semantic networks from both fluency and similarity rating tasks. Crucially, we use a megastudy approach to obtain thousands of similarity ratings per individual to allow us to capture the characteristics of individual semantic networks. We find that older adults possess lexical networks with smaller average degree and longer path lengths relative to those of younger adults, with older adults showing less interindividual agreement and thus more unique lexical representations relative to younger adults. Furthermore, this approach shows that individual and age differences are not evenly distributed but, rather, are related to weakly connected, peripheral parts of the networks. All in all, these results reveal the interindividual differences in both the content and the structure of semantic networks that may accumulate across the life span as a function of idiosyncratic experiences.

show abstract

mentioning

confidence: 99%

Structural differences in the semantic networks of younger and older adults

Wulff

Hills

Mata

2022

Sci Rep

View full text Add to dashboard Cite

show abstract

“…First, as mentioned above, the models we used did not account for the relationships among competing associations. Whereas the architecture of advantage models might allow to account for this effect, this might first require obtaining reliable estimates of the subjective similarity between associations, using a different method for estimating associative spaces (e.g., sampling extensively within individuals; Morais et al, 2013; Wulff et al, 2022). In this regard, an intriguing challenge for future modeling efforts is that the similarity between associations might vary as a function of a cue.…”

Section: Discussionmentioning

confidence: 99%

Accumulating evidence for myriad alternatives: Modeling the generation of free association.

Fradkin¹,

Eldar²

2023

Psychological Review

View full text Add to dashboard Cite

The associative manner by which thoughts follow one another has intrigued scholars for decades. The process by which an association is generated in response to a cue can be explained by classic models of semantic processing through distinct computational mechanisms. Distributed attractor networks implement rich-get-richer dynamics and assume that stronger associations can be reached with fewer steps. Conversely, spreading activation models assume that a cue distributes its activation, in parallel, to all associations at a constant rate. Despite these models' huge influence, their intractability together with the unconstrained nature of free association have restricted their few previous uses to qualitative predictions. To test these computational mechanisms quantitatively, we conceptualize free association as the product of internal evidence accumulation and generate predictions concerning the speed and strength of people's associations. To this end, we first develop a novel approach to mapping the personalized space of words from which an individual chooses an association to a given cue. We then use state-of-the-art evidence accumulation models to demonstrate the function of rich-get-richer dynamics on the one hand and of stochasticity in the rate of spreading activation on the other hand, in preventing an exceedingly slow resolution of the competition among myriad potential associations. Furthermore, whereas our results uniformly indicate that stronger associations require less evidence, only in combination with rich-get-richer dynamics does this explain why weak associations are slow yet prevalent. We discuss implications for models of semantic processing and evidence accumulation and offer recommendations for practical applications and individual-differences research.

show abstract

“…Для создания датасета из 253 стимулов были отобраны 47 на основании частоты встречаемости в текстах разных жанров, входящих в БД RusIdiolect (Litvinova, 2021) (поскольку создание датасета являлось одним из этапов сравнительного исследования особенностей индивидуального значения слова в ассоциативном эксперименте и дискурсе): бабушка, бог, богатый, враг, встретить, глаз, глупый, добро, дом, дорогой, друг, думать, душа, жизнь, история, лес, любить, маленький, мама (в РСпАС отсутствует, но есть слово «мать», но в материале БД RusIdiolect частотность слова «мама» значительно выше, чем у слова «мать», в связи с чем в итоговый список стимулов мы внесли именно эту лексему), место, много, настоящий, начало (в РСпАС отсутствует, но есть начать), ненавидеть, новый, обещать, обман, огонь, плохо, помощь, простой, путь, радость, результат, родной, русский, свет, связь, семья, смерть, смысл, счастье, труд, увидеть, учиться, хотеть. К этому списку были добавлены три слова, частотных в текстах БД RusIdiolect, но отсутствующих в РСпАС, -дерево, мир (оба слова входят, согласно данным (Уфимцева, 2009), в ядро русского языкового сознания), а также слово Россия.…”

Section: Code and Dataset Are Available On Githubunclassified

“…Е. И. Горошко в работе 2001 года отмечает, что индивидуальное ассоциативное поведение очень редко выступает предметом исследовательского внимания (Горошко, 2001). В работе 2022 года (Wulff et al, 2022) содержится описание датасета (проект My Small World of Words) индивидуальных ассоциативных реакций 8 респондентов, при этом указывается на уникальность такого датасета; очевидно, создание подобных наборов данных является актуальной, но крайне трудоемкой исследовательской задачей (см. подробнее об этом: Литвинова, Любова, 2023).…”

unclassified

Индивидуальные Различия В Ассоциативном Значении Слова Сквозь Призму Языковой Модели И Семантического Дифференциала

Литвинова,

Паничева

2024

RR. TAL

View full text Add to dashboard Cite

Существованиеиндивидуальных различийв семантике слова признается многими исследователями. Однако установление и описание подобных различий представляет собой сложную научную задачу, связанную с необходимостью проведения трудоемкой семантической разметки и неизбежным субъективизмом исследователя. В настоящей работе нами предлагается метод выявления различий в индивидуальной семантике слов на основе автоматически рассчитанных оценок ассоциативного значения слова по шкалам семантического дифференциала. Используя дистрибутивную семантическую модель word2vec, обученную на многомиллионном корпусе текстов, и метод Concept Mover's Distance, мы получили для каждого ассоциативного ряда оценки по 18 шкалам семантического дифференциала. В нашей работе впервые данный метод, активно использующийся в новейших работах, рассматривающих текст как данные (преимущественно выполненных в русле computational social science), применяется по отношению к такому объекту анализа, как ассоциативный ряд, с целью описания индивидуальных различий в семантике слов. В качестве материала для исследования мы использовали специально созданный датасет, содержащий ассоциативные реакции к словам-стимулам, важным для русского языкового сознания, данные о психологических характеристиках респондентов (черты «Большой пятерки») и их эмоциональном состоянии в момент прохождения тестирования. Применяя комплекс методов анализа многомерных данных (метод главных компонент, факторный анализ, иерархическая кластеризация на главных компонентах), мы разделили слова-стимулы на группы в зависимости от выраженности индивидуальных различий в их семантике. Нами также была установлена связь эмоционально-психологических характеристик респондентов и автоматически рассчитанных оценок ассоциативного значения слов-стимулов по шкалам семантического дифференциала. Описанная методика анализа может применяться для получения оценок ассоциативных рядов (а также контекстов употребления слов в текстах) по любым семантическим оппозициям и предлагается как дополнение к традиционным методам выявления психологически реального значения слова. Используемый в работе датасет и код для воспроизведения полученных результатов на языке R доступны для исследователей.

show abstract

Data From the MySWOW Proof-of-Concept Study: Linking Individual Semantic Networks and Cognitive Performance

Cited by 5 publications

References 18 publications

Structural differences in the semantic networks of younger and older adults

Structural differences in the semantic networks of younger and older adults

Accumulating evidence for myriad alternatives: Modeling the generation of free association.

Индивидуальные Различия В Ассоциативном Значении Слова Сквозь Призму Языковой Модели И Семантического Дифференциала

Contact Info

Product

Resources

About