Beispielbild

Lernen & Gedächtnis

Empirisches Praktikum

SoSe 2008

Auswertung der Experimente

2Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Experiment 1: Fragestellung

1. Können wir den Effekt der unterschwelligen Verarbeitung von Gesichtern replizieren?

2. Hängen die Effekte von der Polarität der gezeigten Emotion ab?

3. Hängen die Effekte von dem Geschlecht der dargestellten Person ab?

3Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Experiment 1: Hypothesen

1. Unterschwellige Identifikation?

2. Unterschiede zwischen den Emotionen: Freude vs. Angst?

3. Modifikation der Effekte durch Geschlecht der dargestellten Person?

4Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Versuchsplan

2 x 2 x 2 faktorieller Versuchsplan mit Messwiederholung

Überschwellig Unterschwellig

Positiv

Negativ

Weibl.

männl

Weibl.

Männl.

30

30

30

30 30

30

30

30

5Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Deskriptive Statistik

Stichprobe:

N = 28Alter = 26.9 (SD=7.4) 18 – 47

Geschlecht = 17 w, 11 m

RT-Kontrolle:

MIN=150msMAX=1.500ms

6Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Deskriptive Statistik

Descriptive Statistics

28 87,4500 12,41515

28 88,3214 12,09571

28 88,0357 12,64229

28 84,0036 14,11465

28 92,3321 9,75785

28 96,6214 5,09658

28 96,7393 4,97991

28 93,7000 6,03539

28

maf_n

mam_n

mhf_n

mhm_n

naf_n

nam_n

nhf_n

nhm_n

Valid N (listwise)

N Mean Std. Deviation

Trefferquote

Mxxxxx=maskiert vs nXXXX=nicht maskiert

xAxxx = ANGRY vs xHxxx=HAPPY

xxFxx= female vs xxMxx = male

7Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik Trefferquote

8Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik Trefferquote

9Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik Trefferquote

Haupteffekt Maske Interaktion: Emotion x Geschlecht

CODE

Maske 1 = maskiert

Maske 2 = nicht maskiert

Emotion 1 = Angry

Emotion 2 = Happy

Geschl 1= female

Geschl 2 = male

10Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik Trefferquote

Paired Samples Statistics

89,8911 28 9,58006 1,81046

92,4714 28 6,96425 1,31612

92,3875 28 8,01663 1,51500

88,8518 28 8,62692 1,63034

af_n

am_n

Pair1

hf_n

hm_n

Pair2

Mean N Std. DeviationStd. Error

Mean

Interaktion: Emotion x Geschlecht

Paired Samples Test

-2,58036 5,80339 1,09674 -4,83068 -,33004 -2,353 27 ,026

3,53571 5,96083 1,12649 1,22435 5,84708 3,139 27 ,004

af_n - am_nPair 1

hf_n - hm_nPair 2

Mean Std. DeviationStd. Error

Mean Lower Upper

95% ConfidenceInterval of the

Difference

Paired Differences

t df Sig. (2-tailed)

11Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Deskriptive Statistik

Reaktionszeit

Descriptive Statistics

28 722,4286 140,24355

28 701,9643 132,04698

28 674,7500 116,71860

28 690,6071 114,94164

28 680,5000 123,79149

28 666,4643 141,13258

28 610,1429 97,04284

28 645,2857 96,49174

28

maf_rt

mam_rt

mhf_rt

mhm_rt

naf_rt

nam_rt

nhf_rt

nhm_rt

Valid N (listwise)

N Mean Std. Deviation

Mxxxxx=maskiert vs nXXXX=nicht maskiert

xAxxx = ANGRY vs xHxxx=HAPPY

xxFxx= female vs xxMxx = male

12Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik

Reaktionszeit

13Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

InferenzstatistikReaktionszeit

14Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik

Haupteffekt Maske Haupteffekt Emotion

Estimates

Measure: MEASURE_1

697,438 22,111 652,069 742,806

650,598 20,259 609,029 692,167

mask1

2

Mean Std. Error Lower Bound Upper Bound

95% Confidence Interval

Pairwise Comparisons

Measure: MEASURE_1

46,839* 7,706 ,000 31,029 62,650

-46,839* 7,706 ,000 -62,650 -31,029

(J) mask2

1

(I) mask1

2

MeanDifference

(I-J) Std. Error Sig.a Lower Bound Upper Bound

95% Confidence Interval forDifferencea

Based on estimated marginal means

The mean difference is significant at the ,05 level.*.

Adjustment for multiple comparisons: Least Significant Difference (equivalent to noadjustments).

a.

Estimates

Measure: MEASURE_1

692,839 24,246 643,091 742,587

655,196 19,173 615,857 694,536

emotion1

2

Mean Std. Error Lower Bound Upper Bound

95% Confidence Interval

Pairwise Comparisons

Measure: MEASURE_1

37,643* 13,099 ,008 10,766 64,520

-37,643* 13,099 ,008 -64,520 -10,766

(J) emotion2

1

(I) emotion1

2

MeanDifference

(I-J) Std. Error Sig.a Lower Bound Upper Bound

95% Confidence Interval forDifferencea

Based on estimated marginal means

The mean difference is significant at the ,05 level.*.

Adjustment for multiple comparisons: Least Significant Difference (equivalent to noadjustments).

a.

Reaktionszeit

15Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatisik Reaktionszeit

Interaktion: Emotion x Geschlecht

Paired Samples Statistics

701,4643 28 129,68708 24,50855

684,2143 28 131,63990 24,87760

642,4464 28 102,69555 19,40764

667,9464 28 103,42589 19,54566

af_rt

am_rt

Pair1

hf_rt

hm_rt

Pair2

Mean N Std. DeviationStd. Error

Mean

Paired Samples Test

17,25000 49,56449 9,36681 -1,96910 36,46910 1,842 27 ,077

-25,50000 36,26140 6,85276 -39,56070 -11,43930 -3,721 27 ,001

af_rt - am_rtPair 1

hf_rt - hm_rtPair 2

Mean Std. DeviationStd. Error

Mean Lower Upper

95% ConfidenceInterval of the

Difference

Paired Differences

t df Sig. (2-tailed)

16Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Diskussion

1. Haben wir effektiv maskiert?

2. Können wir dennoch etwas über emotions-spezifische Unterschiede sagen?

3. Wie interpretieren wir den geschlechtsspezifischen Effekt des Senders?

17Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Experiment 2

Illusorische Wörter und Valenz

18Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Fragestellung

McKay-ExperimentBELL SHELL IT

CATCH BITCH LL

WORT 1(Neutral)

WORT 2(Neutral vs. Tabu)

FRAGMENT

SHIT

BILL

ILLUSIONÄRES WORT(Neutral vs. Tabu)

Fragestellung

Was passiert, wenn Wörter mit gemässigtenValenzen miteinander konkurrieren?

19Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Hypothesen

Hypothese also: Stärkerer Effekt für negativ valente Stimuli!

Prognose: Mehr IWsals W2s berichtet!

Prognose: Mehr W2s als IWs berichtet!

…W2=positiv & IW=negativ? …W2=negativ & IW=positiv?

Frage: Welcher Effekt auf den IW-Bericht ist zu erwarten, wenn…

20Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Design

Drei Valenz-Bedingungen:Ø W2=Neutral vs. IW=Neutral.Ø W2=Positiv vs. IW=Negativ.Ø W2=Negativ vs. IW=Positiv.

3x2-faktorielles Design(mit sechs Item-Typen)

21Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Deskriptive Statistik

Stichprobe:

N = 17Alter = 26.6 (SD=7.1) 18 – 40

Geschlecht = 10 w, 7 m

Kontrolle:

Alle Trials eliminiert, in denen W1 nicht genannt wurde, bzw. eine Halluzination.

Wenn n<80 (mehr als 50% der Trials Verlust), dann wurde der Datensatz nicht hat berücksichtigt.

22Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik

Report: Illusorisches Wort | Reales Wort

Descriptive Statistics

17 56,3235 5,55783 22,91551

17 48,8824 6,63889 27,37282

17 56,6882 6,87203 28,33412

17 32,4882 5,78792 23,86420

17 42,3471 4,91519 20,26583

17 38,6647 4,40570 18,16518

17

posra_01

posia_01

neua_01

posrb_01

posib_01

neub_01

Valid N (listwise)

Statistic Statistic Std. Error Statistic

N Mean Std.Deviation

Posra=positiv W2, RB auf Wortanfang

Posia=positiv IW, RB auf Wortanfang

Neua=neutrale Wörter, RB auf Wortanfang

Posrb, posib, neub= wie oben, aber RB auf Wortende

23Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik

Report: Illusorisches Wort | Reales Wort

Tests of Within-Subjects Effects

Measure: MEASURE_1

6635,640 1 6635,640 15,231 ,001 ,488

6635,640 1,000 6635,640 15,231 ,001 ,488

6635,640 1,000 6635,640 15,231 ,001 ,488

6635,640 1,000 6635,640 15,231 ,001 ,488

6970,655 16 435,666

6970,655 16,000 435,666

6970,655 16,000 435,666

6970,655 16,000 435,666

185,967 2 92,984 ,475 ,626 ,029

185,967 1,670 111,377 ,475 ,593 ,029

185,967 1,841 101,003 ,475 ,611 ,029

185,967 1,000 185,967 ,475 ,500 ,029

6258,006 32 195,563

6258,006 26,715 234,247

6258,006 29,459 212,428

6258,006 16,000 391,125

1317,631 2 658,815 5,750 ,007 ,264

1317,631 1,631 807,787 5,750 ,012 ,264

1317,631 1,791 735,835 5,750 ,010 ,264

1317,631 1,000 1317,631 5,750 ,029 ,264

3666,489 32 114,578

3666,489 26,099 140,486

3666,489 28,651 127,973

3666,489 16,000 229,156

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sourcerb_pos

Error(rb_pos)

emot

Error(emot)

rb_pos * emot

Error(rb_pos*emot)

Type III Sumof Squares df Mean Square F Sig.

Partial EtaSquared

24Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik

Haupteffekt: PositionInteraktion

Report: Illusorisches Wort | Reales Wort

Estimates

Measure: MEASURE_1

53,965 6,126 40,977 66,952

37,833 4,090 29,164 46,503

rb_pos1

2

Mean Std. Error Lower Bound Upper Bound

95% Confidence Interval

Pairwise Comparisons

Measure: MEASURE_1

16,131* 4,133 ,001 7,369 24,894

-16,131* 4,133 ,001 -24,894 -7,369

(J) rb_pos2

1

(I) rb_pos1

2

MeanDifference

(I-J) Std. Error Sig.a

Lower Bound Upper Bound

95% Confidence Interval forDifference

a

Based on estimated marginal means

The mean difference is significant at the ,05 level.*.

Adjustment for multiple comparisons: Least Significant Difference (equivalent to noadjustments).

a.

4. rb_pos * emot

Measure: MEASURE_1

56,324 5,558 44,541 68,106

48,882 6,639 34,809 62,956

56,688 6,872 42,120 71,256

32,488 5,788 20,218 44,758

42,347 4,915 31,927 52,767

38,665 4,406 29,325 48,004

emot1

2

3

1

2

3

rb_pos1

2

Mean Std. Error Lower Bound Upper Bound

95% Confidence Interval

25Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik

Tests of Within-Subjects Effects

Measure: MEASURE_1

659,804 2 329,902 4,046 ,027 ,202

659,804 1,990 331,537 4,046 ,027 ,202

659,804 2,000 329,902 4,046 ,027 ,202

659,804 1,000 659,804 4,046 ,061 ,202

2609,350 32 81,542

2609,350 31,842 81,946

2609,350 32,000 81,542

2609,350 16,000 163,084

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sourceemot

Error(emot)

Type III Sumof Squares df Mean Square F Sig.

Partial EtaSquared

Pairwise Comparisons

Measure: MEASURE_1

7,441* 3,116 ,030 ,836 14,047

-,365 3,180 ,910 -7,106 6,376

-7,441* 3,116 ,030 -14,047 -,836

-7,806* 2,993 ,019 -14,151 -1,461

,365 3,180 ,910 -6,376 7,106

7,806* 2,993 ,019 1,461 14,151

(J) emot2

3

1

3

1

2

(I) emot1

2

3

MeanDifference

(I-J) Std. Error Sig.a

Lower Bound Upper Bound

95% Confidence Interval forDifference

a

Based on estimated marginal means

The mean difference is significant at the ,05 level.*.

Adjustment for multiple comparisons: Least Significant Difference (equivalent to noadjustments).

a.

Tests of Within-Subjects Effects

Measure: MEASURE_1

843,795 2 421,897 1,846 ,174 ,103

843,795 1,501 562,334 1,846 ,185 ,103

843,795 1,621 520,424 1,846 ,183 ,103

843,795 1,000 843,795 1,846 ,193 ,103

7315,145 32 228,598

7315,145 24,008 304,692

7315,145 25,942 281,983

7315,145 16,000 457,197

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sourceemot

Error(emot)

Type III Sumof Squares df Mean Square F Sig.

Partial EtaSquared

26Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Was kann man bislang folgern?

Was bestimmt die Häufigkeit der Illusion?

Wird die Häufigkeit durch affektive Wörter beeinflusst?

In welche Richtung geht der Effekt?

Ist er emotionsspezifisch?

27Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Deskriptive Statistik

Report: Reales Wort | Illusorisches Wort

Descriptive Statistics

17 16,1353 3,77311 15,55695

17 23,0000 4,04268 16,66838

17 18,4353 4,64156 19,13766

17 40,3235 5,32566 21,95824

17 33,4529 3,70184 15,26307

17 35,6706 4,66678 19,24165

17

posra_10

posia_10

neua_10

posrb_10

posib_10

neub_10

Valid N (listwise)

Statistic Statistic Std. Error Statistic

N Mean Std.Deviation

Posra=positiv W2, RB auf Wortanfang

Posia=positiv IW, RB auf Wortanfang

Neua=neutrale Wörter, RB auf Wortanfang

Posrb, posib, neub= wie oben, aber RB auf Wortende

28Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik

Report: Reales Wort | Illusorisches Wort

29Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik

Estimates

Measure: MEASURE_1

19,190 3,860 11,008 27,372

36,482 3,872 28,273 44,692

rb_pos1

2

Mean Std. Error Lower Bound Upper Bound

95% Confidence Interval

Pairwise Comparisons

Measure: MEASURE_1

-17,292* 4,386 ,001 -26,589 -7,995

17,292* 4,386 ,001 7,995 26,589

(J) rb_pos2

1

(I) rb_pos1

2

MeanDifference

(I-J) Std. Error Sig.a Lower Bound Upper Bound

95% Confidence Interval forDifferencea

Based on estimated marginal means

The mean difference is significant at the ,05 level.*.

Adjustment for multiple comparisons: Least Significant Difference (equivalent to noadjustments).

a.

4. rb_pos * emotion

Measure: MEASURE_1

16,135 3,773 8,137 24,134

23,000 4,043 14,430 31,570

18,435 4,642 8,596 28,275

40,324 5,326 29,034 51,613

33,453 3,702 25,605 41,300

35,671 4,667 25,777 45,564

emotion1

2

3

1

2

3

rb_pos1

2

Mean Std. Error Lower Bound Upper Bound

95% Confidence Interval

Haupteffekt: PositionInteraktion

Report: Reales Wort | Illusorisches Wort

30Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Inferenzstatistik

Tests of Within-Subjects Effects

Measure: MEASURE_1

415,087 2 207,544 3,285 ,050 ,170

415,087 1,518 273,487 3,285 ,066 ,170

415,087 1,644 252,559 3,285 ,062 ,170

415,087 1,000 415,087 3,285 ,089 ,170

2021,499 32 63,172

2021,499 24,284 83,243

2021,499 26,296 76,874

2021,499 16,000 126,344

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sourceemotion

Error(emotion)

Type III Sumof Squares df Mean Square F Sig.

Partial EtaSquared

Pairwise Comparisons

Measure: MEASURE_1

-6,865* 1,804 ,002 -10,688 -3,041

-2,300 3,126 ,473 -8,927 4,327

6,865* 1,804 ,002 3,041 10,688

4,565 3,045 ,153 -1,890 11,019

2,300 3,126 ,473 -4,327 8,927

-4,565 3,045 ,153 -11,019 1,890

(J) emotion2

3

1

3

1

2

(I) emotion1

2

3

MeanDifference

(I-J) Std. Error Sig.a Lower Bound Upper Bound

95% Confidence Interval forDifferencea

Based on estimated marginal means

The mean difference is significant at the ,05 level.*.

Adjustment for multiple comparisons: Least Significant Difference (equivalent to noadjustments).

a.

Tests of Within-Subjects Effects

Measure: MEASURE_1

418,046 2 209,023 1,304 ,285 ,075

418,046 1,591 262,786 1,304 ,283 ,075

418,046 1,738 240,524 1,304 ,284 ,075

418,046 1,000 418,046 1,304 ,270 ,075

5128,981 32 160,281

5128,981 25,453 201,506

5128,981 27,809 184,436

5128,981 16,000 320,561

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sphericity Assumed

Greenhouse-Geisser

Huynh-Feldt

Lower-bound

Sourceemotion

Error(emotion)

Type III Sumof Squares df Mean Square F Sig.

Partial EtaSquared

Report: Reales Wort | Illusorisches Wort

31Grundlagen: Klassische KonditionierungFachbereich, Titel, Datum

Diskussion

1. Gibt es generell einen Effekt der Valenz der Wörter?

2. Wie beeinflusst die Valenz des Wörter den Wettbewerb zwischen den Wortformen?

3. Wie interpretieren wir den Effekt der Position des Wiederholungsblindheit?