研究问题
这项研究是 3 项研究项目的一部分，在该项目中，我们调查了情绪分化和情绪识别之间的关系。在第一项研究中，我们使用阿姆斯特丹情绪识别测试 （AERT） 没有发现情绪分化 （ED） 和情绪识别之间的关系，因此我们想使用额外的措施来复制这一发现。 主要问题：情绪差异化（或情绪粒度）是否能提高情绪识别能力？ 我们将使用 Erbas 等人 （2014） 计算的 ED 测量，即 ICC，并检查它是否能预测各种不同情绪识别测试的结果：阿姆斯特丹情绪识别测试 （AERT）、日内瓦情绪识别测试 （GERT） 和阅读眼睛中的心灵测试 （RMET）。
假设
1a.如果情绪分化与情绪识别无关，我们预测 ED-ICC 不能预测 AERT、GERT 和 RMET （研究 1 的复制和扩展）。 1b.如果情绪分化仅与复杂刺激的情绪识别有关，我们预测 ED-ICC 正预测 RMET 的分数，但不能预测 AERT （研究 1 的复制）和 GERT。 1c 的。如果情绪分化与情绪识别有关，但之前的无效发现是由于 AERT 的特定刺激，我们预测 ED-ICC 不能预测 AERT，但可以预测 GERT 和 RMET。 2. ED-ICC 负向预测一个人自己的负面情绪强度和个人痛苦（IRI 的子量表）（复制研究 1 和 Erbas 等人，2014 年）
采样计划
现有数据
在创建数据之前进行注册
现有数据的解释
我们不使用现有数据，这项研究纯粹是验证性的。
数据收集程序
将使用 M-Turk 工人收集数据，并以 Qualtrics 作为在线平台。我们将只包括以英语为母语的参与者，以控制语言差异（以及情感术语的使用）。 我们将为每位参与者支付 3 美元。
未选择文件
样本量
我们的目标样本是 200 名参与者。我们的目标是收集最多 250 名参与者，以防参与者未能通过注意力检查和以下标准。单位是个体。 - 参与者应成功完成注意力检查项目，并在问卷上花费最少时间（15 分钟）。 - 英语应为参与者的母语 - 参与者年龄应在 18 至 70 岁之间
样本量基本原理
我们进行了功效分析，表明 200 的样本足以建立 .20 与 .80 功效的相关性。为了安全起见，我们将再收集 50 名参与者，并能够根据我们的排除规则排除参与者。
停止规则
当我们收到 250 名参与者的回答时，我们将停止。
变量
纵的变量
我们不使用任何作，但有一个相关的设计。所有措施都将对所有参与者进行管理。 因为识别任务（RMET、GERT、AERT）需要参与者集中注意力，所以我们将从三个识别任务开始（按随机顺序），之后我们将管理 ED 任务，最后是 IRI 和 Verbal IQ 任务。
未选择文件
测量变量
我们包括以下任务/措施。我们为不太知名或不经常使用的任务附加文件： - 情绪分辨任务 （ED） （附件） - AERT （阿姆斯特丹情绪识别测试） （附件） - RMET（Reading the Mind in the Eyes 测试） - GERT（日内瓦情感识别测试）- GERT 是一项情感识别任务，由 83 个简短的音频视频剪辑组成，由 5 名男性和 5 名女性扮演。它包括 14 种情绪的描绘（6 种积极：娱乐、自豪、兴趣、喜悦、愉悦、解脱）和 8 种消极情绪：愤怒、厌恶、绝望、焦虑、烦躁、恐惧、惊讶、悲伤））。在每个剪辑之后，参与者会被问到演员在强制选择任务中表达了哪种情绪（来自 14 个情绪标签）。对于每个剪辑，参与者的响应被编码为二进制变量（0 = 错误，1 = 正确）。 -语言智商（希普利词汇测试）（附件）
- Emotion Differentiation Task - Erbas etal. 2014.pdf
- AERtest (Amsterdam Emotion Recognition).pdf
- 3_vocabularyExercise.docx
指标
1. 情绪分化指数 （ED-ICC） 计算为每个参与者的所有 20 张图片上所有 20 种情绪评级的反向类内相关性。 2. 不同情绪词的数量指数 （ED-NEW） 是通过计算每个参与者评分大于 0 强度的情绪数量，平均 20 张图片来计算的 3. AERT 分数是通过计算所有 24 张照片的正确评级比例来计算的。 4. RMET 分数是通过对情绪状态的正确标记相加来计算的。我们将使用正确标记情绪的比例作为因变量。 5. 最终的 GERT 分数是通过将正确的情绪评级相加来计算的。我们将使用正确识别的比例作为因变量。 6. IRI（人际反应指数） - 我们将使用 PD 量表上的平均分数 7. 附上词汇测试正确答案的答案
设计方案
研究类型
观察性研究 - 数据是从未随机分配到治疗组的研究对象中收集的。这包括调查、“自然实验”和回归不连续性设计。
致 盲
- 本研究不涉及盲法。
研究设计
该研究具有相关设计。因为识别任务（RMET、GERT、AERT）需要参与者集中注意力，所以我们将从三个识别任务开始（按随机顺序），之后我们将管理 ED 任务，最后是 IRI 和 Verbal IQ 任务。
未选择文件
随机化
三个识别任务的顺序将是随机的。所有其他任务的顺序是固定的。
分析计划
统计模型
验证性分析 一个。我们将进行一系列双变量 （Spearman） 相关性，以测试 ED-ICC 是否对自己的负面情绪强度和个人痛苦（分量表 IRI）产生负面影响。 b.然后，我们将对三个 DV （AERT、GERT、RMET） 中的每一个进行一次分层回归分析。 - 我们将首先检查线性、正态性和同方差性的假设，并报告变量和残差的散点图。 c. 我们将 ED-ICC 与 Enter 方法一起包括，然后在第二步中，在向后程序中添加以下预测因子：IRI（个人痛苦）、IRI（透视）和语言智商，以探索它们在解释 DV 的额外方差方面的潜在贡献。
未选择文件
转换
根据 Erbas 等人（2014 年），我们将使用 ICC 的反向编码值，这样更高的反向 ICC 反映了更高水平的情感差异。
随访分析
无后续分析
推理标准
统计显着性将根据小于 0.05 （p<.05） 的 p 值确定，所有分析均采用两个尾部检验。 在空结果的情况下，我们将考虑贝叶斯统计来检查零假设与备择假设的概率。