One limitation of modern methods fo

One limitation of modern methods for analyzing repeated measures is that results from fitting mixed models cannot easily be presented graphically in terms of subject level raw data. Thus, we used simplified, and statistically less powerful traditional methods to generate simple scatter plots. For each participant, we computed two difference scores, representing the degree to which participants modulate their gaze pattern in response to the experimental condition. The first difference score focused on participants’ % fixation duration to the Face AOI and was computed as the difference between (1) participants average % fixation duration to the Face AOI during the 16 congruent trials, and (2) participants average % fixation duration to the Face AOI during the 16 congruent trials (congruent minus incongruent). The second difference score was computed identically and focused on the participants’ % fixation duration to the Target AOI. Scatter plots representing the association between these two difference scores and participants’ BAPQ aloof subscale scores are presented in Fig. 3.

ผลลัพธ์ (ไทย) 1:

ข้อจำกัดหนึ่งของวิธีสมัยใหม่สำหรับการวิเคราะห์มาตรการซ้ำได้ว่า ผลลัพธ์จากรูปแบบผสมที่เหมาะสมไม่สามารถนำเสนอภาพในเรื่องข้อมูลดิบระดับ ดังนั้น เราใช้ง่าย และทางสถิติมีประสิทธิภาพน้อยกว่าวิธีดั้งเดิมเพื่อสร้างผืนกระจายง่าย สำหรับแต่ละผู้เข้าร่วม เราคำนวณสองความแตกต่างคะแนน แสดงถึงระดับที่ผู้เรียน modulate ลายสายตาของพวกเขาในการตอบสนองเงื่อนไขการทดลองงาน ความแตกต่างแรกคะแนนมุ่งเน้นระยะเวลาเบี%คนกับ AOI หน้า และถูกคำนวณเป็นผลต่างระหว่าง (1) ผู้เข้าร่วมเฉลี่ยระยะเวลาเบี%กับ AOI หน้าระหว่าง 16 แผงทดลอง และ (2) ผู้เข้าร่วมเฉลี่ยระยะเวลาเบี%กับ AOI หน้าระหว่างทดลองแผง 16 (แผงลบ incongruent) คะแนนความแตกต่างสองคำนวณเหมือนกัน และเน้นระยะเวลาเบี%ของผู้เข้าร่วมกับ AOI เป้าหมาย กระจายลงจุดแสดงถึงความสัมพันธ์ระหว่างคะแนนสองความแตกต่างเหล่านี้ และจะแสดงคะแนนของผู้เข้าร่วม BAPQ subscale อยู่ห่าง ๆ Fig. 3

ผลลัพธ์ (ไทย) 2:

หนึ่งในข้อ จำกัด ของวิธีการที่ทันสมัย​​สำหรับการวิเคราะห์วัดซ้ำคือผลลัพธ์ที่ได้จากการผสมรูปแบบที่เหมาะสมไม่สามารถนำเสนอภาพกราฟิกในแง่ของระดับเรื่องข้อมูลดิบ ดังนั้นเราจึงใช้ง่ายและสถิติที่มีประสิทธิภาพน้อยกว่าวิธีการแบบเดิมในการสร้างแผนการกระจายง่าย สำหรับผู้เข้าร่วมแต่ละครั้งเราคำนวณความแตกต่างสองคะแนนคิดเป็นระดับที่ผู้เข้าร่วมการปรับเปลี่ยนรูปแบบการจ้องมองพวกเขาในการตอบสนองต่อสภาพการทดลอง คะแนนความแตกต่างครั้งแรกที่มุ่งเน้นไปที่ระยะเวลาการตรึง% ของผู้เข้าร่วมการ AOI ใบหน้าและได้รับการคำนวณความแตกต่างระหว่าง (1) ผู้เข้าร่วมระยะเวลาการตรึง% เฉลี่ยที่ใบหน้า AOI ในช่วง 16 การทดลองสอดคล้องกันและ (2) ผู้เข้าร่วมเฉลี่ย% ระยะเวลาการตรึง ใบหน้า AOI ในช่วง 16 การทดลองสอดคล้อง (สอดคล้องกันลบสอดคล้องกัน) คะแนนความแตกต่างที่สองคือการคำนวณเหมือนกันและจดจ่ออยู่กับระยะเวลาการตรึง% ของผู้เข้าร่วมการเป้าหมาย AOI แปลงกระจายเป็นตัวแทนของความสัมพันธ์ระหว่างทั้งสองคะแนนความแตกต่างและเข้าร่วม BAPQ คะแนน subscale ห่างจะถูกนำเสนอในรูป 3

ผลลัพธ์ (ไทย) 3:

ข้อจำกัดของวิธีการที่ทันสมัยในการวิเคราะห์การวัดซ้ำคือว่า ผลลัพธ์จากแบบจำลองผสมที่เหมาะสมไม่สามารถจะแสดงภาพกราฟิกในแง่ของการศึกษาระดับดิบข้อมูล ดังนั้นเราจึงใช้ง่ายและมีประสิทธิภาพน้อยกว่าอย่างมีนัยสำคัญทางสถิติแบบดั้งเดิมวิธีการสร้างแปลงกระจายง่าย สำหรับผู้เข้าร่วมแต่ละ เราคำนวณที่ต่างกัน 2 คะแนนแทนการที่ผู้ผันแบบแผน สายตาของพวกเขาในการตอบสนองต่อเงื่อนไขการทดลอง คะแนนความแตกต่างก่อนเน้นผู้เข้าร่วม % การตรึงระยะเวลาหน้าอาโออิและคำนวณเป็น ความแตกต่างระหว่าง ( 1 ) ผู้เข้าร่วม % การตรึงเฉลี่ยระยะเวลาหน้าอาโออิ ในช่วง 16 หลังการทดลอง( 2 ) ผู้เข้าร่วม % การตรึงเฉลี่ยระยะเวลาหน้าอาโออิในระหว่างการทดลอง ( ข้อ 16 ข้อลบซึ่งไม่สอดคล้องกัน ) สองความแตกต่างคะแนนเรียนเหมือนกันและเน้นผู้เข้าร่วม % การตรึงระยะเวลาเป้าหมาย อาโออิแปลงกระจายแสดงความสัมพันธ์ระหว่างทั้งสองและผลต่างของคะแนนของผู้เข้าร่วม bapq ห่าง ( คะแนนจะแสดงในรูปที่ 3