Alperen Doganer

Understanding how individuals evaluate social content in affective scenes is crucial for research in emotion, social cognition, and decision-making. However, standardized image databases often lack fine-grained ratings of social dimensions beyond basic emotional content. We present a normative dataset of 296 affective scenes rated by 424 adult participants across six social-affective dimensions: social relevance, emotion sharing, action sharing, interpersonal equality, scene pleasantness, and participatory arousal. Each image was independently coded for objective features such as number of people, face visibility, and gaze direction. All rating dimensions showed excellent interrater reliability. Pleasantness ratings demonstrated strong convergent validity with established valence norms from the International Affective Picture System (IAPS), while arousal ratings differentiated between experienced and participatory arousal, suggesting that the latter captures a distinct affective component. Correlation analyses revealed that social relevance was strongly associated with scene pleasantness and a composite “engagement” factor combining emotion sharing, action sharing, and equality. Notably, the association between pleasantness and social relevance was especially pronounced in scenes depicting single individuals. Linear mixed models further indicated that extraversion showed a tentative positive association with the engagement–social relevance relationship, which did not survive correction for multiple comparisons and requires replication. Other personality traits and empathy did not significantly moderate these relationships. This open-access dataset provides a reliable, multidimensional tool for selecting affective scenes based on both emotional and social-interpersonal features. It supports improved stimulus control and design in a wide range of behavioral and neurocognitive research. By systematically mapping social meaning in static affective scenes, our study advances existing methodological resources and offers empirical insight into the structure of social-affective appraisals. All image codes, mean ratings, and analysis scripts are publicly available via the Open Science Framework.

درک نحوه ارزیابی افراد از محتوای اجتماعی در صحنه‌های عاطفی برای پژوهش در حوزه هیجان، شناخت اجتماعی و تصمیم‌گیری اهمیت اساسی دارد. با این حال، پایگاه‌های داده تصویری استاندارد اغلب فاقد ارزیابی‌های دقیق ابعاد اجتماعی فراتر از محتوای عاطفی پایه هستند. در این پژوهش، مجموعه داده هنجاری شامل ۲۹۶ صحنه عاطفی ارائه می‌شود که توسط ۴۲۴ شرکت‌کننده بزرگسال در شش بعد اجتماعی-عاطفی ارزیابی شده‌اند: ارتباط اجتماعی، اشتراک هیجان، اشتراک عمل، برابری بین‌فردی، خوشایندی صحنه و برانگیختگی مشارکتی. هر تصویر به طور مستقل از نظر ویژگی‌های عینی مانند تعداد افراد، قابلیت مشاهده چهره و جهت نگاه کدگذاری شده است. تمامی ابعاد ارزیابی، پایایی بین ارزیاب بسیار عالی نشان دادند. ارزیابی‌های خوشایندی، روایی همگرا قوی با هنجارهای ارزش‌گذاری تثبیت‌شده از سامانه بین‌المللی تصاویر عاطفی (IAPS) داشتند، در حالی که ارزیابی‌های برانگیختگی بین برانگیختگی تجربه‌شده و مشارکتی تمایز قائل شدند که نشان می‌دهد برانگیختگی مشارکتی مؤلفه عاطفی متمایزی را منعکس می‌کند. تحلیل‌های همبستگی نشان داد که ارتباط اجتماعی با خوشایندی صحنه و عامل ترکیبی «درگیری» (شامل اشتراک هیجان، اشتراک عمل و برابری) ارتباط قوی دارد. به طور قابل توجهی، این ارتباط میان خوشایندی و ارتباط اجتماعی در صحنه‌هایی که تنها یک فرد را نشان می‌دهند، برجسته‌تر بود. مدل‌های خطی آمیخته همچنین نشان دادند که برون‌گرایی ارتباط مثبت و اولیه‌ای با رابطه درگیری–ارتباط اجتماعی دارد که پس از اصلاح برای مقایسه‌های متعدد معنادار باقی نماند و نیازمند تکرار است. سایر صفات شخصیتی و همدلی به طور معناداری این روابط را تعدیل نکردند. این مجموعه داده دسترسی آزاد، ابزاری پایا و چندبعدی برای انتخاب صحنه‌های عاطفی بر اساس ویژگی‌های هیجانی و اجتماعی-بین‌فردی فراهم می‌کند. این مجموعه از کنترل و طراحی بهتر محرک‌ها در طیف وسیعی از پژوهش‌های رفتاری و عصب‌شناختی حمایت می‌کند. با ترسیم نظام‌مند معنای اجتماعی در صحنه‌های عاطفی ایستا، مطالعه حاضر منابع روش‌شناختی موجود را ارتقا داده و بینش تجربی درباره ساختار ارزیابی‌های اجتماعی-عاطفی ارائه می‌دهد. تمامی کدهای تصاویر، میانگین ارزیابی‌ها و اسکریپت‌های تحلیل از طریق Open Science Framework به صورت عمومی در دسترس است.