Detecting emotions is easier in less realistic faces.
Notice bibliographique
Résumé
In investigations of emotional expression, schematic faces are attractive stimuli because they can be precisely controlled. However, these stimuli are then often treated as comparable to real faces, which could be problematic. Previous research has shown that schematic faces are processed less holistically than naturalistic faces (Prazak, E.R., & Burgund, E.D., 2014) and that the deficits autistic patients have in emotion detection may not extend to cartoon faces (Rosset, D.B., Rondan, C., Da Fonseca, D., Santos, A., Assouline, B., & Deruelle, C., 2008). These examples suggest that in some cases, cartoon faces are processed differently. We hypothesized that higher levels of schematization increase communicability of emotion. Here we tested participants in a discrimination task with emotional faces presented with varying degrees of schematization: in addition to unmanipulated greyscale photos, we applied rotoscoping software to generate two heavy outlined “cartoon” versions of the same photographs with high vs. low contrast. To vary featural complexity, simple cartoon faces underwent the same treatment to create two schematic stimulus types. The resulting stimulus set contained five types of faces - three photo-based and two schematic - which non-linearly spanned a range from photos to simple cartoons. In each trial, participants were presented with a rapidly presented face (17, 33, 50, and 66 ms) and instructed to identify which emotion was present. At 17 ms, expressions in photos were detected above chance. However, for every stimulus type moving away from photos towards cartoons, accuracy increased. That is, at shorter presentation times, as contrast increased and featural complexity decreased, discrimination became more successful. These results suggest that, as faces are represented less realistically, their informational content is more easily accessed. Moreover, our data also suggest that both contrast and featural complexity influence how easy it is to detect emotions in an image. Meeting abstract presented at VSS 2015
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».