They all look different to me: Within-person variability affects identity perception for other-race faces more than own-race faces
Notice bibliographique
Résumé
People are worse at recognizing other-race faces than own-race faces. This other-race effect (ORE) has been attributed to worse discrimination of other-race faces, as reflected in the phrase "they all look the same to me". A neglected challenge in face recognition has been the ability to recognize a face's identity across superficial changes (e.g., expression, hairstyle). Indeed, even for own-race faces, photos of the same person can be perceived as belonging to different individuals, unless that person is familiar (Jenkins et al., 2011). We investigated how within-person variability affects our perception of identity for own and other-race faces. Caucasians (n=49) were given 40 photographs of two unfamiliar people (20 photographs/model) and asked to sort them into piles such that each pile had all of the pictures of one person. The photos were either of own-race (UK celebrities) or other-race (Chinese celebrities) faces. Participants had more difficulty discriminating other-race faces; more participants put two different people into the same pile for other-race (92%) than own-race (63%) faces. Notably, participants sorted the photographs into significantly more identities for other-race (M = 10.96; range = 4 to 31) than for own-race faces (M = 4.79; range = 2 to 16: Cohen's d =1.18). It is unlikely that the smaller number of piles for own-race faces reflects less variability among the Caucasian photographs. In an ongoing study, Chinese participants (to date, n = 6) sorted the Caucasian photographs into an average of 15 identities (range = 8 to 20). These findings suggest that studies in which the same image of a face is used for presentation and test may under-estimate the challenge of recognizing other-race faces. In the real world it may be the case that 'they all look different to me'. Meeting abstract presented at VSS 2014
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 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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 ».