How efficient are the recognition of dynamic and static facial expressions?
Notice bibliographique
Résumé
Recently, Ambadar, Schooler and Cohn (2005) compared facial expression recognition performance with static and dynamic stimuli. To control for task difficulty, the researchers equated the information content in their dynamic and in their so-called “multi-static” condition, in which the frames of the dynamic stimuli were separated by noise masks and were played very slowly. Observers were better at discriminating dynamic than multi-static stimuli but only when the facial expressions were subtle. This result, however, might be due to low-level masking or to some high-level memory decay rather than to observer's sensitivity to facial expression movement per se. Here, we factored out task difficulty by measuring the calculation efficiency for the static vs. dynamic recognition of eight facial expressions (happiness, fear, sadness, disgust, surprise, anger, and pain). Contrary to sensitivity measures, such as the d', efficiency measures are directly comparable across tasks. Twenty naïve observers will participate to the experiment. We will extract their energy thresholds for the recognition of static and dynamic facial expressions (drawn from sets of 80 static and 80 dynamic stimuli) in five levels of external noise using the method of constant stimuli (5–10 levels of energy per noise level). Calculation efficiencies will be computed by dividing the slopes of the lines that best fit the energy thresholds of ideal and human observers. Preliminary results obtained on three observers yield efficiencies of about 20.43%, 11.46%, 11.95% and 10.4%, 8.76%, 7.36%, respectively, for the recognition of static and dynamic facial expressions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».