Caucasian and Asian observers used the same visual features for race categorisation.
Notice bibliographique
Résumé
Using the Bubbles method (Gosselin & Schyns, 2001), we recently explored the visual information mediating race categorisation in Caucasian observers (Fiset et al., VSS 2008). Unsurprisingly, the results show that different visual features are essential to identifying the different races. More specifically, for African American faces, Caucasian participants used mainly the nose and the mouth in the spatial frequency (SF) bands ranging from 10 to 42 cycles per face width. For Asian faces, they used the eyes in the SF bands ranging from 10 to 84 cycles per face width and the mouth in the SF band ranging from 5 to 10 cycles per face width. For Caucasian faces, they used the eyes in the SF bands ranging from 5 to 21 cycles per face width as well as the mouth and the region between the eyes in the second highest SF band ranging from 21 to 42 cycles per face width. Here, we verify if the visual information subtending race categorisation differs for Asian participants. In order to do this, we asked 38 Asian participants from Southwest University in Chongqing (China) to categorise 700 "bubblized" faces randomly selected from sets of 100 male Caucasian faces, 100 male African American faces, and 100 male Asian faces. Separate multiple linear regressions between information samples and accuracy were performed for each race. The resulting classification images reveal the most important features for the categorisation of Caucasian, African American, and Asian faces by Asian observers. Comparison between observers of both races reveals nearly identical visual extraction strategies for race categorisation. These results will be discussed with respect to the literature showing differences in visual strategies employed by Asian and Caucasian observers (e.g. Blais et al., 2008). Meeting abstract presented at VSS 2012
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».