Increasing attentional competition and uncertainty: An ecological approach to the cross-race effect
Notice bibliographique
Résumé
The other-race effect (ORE: better recognition of own-race faces) is typically studied by presenting faces sequentially to participants and testing recognition using an old/new task. In the real world, people encounter multiple faces simultaneously and in complex scenes and so other-race faces compete for attention. Preferential attention to own-race faces on a daily basis and increased uncertainty when recognizing others in the real world may magnify the ORE in comparison to the relatively small effects typically found in the lab. We compared own- versus other-race face recognition under two different study and test conditions (n = 20 Caucasian participants per group). Participants studied 32 faces (16 Chinese; 16 Caucasian) sequentially (2s per face) or in arrays (shown for 24s) comprising eight faces (four Chinese) and multiple household objects. Recognition was tested using an old/new sequential-presentation task or a "lineup" task in which the proportion of old versus new faces varied across trials. We hypothesized accuracy would be higher in the traditional task but that the ORE would be larger in the array task. The d’ values were higher for own-race faces than other-race faces (p<.001). The magnitude of the ORE varied as a function of learning style (p=.03) but not testing style (p=.72). Surprisingly, accuracy was higher when faces were presented sequentially than in arrays and this effect was larger for own-race faces. Increasing presentation times of the arrays (40s; n = 20) did not alter this pattern of results. Our results suggest that even own-race faces are hard to recognize when they compete for attention with other stimuli (Mean d’ = .67) and that perceptual expertise for own-race faces may be most evident under ideal (i.e., sequential) viewing conditions. Meeting abstract presented at VSS 2013
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 ».