The effect of visual familiarity on the implicit learning of prototype and eigenfaces
Notice bibliographique
Résumé
The human visual system implicitly learns statistical regularities from the environment. Our previous study demonstrated that central tendency (prototype) and at least the first two principal components (eigenfaces) are more efficiently learned from a group of newly encountered faces than the actually studied faces (Gao & Wilson, 2013), which provides an efficient mechanism for encoding new facial identities at an individual level. However, it is not clear whether the prototype and eigenfaces also play an essential role in encoding familiar faces. In the current study, we investigate the effect of visual familiarity on the learning of the prototype and eigenfaces. Adult participants (N = 31, mean age = 20 ± 2.6 years, 13 males) studied 16 synthetic faces in four successive learning sessions. In each session, each face was studied for 20 seconds over four presentations. We measured participants memory performance after each learning session using an old/new recognition paradigm with the new faces sampled from an orthogonal volume of the face space relative to the studied faces. We also measured participants false memory for the unseen prototype face and eigenfaces of the first principal component of the studied faces after the first and the fourth learning sessions. Participants memory for studied faces improved from a moderate level (Hit = 0.60, FA = 0.22) after the first learning session to ceiling (Hit = 0.91, FA = 0.06) after the third learning session. However, the false recognition rates for the unseen prototype face and eigenfaces did not change between the first and the fourth learning sessions, and in both cases were higher than the recognition rates of the studied faces (ps<0.05). The results suggest that even with increased familiarity of the studied faces, prototype and principal components still play a crucial role in encoding individual facial identities. 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 | 0,011 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».