Greater usage of the left eye causes better facial gender discrimination
Notice bibliographique
Résumé
We recently discovered that the use of the eye located on the left side of the stimuli (henceforth the left eye) was positively correlated with performance. Here, we tested the causality of this link by combining a reinforcement procedure and a classification image technique (i.e. Bubbles). Using these techniques, we first induced the use of the right eye in one group of participants (N=11) and the use of the left eye in another group (N=11), and then examined the impact of these manipulations on performance. Participants completed four training sessions (250 trials/session) of a face-gender categorization task in which the faces of men and women were sampled with an adjustable number of randomly located Gaussian apertures (or bubbles). When their target area was sampled, participants received X points for correct responses and were taken 2X points for incorrect responses. Feedback about earnings was given after each trial. Although the participants remained unaware of the conditioning, classification image analyses revealed that the eye which use was reinforced was more positively correlated with accuracy than any other facial regions in both groups. Critically, the performanceâ€"as indexed by the number of bubbles required to reach 75% of correct responsesâ€"improved significantly more in the group for which the use of the left eye was reinforced than in the other group. Therefore, greater usage of the left eye causes better facial gender discrimination. We will discuss these findings in the context of hemispheric specialization in the brain. 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 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 ».