Categorizing racially ambiguous faces as own- versus other-race influences how those faces are scanned
Notice bibliographique
Résumé
Recent eye-tracking studies have revealed that own- and other-race faces are scanned differently, and this differential scanning is affected by observer ethnicity. Westerners scan the eyes of own- and other-race faces more than other face parts (Blais et al., 2008). In contrast, Chinese observers scan more the central (nasal) region of Chinese faces, whereas they scan more the eyes of Caucasian faces (Fu et al., 2012). To better understand the relation between categorization of a face as own- versus other-race and face scanning, we conducted two experiments with Chinese participants who had no direct interaction with other-race individuals. In Experiment 1, we morphed Chinese and Caucasian faces to produce 50%-50% racially ambiguous hybrid faces. Chinese participants first sorted the hybrid faces into Chinese or Caucasian, and were then asked to remember and recognize the faces. In addition, participants were also asked to remember and recognize 100% Chinese and 100% Caucasian faces. The results with the 100% faces replicated Fu et al. (2012): Chinese observers fixated more on the nasal region of the 100% Chinese faces and the eye regions of the 100% Caucasian faces. More importantly, when the hybrid faces were classified as Chinese, participants scanned more on the nasal region, whereas when the faces were categorized as Caucasian, participants scanned more on the eyes. In Experiment 2, participants first performed a categorization task of the hybrid faces. They were then given a surprise memory test. Again, when the hybrid faces were classified as Chinese, participants scanned more on the nasal region, whereas when the faces were categorized as Caucasian, participants scanned more on the eyes. The findings suggest that although physiognomic differences between Chinese and other-race faces engender differential visual scanning, participants’ subjective categorization of face race plays an important role in driving nose-centric versus eye-centric patterns of scanning. 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 | 0,001 | 0,005 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».