The effect of training on the recognition of faces across changes in viewpoint
Notice bibliographique
Résumé
Recognizing a face from a novel viewpoint requires processing the structural properties of the face that are reliable cues to identity and view-invariant. One such property may be second-order relations (e.g., spacing between eyes and mouth). In Experiment 1, we investigated whether 10-year-old children's and adults' recognition of faces across changes in viewpoint could be improved through training, and whether training results were correlated with sensitivity to second-order relations. Over two one-hour sessions 10-year-olds and adults (n = 10) were trained to make same/different judgments about facial identity between faces seen from different viewpoints. Consistent with previous studies (e.g. Mondloch et al., 2003), 10-year-olds were worse overall than adults. However, both groups improved at a similar rate during training, with 10-year-olds' final accuracy being comparable to adults' accuracy prior to training. There was no correlation between performance on the viewpoint training task and sensitivity to second-order relations either before or after training in either age group, perhaps because observers may have learned to match specific views of the training faces and not a general skill. In Experiment 2, we investigated whether training adults (n = 12) would be more effective if novel faces were introduced as training progressed over the two-day period. Improvement in matching faces across changes in viewpoint transferred from the first 7 facial identities to the next 7 identities, a result suggesting that training improved a general skill in view-invariant recognition. However, improvement failed to transfer to the third set of 7 identities and was not correlated with sensitivity to second-order relations, results suggesting that the learning also involved the linking of view-specific exemplars. Collectively, the results indicate that improvements in recognizing faces across changes in viewpoint involve both view-specific and view-independent processes, and are not directly related to sensitivity to second-order relations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».