Effect of context on the N170 for low spatial frequency filtered faces
Notice bibliographique
Résumé
People typically rely on middle spatial frequencies (SF) for face recognition, and stimuli containing only low SFs can be difficult, or even impossible, to recognize (Gold et al., 1999). One explanation for this effect is that the horizontal information around the eyes/eyebrows that people rely on most for face recognition (Dakin & Watt, 2009; Sekuler et al., 2004) may not be the most informative for discrimination for low SF faces. Here we ask whether the processing of low SF filtered faces can be influenced by altering the context in which they are presented, or whether the stimulus drives processing strategy through bottom-up information. We measured N170s for low SF filtered faces presented in a 10AFC identification task. Participants were randomly assigned to one of two context conditions: face or texture. In the face condition, trials intermixed unfiltered faces with low SF filtered faces. In the texture condition, trials intermixed textures with low SF filtered faces. In both conditions, observers completed 200 trials of each stimulus types, for a total of 400 trials. Observers’ behavioural performance was similar for unfiltered faces and textures, and, as expected, unfiltered faces led to large N170s, while textures did not. For low SF filtered faces, performance was significantly reduced compared to that of both unfiltered faces and textures, but it did not vary significantly across conditions. In contrast, the EEG results for low SF filtered faces varied considerably across conditions: participants in the face condition showed strong N170, whereas those in the texture condition showed no significant N170 even though the stimuli were identical in the two conditions. Hence, the N170, but not response accuracy, was sensitive to stimulus context. These results suggest that subjects used different processes in the two conditions, even though performance was the same. Meeting abstract presented at VSS 2012
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 | 0,000 | 0,004 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».