Matching faces in a prosopagnosic individual
Notice bibliographique
Résumé
Last year, Rivest and Moscovitch (2002) introduced a prosopagnosic man (DC) who, despite his impaired face recognition, has intact object and word recognition. His face processing was here further evaluated using a face matching task developed by Wilson, Loffler and Wilkinson (Vision Res. 42, 2909–2923, 2002). Photographs of 19 different faces served as target faces, and each was geometrically transformed into a synthetic face. At each trial, a target face was presented with 4 synthetic choice faces, and DC and DCB (his brother) had to select which choice face matched the target one. The target and choice faces were presented both in front views, both at 20 side views, and the target and choices, at 20 side and in front views, respectively. Like neurologically intact observers (previously tested by Wilson et al.) and DCB (93.8% correct), DC obtained 97.5% correct when matching front view faces. Similar to DCB (87.5%), he obtained 83.8% when matching side view faces. However, on side-front matching, DC obtained 57.5% correct, a performance worse than that of DCB (81.3%), and other controls (90.7% in Wilson et al). We conclude that DC's intact part-based processing system is sufficient for matching same view faces but not for matching faces oriented 20 apart. This deficit suggests that the face-specific holistic system is necessary to help a robust representation of faces across rotations in depth. The results confirm that the synthetic faces developed by Wilson et al. provide sufficient geometric information to make accurate discrimination of faces.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».