Neural Trade-Offs between Recognizing and Categorizing Own- and Other-Race Faces
Notice bibliographique
Résumé
Behavioral research has suggested a trade-off relationship between individual recognition and race categorization of own- and other-race faces, which is an important behavioral marker of face processing expertise. However, little is known about the neural mechanisms underlying this trade-off. Using functional magnetic resonance imaging (fMRI) methodology, we concurrently asked participants to recognize and categorize own- and other-race faces to examine the neural correlates of this trade-off relationship. We found that for other-race faces, the fusiform face area (FFA) and occipital face area (OFA) responded more to recognition than categorization, whereas for own-race faces, the responses were equal for the 2 tasks. The right superior temporal sulcus (STS) responses were the opposite to those of the FFA and OFA. Further, recognition enhanced the functional connectivity from the right FFA to the right STS, whereas categorization enhanced the functional connectivity from the right OFA to the right STS. The modulatory effects of these 2 couplings were negatively correlated. Our findings suggested that within the core face processing network, although recognizing and categorizing own- and other-race faces activated the same neural substrates, there existed neural trade-offs whereby their activations and functional connectivities were modulated by face race type and task demand due to one's differential processing expertise with own- and other-race 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 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 ».