Race-specific perceptual discrimination improvement following short individuation training with faces
Notice bibliographique
Résumé
We explore the effect of individuation training on the acquisition of race-specific expertise with faces. The own-race-advantage (“ORA”) – superior performance for own-race faces relative to those of less familiar races – has been explained by the tendency to individuate own-race faces but to categorize faces of other races. Here we ask whether practice individuating other-race faces yields improvement in perceptual discrimination for novel faces of the trained race. We predicted that this improvement would not generalize to novel faces of another race to which participants were equally exposed in an orthogonal task that did not require individuation, yet was at least as difficult. Caucasian participants were trained to individuate faces of one race through subordinate-level naming (African American or Hispanic) and to make difficult eye luminance judgments on faces of the other race. In the latter task, participants judged which eye was of a brighter luminance, while identity and brightest eye were always orthogonal. Given these tasks we are able to rule out differences in exposure, attention and reward in producing race-specific improvements. Our results indicate that the skills acquired during individuation training generalize to novel exemplars of a category but, at least in the case of faces from two different races, they do not generalize to faces of another race experienced with equal frequency in a task that required at least as much attention. Our work demonstrates training effects that generalize to novel stimuli using a much shorter procedure (90 minutes of training, half of which was devoted to individuation) than in prior studies. The results suggest that differential effects in recognition performance could depend on differences in perceptual encoding due to differential practice with individuation. This could magnify any own-race face advantage arising from cognitive, perceptual, or social processes that promote individuation of own-race faces relative to 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 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 | 0,001 |
| 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 | 0,001 |
| 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 ».