Facial expressions modulate visual features utilization in unfamiliar face identification
Notice bibliographique
Résumé
Flexible face identification requires extracting expression-independent visual information while leaving aside expression-dependant visual features. Most studies in the field suggest that the eye area is by far the most important visual feature for face identification (e.g. Butler et al., 2010; Schyns, Bonnar & Gosselin, 2002; Sekuler, Gaspar, Gold & Bennett, 2004). However, these studies were mostly done with stimuli showing only one (e.g. neutral) or two (e.g. neutral and happy) facial expressions. Here, we investigated the impact of facial expressions on the utilization of facial features in a facial identification task with unfamiliar faces (10 identities; 5 female). Each identity showed six different facial expressions (anger, disgust, fear, happy, neutral, sad). We used the Bubbles technique (Gosselin & Schyns, 2001) to reveal the diagnostic visual features in five non-overlapping spatial frequency bands. Twenty-five participants first learned to recognize the identities until their performance reached 95% correct for each facial expression. After reaching this performance criterion, they performed 1320 trials (220 for each facial expression) with bubblized stimuli. For each facial expression, the number of bubbles was adjusted on a trial-by-trial basis to maintain a correct identification rate of 55%. Overall, we closely replicate other studies (Caldara et al., 2005; Schyns, Bonnar & Gosselin, 2002). However, when each facial expression was analysed independently, the results show clear inter-expression differences. For neutral faces, the eyes are by far the most diagnostic features. However, for other facial expressions, participants showed a clear processing bias for expression-dependant facial features (e.g. the mouth for happy and disgust). In short, our data suggests that facial expression features are closely bound to identification in unfamiliar face recognition. Meeting abstract presented at VSS 2016
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 | 0,003 |
| 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) | 0,002 | 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 ».