Efficiency and equivalent internal noise for own- and other-race face recognition suggest qualitatively similar processing
Notice bibliographique
Résumé
Identification of faces of a non-native race is drastically impaired compared to performance with own-race faces (Hancock & Rhodes, 2008; Meissner & Brigham, 2001). It is known that differential experience brings about this effect yet it is not clear how experience, or the lack thereof, with a particular race impacts neural processing of faces. It has been suggested that unlike own-race faces, other-race faces do not benefit from expert holistic processes but are recognized via general-purpose processes in a piece-meal fashion similar to other, non-face, visual forms (Rossion, 2008; Tanaka, Kiefer, & Bukach, 2004). Alternatively, the difference may stem from quantitative, rather than qualitative, changes in processing. Under this hypothesis, the neural computation that leads to recognition itself is the same in both own- and other-race faces; but in the case of other-race faces the input is noisier due to reduced experience. In order to discriminate between these alternative models we measured contrast recognition thresholds in a 5AFC paradigm for three classes of stimuli: a) own-race faces b) other-race faces, and c) houses. Contrast thresholds were measured in white noise and no-noise conditions. High-noise efficiency and equivalent internal noise for the human observers across the three stimulus conditions were computed relative to an ideal observer that performed the same tasks. We predicted lower efficiencies for houses, which are recognized via general-purpose processes, compared to own-race faces, which are recognized via expert holistic processes. We found both own-race and other-race efficiencies to be significantly higher than that for houses. Efficiencies did not differ between the two face conditions but equivalent input noise was higher for other-race faces. These results do not support the idea of distinct processing styles for own-vs. other-race faces. Instead, they suggest qualitatively similar processing regardless of race. 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».