Development of Effective Connectivity during Own- and Other-Race Face Processing: A Granger Causality Analysis
Notice bibliographique
Résumé
Numerous developmental studies have suggested that other-race effect (ORE) in face recognition emerges as early as in infancy and develops steadily throughout childhood. However, there is very limited research on the neural mechanisms underlying this developmental ORE. The present study used Granger causality analysis (GCA) to examine the development of children's cortical networks in processing own- and other-race faces. Children were between 3 and 13 years. An old-new paradigm was used to assess their own- and other-race face recognition with ETG-4000 (Hitachi Medical Co., Japan) acquiring functional near infrared spectroscopy (fNIRS) data. After preprocessing, for each participant and under each face condition, we obtained the causal map by calculating the weights of causal relations between the time courses of [oxy-Hb] of each pair of channels using GCA. To investigate further the differential causal connectivity for own-race faces and other-race faces at the group level, a repeated measure analysis of variance (ANOVA) was performed on the GCA weights for each pair of channels with the face race task (own-race face vs. other-race face) as the within-subject variable and the age as a between-subject factor (continuous variable). We found an age-related increase in functional connectivity, paralleling a similar age-related improvement in behavioral face processing ability. More importantly, we found that the significant differences in neural functional connectivity between the recognition of own-race faces and that of other-race faces were modulated by age. Thus, like the behavioral ORE, the neural ORE emerges early and undergoes a protracted developmental course.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».