The Own-Race Recognition Advantage is Attributable to Visual Working Memory: Evidence from a continuous-response paradigm
Notice bibliographique
Résumé
Considerable research examining the other-race effect (e.g., better recognition of own-race than other-race faces) has proposed that impaired recognition of other-race faces can be attributed to the inefficient storage and retrieval of other-race face representations from memory. However, little is known about the precision with which own- versus other-race faces are mentally represented in visual working memory (VWM). To address the question, we used a continuous-response paradigm and a mixture model to independently measure the precision (sd) and number of own-and other-race face representations stored in VWM. We created a set of Caucasian and Asian face stimuli by morphing between all possible pairings of four Caucasian and four Asian identities. In the experiment, two morphed faces, cued by different colors, were presented for 1500 ms and followed by a 900 ms delay. Participants then were instructed to recall one of the two faces (i.e., target face cued by a specific color) from memory by clicking the target face from a "face wheel", comprising four anchor faces and a morphed continuum between adjacent pairs (e.g., A-B; B-C; C-D; D-A). Based on the mixture-model analysis, the number of other-race face representations correctly reported (M = 57.4%) was reduced compared to that of own-race faces (M = 77.9%). However, the precision of those representations was comparable for own- and other-race faces (Msd = 35.40 and 33.23, respectively), as was the probability of incorrectly selecting the non-target face (discrimination error) (Me = 0.19% vs. 0.17%, for own- and other-race faces, respectively). The current study provides direct evidence of a fundamental difference in how own- and other-race faces are represented in visual working memory and highlights the functional role of perceptual experience in shaping such representations. 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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,003 | 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 ».