Contribution of internal noise & efficiency to older adults' face discrimination
Notice bibliographique
Résumé
The mechanisms responsible for age-related declines in face perception are not well understood. Using the classification image (CI) method with sub-sampled faces, Creighton et al. (VSS 2014) showed that, relative to younger adults, older adults made less efficient use of informative face regions. However, many older adults showed no obvious structure in their CIs, suggesting increased internal noise may play a role in decreased performance. To address this issue, we assessed the relative contributions of additive internal noise and efficiency on age-related differences in face discrimination using the equivalent input noise paradigm. Contrast thresholds were measured in a 2 alternative forced-choice face discrimination task in 17 older adults and 14 younger adults with faces presented in varying levels of external noise, and the threshold-vs-noise curves were used to estimate efficiency and equivalent input noise. To facilitate comparison with previous work (e.g., Gold et al., Cog Sci, 2004), thresholds were measured with full faces and sub-sampled faces. For full faces, we observed age-related decreases in efficiency, but no evidence of increased equivalent input noise. For sub-sampled faces, relative to younger adults, older adults showed decreased efficiency and increased equivalent input noise. These results are consistent with those of Creighton et al. (VSS 2014), and support the notion that older adults' lack of obvious structure in their CIs was due partly to a decreased ability to extract diagnostic information in faces and partly to increased additive internal noise. We currently are testing additional subjects who participated in the original CI study to identify the role of individual differences in comparing results across the two methods. In sum, our findings suggest that age-related declines in face discrimination are attributable both to decreased efficiency and, at least in some conditions, to increased additive internal noise. Meeting abstract presented at VSS 2017
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».