The effect of scrambling upright and inverted faces on the N170
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The face inversion effect refers to a decrement in performance when we try to recognise familiar faces turned upside down (inverted), compared with familiar faces presented in their usual (upright) orientation. Recently, we have demonstrated that the inversion effect can also be found with checkerboards drawn from prototype-defined categories when the participants have been trained with these categories, suggesting that factors such as expertise and the relationships between stimulus features may be important determinants of this effect. We also demonstrated that the typical inversion effect on the N170 seen with faces is found with checkerboards, suggesting that modulation of the N170 is a marker for disruption in the use of configural information. In the present experiment, we first demonstrate that our scrambling technique greatly reduces the inversion effect in faces. Following this, we used Event-Related Potentials ( ERPs) recorded while participants performed an Old/New recognition study on normal and scrambled faces presented in both upright and inverted orientations to investigate the impact of scrambling on the N170. We obtained the standard robust inversion effect for normal faces: The N170 was both larger and delayed for normal inverted faces as compared with normal upright faces, whereas a significantly reduced inversion effect was recorded for scrambled faces. These results show that the inversion effect on the N170 is greater for normal compared with scrambled faces, and we interpret the smaller effect for scrambled faces as being due to the reduction in expertise for those faces consequent on scrambling.
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.
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 | 0,000 |
| 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 | 0,001 |
| 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 découle