Coarse information drives confusion of perceived emotion in schizophrenia
Notice bibliographique
Résumé
It is widely accepted that emotion processing is impaired in schizophrenic patients (SPs). It is also believed —although evidence to support this claim remain scarce— that SPs confuse (i.e. mis-categorize) some emotions more than healthy individuals. While previous work using the Bubbles technique (e.g. Lee et al., 2011) has revealed aberrant use of facial information that agrees with emotion processing deficit in SPs, their use of only two facial expressions made it difficult to study the sources of the confusions. Here, we examined this question using Bubbles in a four-facial-expression identification task (happy, fearful, angry, or neutral). We first mapped which parts of the face at different spatial scales were used by SPs, and confirmed and extended previous findings. Second, we computed a confusion matrix over the ~13,000 trials completed by all SPs (N=13). Four mis-categorizations had a proportion of responses significantly higher than what is expected by chance (all chi2>60, Bonferroni-corrected ps< .001), including angry faces confused for neutral faces and fearful faces confused for angry faces. Finally, we revealed the specific facial information that drove SPs to commit these two confusions. We discovered that low-spatial frequency (LSF, i.e. coarse information < 10 cycles per faces) from the mouth area and nose area (i.e. philtrum, nose and nasolabial folds), respectively, led to angry faces being mistaken for neutral faces and to fearful faces being mistaken for angry faces. Previous studies revealed magnocellular system abnormalities in the form of below average LSF sensitivity in SPs (Butler et al., 2009). Our results indicate that the inability to extract useful coarse spatial information from expressive faces underlies the mis-labeling of perceived emotions in SPs. Meeting abstract presented at VSS 2018
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 | 0,004 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».