Building a representation of newly encountered faces: A role for context?
Notice bibliographique
Résumé
Recognizing identity in naturalistic images of unfamiliar faces is challenging (Jenkins et al., 2011); two images of the same person often are misperceived as belonging to different people and images of different people often are misperceived as belonging to the same person. Thus, face learning involves increased tolerance of within-person variability in appearance and improved discrimination. We examined the process by which a perceiver determines the range of inputs that are attributable to a newly learned identity, such that novel images of that identity are recognized while those of a similar identity are excluded. Based on Tanaka's (2007) hypothesis that each identity is represented by an attractor field in multi-dimensional face space, the size of which is constrained by nearest neighbors, we predicted that learning a new face in the context of a similar identity would facilitate learning. In Experiment 1, participants (n=40) sorted 45 ambient images of three identities (15/identity) in the learning phase; two identities were similar (near neighbours) and one was dissimilar (far neighbour). In the test phase, participants identified new images of the learned identities when intermixed with novel identities. Performance (d', hits, FAs) did not vary for near vs. far neighbours, ps>0.15—perhaps because accuracy approached ceiling. In Experiment 2, participants (to date, n=24) sorted only 15 images to capture the representation of identity earlier in the learning process. Performance was worse in Experiment 2, p< 0.001; participants made fewer hits and more false alarms. Nonetheless, performance did not vary for near vs. far neighbours, ps>0.21. Collectively our findings confirm that identity learning involves both improved recognition of new instances (increased tolerance of variability) and improved discrimination. To date, though, we find no evidence that this learning is best accounted for by Valentine's (1991) multi-dimensional face space model, calling for revised theories of face recognition. 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 | 0,006 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».