MétaCan
Menu
Retour à la cohorte
Enregistrement W2901445344 · doi:10.1177/0956797618811338

Use of Face Information Varies Systematically From Developmental Prosopagnosics to Super-Recognizers

2018· article· en· W2901445344 sur OpenAlexafffund
Jessica Tardif, Xavier Morin Duchesne, Sarah Cohan, Jessica Royer, Caroline Blais, Daniel Fiset, Brad Duchaine, Frédéric Gosselin

Notice bibliographique

RevuePsychological Science · 2018
Typearticle
Langueen
DomaineNeuroscience
ThématiqueFace Recognition and Perception
Établissements canadiensUniversité du Québec en OutaouaisUniversité de Montréal
Organismes subventionnairesFonds Québécois de la Recherche sur la Nature et les Technologies
Mots-clésPsychologyFacial recognition systemFace (sociological concept)Task (project management)PopulationCognitive psychologyIdentification (biology)Speech recognitionPattern recognition (psychology)Computer scienceLinguistics

Résumé

récupéré en direct d'OpenAlex

Face-recognition abilities differ largely in the neurologically typical population. We examined how the use of information varies with face-recognition ability from developmental prosopagnosics to super-recognizers. Specifically, we investigated the use of facial features at different spatial scales in 112 individuals, including 5 developmental prosopagnosics and 8 super-recognizers, during an online famous-face-identification task using the bubbles method. We discovered that viewing of the eyes and mouth to identify faces at relatively high spatial frequencies is strongly correlated with face-recognition ability, evaluated from two independent measures. We also showed that the abilities of developmental prosopagnosics and super-recognizers are explained by a model that predicts face-recognition ability from the use of information built solely from participants with intermediate face-recognition abilities ( n = 99). This supports the hypothesis that the use of information varies quantitatively from developmental prosopagnosics to super-recognizers as a function of face-recognition ability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,167
Tête enseignante GPT0,359
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations97
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePsychological ScienceMême sujetFace Recognition and PerceptionTravaux en français237 207