The impact of gender on visual strategies underlying the discrimination of facial expressions of pain.
Notice bibliographique
Résumé
Previous studies have found a female advantage in the recognition/detection (Hill and Craig, 2004; Prkachin et al., 2004) of pain expressions, although this effect is not systematic (Simon et al., 2008; Riva et al., 2011). However, the impact of gender on pain expression recognition visual strategies remains unexplored. In this experiment, 30 participants (15 males) were tested using the Bubbles method (Gosselin & Schyns, 2001), which randomly sampled facial features across five spatial frequency (SF) bands to infer what visual information was successfully used. On each of the 1,512 trial, two bubblized faces, sampled from 8 avatars (2 genders; 4 levels of pain intensity), were presented to participants who identified the one expressing the highest pain level. Three difficulty levels, determined by the percentage of pain difference between the two stimuli (i.e 100%, 66% or 33%) were included. Number of bubbles needed to maintain an average accuracy of 75% was used as a performance measure (Royer et al., 2015). Results indicated a trend towards a higher number of bubbles needed by male (M=57.7, SD=30.4) in comparison to female (M=40.2, SD=23.2), [t(28)=2.02,p=0.05]. Moreover, this difference was significant with the highest level of difficulty [t(28)=2.22, p=0.04], suggesting that pain discrimination was more difficult for male (M=77.6, SD=36.8) than female (M=52.3, SD=24.5). Classification images, generated by calculating a weighted sum of the bubbles position (where accuracies transformed in z-scores were used as weights), revealed that female made a significantly higher use of the lowest band of SF (Zcrit = 2.7, p< 0.05; 5.4–2.7 cycles per face). These results suggest that gender impacts the performance and the visual strategies underlying pain expression recognition.
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 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 | 0,002 | 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».