Detecting Differences Between Concealed and Unconcealed Emotions Using iMotions EMOTIENT
Notice bibliographique
Résumé
Biometric analysis is everywhere – even in our cell phone security through facial and fingerprint recognition. It has recently become widely useful in forensic settings as well, being used for facial, fingerprint/palmprint, iris, and voice identification1. Using the iMotions Facial Expression Analysis software, I looked at detection differences between concealed and unconcealed emotions when presented with various stimuli, specifically looking at the time in percentage that each emotion was elicited throughout the stimuli. Fourteen participants, eight females (F) and six males (M), were shown seven different videos aimed at eliciting specific emotions to be measured by the iMotions software. Prior to exposure to the stimuli, seven of these fourteen participants (4F, 3M) were asked to conceal their emotions while watching the following videos. The seven different emotions that were measured by the software include contempt, disgust, fear, joy, anger, surprise, and sadness. The alternative hypothesis states that individuals who concealed their emotions during presented stimuli will have significantly less detectable emotions elicited in comparison to individuals who were not asked to conceal their emotions. The null hypothesis states that there will be no significant difference between detectable emotions of individuals of the concealed group and the unconcealed group. There was no statistically significant difference of emotion detected between the overall concealed and unconcealed participant averages with regards to time (%) (p=0.07, a ≥0.05).
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 | 0,000 | 0,003 |
| 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) | 0,004 | 0,001 |
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 ».