Black is angry, White is scared: Evaluation of pain expressions in White and Black faces
Notice bibliographique
Résumé
Detecting pain in others is a social skill of utmost importance (Williams, 2002). In countries where the racial majority is of White-European descent, pain experienced by Black individuals is underestimated. This tendency may in part take root in perceptual processes involved in pain facial expression recognition (Mende-Siedlecki et al., 2019). In the present study, we verified how people represent the appearance of pain expressions in Black and White faces. We extracted the mental representations of 30 White-Canadian and 30 Black-African participants using Reverse Correlation (Mangini & Biederman). Participants rated perceived pain in White and Black faces embedded in white sinusoidal noise. The average mental representations obtained in each ethnic group with each face ethnicity were then rated by independent participants on the degree to which they expressed five basic emotions and pain. Two main results were obtained. First, the overall emotional intensity of the mental representations extracted in Black-African participants was lower than the one of White-Canadians (F(1, 52)=5.02, p=.03). Second, the mental representation of pain, when expressed in a Black face, was perceived as less in pain (t(54)=8.3, p<.001) and more angry (t(54)=-3.6, p=.001) than when expressed in a White face. Moreover, when pain was expressed in a White face, it was perceived as more sad (t(53)=2.4, p=.02) and scared (t(54)=3.4, p=.001). These results suggest that at least two perceptual factors may be linked with the underestimation, by White individuals, of the pain experienced by Black individuals. First, White-Canadians expect pain expressions to be more intense than Black-Africans. These higher expectations may lead them to erroneously assume that pain experienced by Black individuals is of lower intensity. Second, while pain expressions in White faces include other emotions associated with approachability, pain expression in Black faces appear angrier, an emotion that may discourage helping behavior.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| 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 ».