Contributed Session II: Three new models to account for impact of racially-heterogenous face-diet on face expertise
Notice bibliographique
Résumé
Racially-homogeneous environments provide limited experience with other-race faces (Oruc et al. 2019). According to the contact hypothesis, this, in part, leads to an impairment in other-race face recognition yet does not predict what impact a racially-heterogenous face-diet may have on face expertise. To complement and extend the contact hypothesis, we propose three new models: (1) the experience-limited, (2) the capacity-limited, and (3) the enhancement hypotheses, for the role of exposure in face expertise. Based on the experience-limited account native-level face recognition can be achieved for multiple races with sufficient experience. The capacity-limited account predicts exposure to multiple races may impact face expertise detrimentally. Lastly, the enhancement account posits advantages of a racially-heterogenous face-diet. In two experiments, we compared face recognition in a dual-exposure group with sustained high exposure to Caucasian and East Asian faces to two respective mono-exposure groups. We found native-like recognition in the dual-exposure group for both Caucasian and East Asian faces. Our results showed neither an advantage, nor a disadvantage for racially-heterogenous face exposure, hence supporting the experience-limited account of face expertise. We conclude that exposure to multiple face races is not detrimental to face recognition ability. To achieve native-level face expertise, a racially-homogenous face diet is not required.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,096 | 0,017 |
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 ».