Gender differences in the visual strategies underlying facial expression categorization
Notice bibliographique
Résumé
Decoding facial expressions of emotions is a crucial ability for successful social interactions. Gender differences have been found in the neural responses to emotional faces (McClure et al., 2004), suggesting that men and women process facial expressions differently. The present study used the Bubbles technique (Gosselin & Schyns, 2001) to verify whether the visual strategies used in facial expression categorization (six basic emotions as well as neutral and pain expressions) differ across gender. Sparse versions of emotional faces were created by sampling facial information at random spatial locations and at five non-overlapping spatial frequency bands. The average accuracy was maintained at 56% (halfway between chance and perfect performance) by adjusting the number of bubbles on a trial-by-trial basis using QUEST (Watson & Pelli, 1983). Thus, the number of bubbles reflected the participants' relative aptitude for this task. Forty-one participants (14 men) each categorized 4000 sparsed stimuli. On average, women performed better than men (t(39) = 3.08, p<0.05). Classification images showing which information in the stimuli correlated with participants’ accuracy were constructed separately for each gender by performing a multiple linear regression on the bubbles' locations and accuracy. A pixel test was applied to the classification image to determine statistical significance (Zcrit = 3.36, p<0.05; corrected for multiple comparisons). Women used both eyes and mouth areas more efficiently than men. In order to verify if the visual strategy is modulated by gender when the ability to perform the task is factored out, we selected 12 men and women that were matched on the average number of bubbles (i.e., the 12 men (vs. women) with the highest (vs. lowest) performance), and we repeated the analysis described above. When performance was controlled for, women used the mouth area more than men, again suggesting that gender influences the visual strategy used for categorizing facial expressions. Meeting abstract presented at VSS 2013
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 | 0,005 |
| 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) | 0,006 | 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 ».