How many unique faces do we see in a typical day?
Notice bibliographique
Résumé
Face recognition is a form of perceptual expertise that develops into adulthood. Daily visual exposure to faces, described as the 'face-diet,' fundamentally shapes facial recognition abilities. For example, in racially homogenous societies, the lack of exposure to racially diverse faces contributes to the 'other-race-effect.' Furthermore, an enriched face-diet with many unique identities is necessary to support and refine face processing competence. A previous study that examined the adult face-diet characterized exposure on several variables including duration, viewing distance, and pose but did not address exposure statistics for unique facial identities (Oruc et al. 2018). Here, we developed a novel deep learning-based tool to quantify the number of unique facial identities in first-person perspective footage for 30 adults in Metro Vancouver, British Columbia, Canada. We show that an adult observer encounters an average of 40 unique faces during a typical day, with familiar faces accounting for approximately half. Our findings showed that 77% of the total face exposure was familiar, and 70% was accounted for by the top five most frequently encountered identities. These results may reflect the longer encounters typical of social interactions with familiar individuals. For all but two participants, the most frequently occurring face was a familiar identity that accounted for an average of 33% of total face exposure. For the majority of participants (63%), the most frequently occurring familiar face was of the opposite sex. Contrary to the predicted outcomes of studying observers in a region known for its ethnically diverse population, the racial distribution of identities diverged from Metro Vancouver's census data (2016) of Statistics Canada and was biased towards own-race faces for both familiar and unfamiliar identities. This last finding emphasizes the prevalence of societal and cultural barriers that may prevent co-mingling between racially and ethnically diverse communities despite favourable demographics.
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 | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».