The Impact of Deafness on the Use of Information During Facial Emotion Discrimination
Notice bibliographique
Résumé
The integration of visual and auditory cues facilitates the detection of emotions in our interactions with others. Sensory deprivation such as deafness can be compensated through sign language, lip reading and oral communication. The diagnostic features for the recognition of emotions expressed facially in relation to the preferred means of communication and other factors of deafness (e.g. CI, cochlear implant) still remain unknown. In the present study, we used the Bubbles technique (Gosselin & Schyns, 2001) to examine whether severe-to-profound bilateral deafness leads to visual differences in decoding specific facial information. Twenty-two deaf individuals (including oral deaf, signers, and CI users) matched in age and sex with 22 hearing controls completed 3,072 trials of a fear versus happy discrimination task. On each trial, a face image was randomly selected from a set of four (two happy), mirror-reversed with a probability of 0.5 and sampled using randomly located Gaussian apertures at five scales (see Adolphs et al., 2005). The number of Gaussian apertures was adjusted on each trial to maintain a 75% correct rate. Multiple linear regressions were performed on the location of the Gaussian apertures and accuracy score for each participant. The individual regression coefficient planes were combined within subject groups (oral, signers, CI users, controls). Finally, to reveal group differences in information use for the task at hand, we computed all pairwise contrasts between these group regression coefficient planes and we applied a statistical threshold (Chauvin et al., 2005). The deaf participants using sign language differed from the other groups by using mostly the eye region to discriminate emotions. Similar patterns with the mouth as the salient area were found for hearing controls, CI users and the oral deaf. Facial information processing is therefore influenced by auditory experience and the visual strategies used in communication.
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 | 0,004 |
| 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) | 0,002 | 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 ».