Individual differences in facial expression recognition ability are linked to differences in the efficiency at using the diagnostic visual information
Notice bibliographique
Résumé
There is a common assumption that the ability in facial expression recognition is related to the adequacy of visual strategies, but it has been recently shown that multiple eye fixation patterns may lead to comparable performances (Yitzhak et al., 2020). However, since there is a partial dissociation between eye fixations and visual information utilization, it remains possible that facial recognition ability is associated with this latter component of visual strategies. We tested this hypothesis using the Bubbles method (Gosselin & Schyns, 2001), which allows to measure the visual information successfully used to complete a task. Participants (N=69, 34 males) completed five tasks measuring their facial expression recognition ability: Reading the Mind in the Eyes Test, Films Expression Task, Megamix and two tasks of basic facial expressions categorization. They also completed 4000 trials of a Bubbles task in which they categorized facial expressions (anger, disgust, fear, joy). A principal component analysis was conducted on the five ability measures and the two extracted components were used as ability indexes. Visual information utilization patterns across participants were classified using a K-mean clustering analysis. Three patterns were revealed; in all groups, participants mostly relied on the mouth area, followed by the eyes area, to successfully categorize facial expressions. However, a gradient of efficiency was observed across the three groups, suggesting an increase in the efficiency at using both the eyes and mouth area across the three groups. Most importantly, the ability at recognizing facial expressions also varied across those three groups, with the lower ability group showing the least efficient visual strategy, and the higher ability group showing the most efficient visual strategy. Taken together, these results support the existence of an association between facial expression recognition ability and visual information utilization patterns.
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 | 0,003 |
| 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) | 0,005 | 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 ».