Early neural dehumanization of other race faces
Notice bibliographique
Résumé
Humans typically recognize racial ingroup faces more efficiently, while paradoxically categorizing outgroup faces more efficiently. These other race effects have been studied using an array of behavioral and electrophysiological tools; however, classical event-related inquiries have yielded mixed results. To shed new light on the issue, we adapted single trial electroencephalography (EEG) decoding to perform representational similarity analysis. Scalp EEG was measured on thirteen White participants who each completed 5,600 trials of 1-back task. Images were briefly presented (200ms), and a button press was required whenever a stimulus was repeated. Stimuli consisted of 160 natural images categorized into dark and light humans (half females, half males) and nonhumans (half primate faces and half chess pieces). In turn, each category consisted of four individuals (e.g., pawn, rook, queen, knight) with five variations (e.g., five different pawns). First, EEG was decoded at each time point (-200ms to 800ms post stimulus) across 12,720 pairs of stimuli using a cross-validated pairwise support vector machine. This step was performed 100 times, randomly assigning trials to learning and testing subsets on each iteration. Then, within-pair average decoding accuracies were assigned to a representational dissimilarity matrix. Finally, representational similarity analysis was carried by comparing the representational dissimilarity matrix to various model matrices using Spearman partial correlation. Overall, neural responses conveyed basic category information about human faces (peak latency 137ms), primate faces (133ms), and chess pieces (133ms). However, a striking contrast emerged between light and dark human faces. Whereas early (160ms) and late (350ms) representations of light human faces were largely distinct from primate faces and chess pieces, early (but not late) representations of dark human faces showed significant overlap with primate faces. Such early neural dehumanization might provide a novel mechanistic account of other race effects.
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 | 0,002 |
| 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) | 0,003 | 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 ».