Erring on the side of caution: The influence of base rates, payoffs, and discriminability on face identification performance.
Notice bibliographique
Résumé
Unfamiliar face identification is challenging: An individual’s appearance can vary across images, and images of different individuals can look similar. Matching identity in unfamiliar faces is often thought of as a perceptual problem—driven primarily by differences in sensitivity (d′). This assumption ignores effects of base rates (proportion of match vs. mismatch trials), payoffs (relative cost of misses vs. false alarms), and discriminability (difficulty)—effects deemed significant by economic models. We examined whether participants optimized performance in the context of unequal base rates and payoffs, and varying levels of discriminability—and how these parameters influenced d′ and criterion (c). Across two studies, participants (Study 1: n=252; Study 2: n=336) completed two rounds of an identity-matching task. Round 1 (Studies 1 and 2) comprised an equal number of match and mismatch trials; accurate responses (hits and correct rejections) earned 5 points while misses (responding different on match trials) and false alarms (FAs, responding same on mismatch trials) cost 5 points. In Round 2, participants were assigned to a high base rate (Study 1: 80% match trials; Study 2: 80% mismatched trials) or a costly error condition (Study 1: -30 points for FAs, -2 points for misses; Study 2: -2 points for FAs, -30 points for misses). In Study 2, we also manipulated discriminability (50% of participants performed the task with own- and other-race faces). As predicted by the expected value function, the manipulations in Round 2 shifted criterion in the optimal direction (e.g., more conservative when FAs were costly or when mismatches were more common), with no effect on d′. Importantly, shifts in criterion were largest when discriminability was poor—both in terms of individual differences in d′ and discriminability of stimuli. These studies have implications for applied settings and theoretical models of face identification.
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 | 0,079 | 0,371 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,007 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 ».