Can face recognition/recollection in developmental prosopagnosia really be improved? Evidence from a repetition-lag training paradigm
Notice bibliographique
Résumé
A key extra-perceptual deficit in developmental prosopagnosia (DP) is face recollection memory, the all-or-none retrieval of face information, including semantic and contextual details. However, it remains unclear whether cognitive training can improve face recollection in DPs and what predicts training success. In the current study, we used a novel 8-week perceptual (holistic processing) + repetition-lag training program targeting face recollection in 23 DPs (Age: M=42.13, SD=14.88). Before, immediately after, and 6 weeks post-training, DPs completed assessments of face perception (e.g., computerized Benton, CFPT), face memory (e.g., CFMT), and face recollection/familiarity. DPs improved in overall face perception (Pre: M z=-1.44, SD=1.06, Post: M z=-1.00, SD=1.06; p<.001) and overall face memory (Pre: M z=-1.56, SD=.64, Post: M z=-1.21, SD=.78; p=.003). Notably, we observed differential improvement on an independent measure of recollection (Pre: M z=-0.75, SD=0.60, Post: M z=-0.53, SD=.62; p=.008) compared to familiarity (Pre: M z=-0.39, SD=0.53, Post:M z=-0.27, SD=.39; p=.12), with significant improvement only observed in recollection. DPs with better baseline face perception and eye discrimination ability were more accurate on the repetition-lag training, reaching higher levels of difficulty (Perceptual: r(21) = .54, p=.007; Eyes: r(21) = .46, p=.03). When dividing trainees into “better trainee” and “worse trainee” subgroups based on level-of-training reached, better trainees had significantly greater improvements across perception (Better: M z=.67, SD=.52, Worse: M z=.22, SD=.60; p=.04) and recollection (Better: M z=.50, SD=.36, Worse: M z=.04, SD=.47; p=.008) tasks. Together, this suggests that repetition-lag training can successfully improve face recollection and face perception/memory, particularly for DPs with less perceptual impairment who can reach the more challenging training stages.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».