Which gender do we perceive in a painful face?
Notice bibliographique
Résumé
Some studies have found an association between our representations of gender and emotions, where male gender is more associated with negative emotions (Becker et al., 2007; Hess et al., 2009; Wardle et al., 2022). This association is still not well understood with regards to pain expressions, and it could have the consequence that pain is less easily perceived in a female face (Riva et al., 2011). In this study, we measured the association between gender and the pain facial expression, from two different angles. 64 observers (32 men) took part in two tasks where they were asked to categorize the gender of faces displaying either neutral or pain facial expressions (Exp.1) and the presence of pain in male and female faces (Exp.2). Stimuli consisted of 8 facial identities (4 men) taken from the Delaware Pain Database (Mende-Siedlecki et al., 2020). Using a digital morphing software, a continuum of 8 levels of intensity of gender (Exp.1 from 100% female to 100% men face) and emotional state (Exp.2 from 100% neutral to 100% pain) were created. On each trial, one face was presented to participants who had to identify whether the face represented a man or a woman (Exp.1) or a person in physical pain or not (Exp.2). Our results suggest that observers perceive significantly more masculine features in a face expressing pain (Exp.1) and they attribute less pain to a feminine face (Exp.2). These results reinforce the association between gender and emotion. Most importantly, they reveal a symmetry in this association, where the male gender is more easily perceived in a pain expression, and the pain expression is more easily perceived in a male face.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».