The Effects of Horizontal Bias Training on Face Identification
Notice bibliographique
Résumé
Horizontally oriented structure drives the accuracy of face identification: Individuals who rely more on faces’ horizontal structure relative to vertical structure (horizontal bias) perform better on facial identity discrimination tasks (Pachai et al., 2013); superior identification performance for familiar faces is linked to stronger horizontal bias (Pachai et al., 2017); and training on inverted faces leads to increased horizontal bias (Pachai et al., 2019). Although it is now established that training on faces can enhance horizontal bias, here we ask whether targeted perceptual training of horizontal structure can enhance face identification, and the extent of transfer of any learning effects. This study utilized a ten-alternative forced choice task implemented over four consecutive days. On days one and four, participants underwent baseline testing of two face sets with varying horizontal and vertical bandwidth filters; while on days two and three, participants underwent training of horizontal structure of only one of the two selected face sets and only horizontal bandwidth filters. Further, participants were separated into two training groups: one with additional uninformative vertical context added to the horizontally filtered faces, and the other with only horizontally filtered information. Preliminary data showed that horizontal training led to a decreased face identification thresholds within the trained face set. Both context present and context absent conditions led to slight transfer of learning to the untrained horizontally filtered face set. However, transfer to vertically filtered faces was seen only in the training conditions in which uninformative vertical context was included. These results provide useful insights for the development of training programs to enhance face perception.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».