The impact of face ethnicity on the detection of pain facial expressions
Notice bibliographique
Résumé
Many studies have revealed that the pain expressed by Black people is underestimated. Moreover, a series of studies have shown that White perceivers have a more stringent threshold for detecting pain on Black than on White faces. However, those studies systematically relied on a yes/no task, which is sensitive to one’s decisional criterion. Thus, it is not possible to know if the different thresholds come from alterations in sensitivity or from different decisional criteria. This research assessed whether those disparities remain when using a task controlling for decisional criteria. Experiment 1 aimed at replicating the aforementioned studies. We used a yes/no task where participants (N=50) saw either Black or White faces depicting a level of pain expression ranging from neutral to 100%. Participants indicated whether the face displayed pain or not. Results support previous findings with an effect of face ethnicity on participant’s proportions of pain detection, F(1, 49)=58.5, p<.001, η2p=.54. More precisely, participants detected pain less frequently on Black than on White faces between 35% and 55% of pain intensity (p<.001). In Experiment 2 (N=50), a 2-IFC task, considered to be mostly criterion-free, was used. Two faces appeared subsequently, and participants indicated which face displayed the higher pain expression. One face was neutral, and the other displayed a pain expression ranging from 5% to 70% intensity. Results showed a significant effect of ethnicity on participant’s proportions of pain detection, F(1, 49)=16.9, p<.001, η2p =.26. However, the lower frequency of pain detection in Black than in White faces was only observed at a 10% of pain intensity (p<.001). When controlling for decisional criteria, effect of face ethnicity subsists, yet seems weaker and constrained to a narrower range of pain intensities. Subsequent researches should simultaneously measure the respective contributions of sensitivity and decisional criteria in face ethnicity effect on pain detection.
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 | 0,009 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».