Does perceptual integration efficiency predict face identification skills?
Notice bibliographique
Résumé
Classical theories of face perception propose that the ability to identify a face is not simply explained by an analysis of their constituent parts but rather by a holistic coding of the relationships between these parts. Using a method that explicitly measures perceptual integration efficiency for multiple facial features, it was shown that face identification is no better than what is predicted by efficiency for isolated parts (Gold & al., 2010). Interestingly, face inversion still significantly decreased perceptual integration, which may suggest that expertise for upright faces comes from the ability to process multiple parts at once. The purpose of the present study was to test whether individual differences in face recognition is better explained by integrative processing, or simply by feature processing efficiency. Sixty-four participants were recruited. To measure their face and object recognition skill, they completed the CFMT, CFPT, GFMT2, and VET. To establish ability at processing isolated facial features, as well as an integration index of these features, we measured for each participant the image contrast level necessary to reach 75% accuracy for each feature (i.e., left eye, right eye, nose, mouth) individually, and also when presented simultaneously. A three-predictor multiple linear regression model was tested and shown to predict a significant proportion of variance in face identification skills, R = 0.652 (R2 = 0.426). However, among the tested predictors, only isolated face part recognition ability explained a significant part of the variance (βparts = -0.579, p < 0.001); the integration index and object recognition skill did not (βintegration = -0.004, p = 0.966; βobject = 0.121, p = 0.321). Our results indicate that individual differences are best explained by the ability to process isolated face parts, not integrative processing or object processing.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».