The Impact of Spontaneity and Presentation Mode on the Ingroup Advantage in Recognizing Angry and Disgusted Facial Expressions
Notice bibliographique
Résumé
Previous research has found that individuals are more accurate at recognizing facial expressions of individuals from their own cultural background than those from a different cultural background, known as the ingroup advantage. However, most studies investigating the ingroup advantage have primarily focused on posed and static facial expressions, paying less attention to spontaneous and dynamic facial expressions. To investigate whether the ingroup advantage is influenced by spontaneity (posed and spontaneous) and presentation mode (static and dynamic) of facial expressions, we recruited participants from China, Canada, and the Netherlands to recognize posed and spontaneous facial expressions of anger and disgust displayed by Chinese and Dutch models (Experiment 1), as well as static and dynamic facial expressions (Experiment 2). The results showed that, in most cases, there was an ingroup advantage in the recognition of both posed and spontaneous expressions, with the ingroup advantage being significantly higher for posed expressions compared to spontaneous expressions. Additionally, an ingroup advantage was observed in the recognition of both static and dynamic expressions, although there was no significant difference between the two overall. These findings suggest that the ingroup advantage in facial expression recognition is influenced by the spontaneity of the expressions, but may not be affected by the mode of expression presentation. The implications of this research are significant in expanding our understanding of the ingroup advantage and deepening our knowledge of cross-cultural facial expression recognition.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».