Perceived age is distorted in visual memory: A phenomenon of “forward” and “backward” aging for faces
Notice bibliographique
Résumé
When we meet someone, we quickly make judgments about them based on how old they look (e.g. about their physical abilities, cognitive abilities and personality traits). But how is a person’s age represented in the mind in the first place? Do we remember certain people as younger, or as older, than they actually were? One possibility is that representations of facial age exhibit ‘representational momentum’, such that observers remember a face as older than it actually was. Another possibility is that our memory for facial age is biased towards the average of the faces that we have seen previously, in which case observers might misremember faces as closer to middle age. To explore these possibilities, we ran three experiments which tested participants’ memory for the age of a briefly presented face. Participants saw a target face which was either young (30 years old) or old (60 years old). Subsequently, they saw two new faces – one 10 years younger and another 10 years older than the target. Participants selected the face that matched the target. Contrary to our initial predictions, we did not find a bias to remember faces as older, or as closer to middle age. Instead, a distinct pattern emerged — observers were biased to remember young targets as younger (i.e. ‘backward aging’), and old targets as older (i.e. ‘forward aging’). Remarkably, these biases held across sexes (male, female) and races (asian, black, white) of the target face, across artificially-aged and real faces, and regardless of the observers’ own age. Further, the results persisted even when the decoys’ identities differed from that of the target face — suggesting that this bias operates over abstract representations of age. Thus, social categories of ‘young’ and ‘old’ shape and distort our visual memories of faces.
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 | 0,015 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».