Gender differences in the encoding and decoding of pain facial expressions.
Notice bibliographique
Résumé
Facial expressions are crucial for assessing others' affective states. However, pain facial expressions (PFE) are poorly recognized, often confused with other negative affective states (Kappesser & Williams, 2002) and less easily perceived in women's faces (Riva et al., 2011). Studies have revealed various configurations of PFE (Kunz & Lautenbacher, 2014). Yet, it is unclear whether some of these configurations are easier to recognize than others–such differences may in part explain the disparities in perceived pain as a function of face gender. This study explored potential gender differences in the configurations of PFE (encoding) as well as their perception by external observers (decoding). We used the Delaware Pain Database (DPD; Mende-Siedlecki et al., 2020), containing 225 pictures of White individuals posing PFE. To investigate potential differences in PFE encoding between men and women, we used OpenFace to measure the activation levels of 17 action units (AUs) in those pictures. A principal component analysis indicated five main groups of AUs with correlated activations. Most importantly, the first component included AUs typically associated with PFE, and was more prominent in PFE of men than women. To verify if PFE are decoded differently as a function of face gender, we used ratings openly available within the DPD. Each picture in the DPD has indeed been rated on the perceived intensity of six basic emotions and pain. A mixed ANOVA 7 (affective states) by 2 (genders) indicated significant main effects of affective states and gender, as well as an interaction between both factors. T-tests indicated that fear and sadness were perceived as significantly higher in women's PFE, while pain was perceived as significantly higher in men's. These findings emphasize gender-specific disparities in PFE, their potential overlap with other affective states, and underscore the potential contribution of both encoding and decoding in observed gender differences.
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 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».