Judging the perceptual similarity of own- and other-race faces
Notice bibliographique
Résumé
Most people are experts at recognizing faces, however, research has shown that we are less expert at recognizing faces from other races - the Other-Race Effect (ORE). An influential framework to account for the ORE is the face space model where faces are represented as points in a multi-dimensional similarity space with each dimension signifying a specific facial feature or attribute. According to this approach, own-race faces are perceived as more distinct and therefore, their representational points are more spatially separated in face space. In contrast, other-race faces are perceived as more similar and therefore, their points are more densely clustered in face space. To examine the face space representations of participants for own- and other-race faces, we employed PsiZ, a novel method for obtaining psychological embeddings–rich multi-dimensional representations of psychological similarity spaces that are inferred from behavioural similarity judgements. We predicted that the psychological embeddings will be more differentiated for own-race faces and more densely packed arrangements of other-race faces. For this study, we recruited 60 African, 60 Caucasian and 60 Chinese online participants who made similarity judgments to blocks of 20 African, 20 Caucsian and 20 Chinese faces. Our main results indicated that there was limited evidence to support the face space account of the ORE. Inspection of the psychological embeddings by race of the participant and face showed that own-race faces were not more differentiated in face space than other-race faces. However, upon examining faces by different racial groups, distinct patterns emerged. African participants exhibited an ORE for Caucasian faces, while Caucasian participants demonstrated an ORE for Chinese faces. Notably, Chinese participants did not display a discernible ORE, indicating variability in cross-race recognition effects among the studied groups. Participant similarity judgements were moderately correlated with simulated judgements based on VGG-16 perceptual features, with some differences by race.
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 | 0,001 |
| 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 ».