Exploring Visual Strategies and their Electrophysiological Correlates in Same and Other-Race Face Processing
Notice bibliographique
Résumé
In the realm of face perception, it has been suggested that faces belonging to one's own race are processed differently than those of other races, leading to superior recognition of same-race faces (Meissner & Brigham, 2001; Malpass & Kravitz, 1969). This phenomenon, known as the Other-Race Effect (ORE), has been extensively examined, notably through eye-tracking studies that have shown that White individuals allocate less attention to the eyes of Black faces compared to White faces (e.g. Kawakami et al., 2014). To better understand this bias, we first asked 15 White participants to complete a face memory task, following an old/new paradigm with both Black and White faces. Replicating the ORE (i.e. better accuracy (d’) in memorizing white (M= 1.59, SD = .70) than black faces (M= .75, SD = .33): t(14) = 7.02, p < .001, Cohen’s d = 1.8, 95% CI [0.59, 1.1]), participants then completed two other tasks (gender and smile/neutrality discrimination) while their EEG signals were recorded (for a total of 6000 trials/participant). In each trial, distinct parts of Black and White faces were revealed using the bubbles method (Gosselin & Schyns, 2001). Multiple linear regression analyses using a Pixel Test (Stat4Ci Toolbox; Chauvin et al., 2005) on EEG amplitudes at specific electrodes of interest (e.g., PO8, PO7) revealed strong associations with the eye region within the N170 time window, regardless of the task or the race of the faces. These findings suggest that same and other-race faces undergo similar processing during the early stages of face perception, with differences likely emerging later in the face identification stream.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».