MétaCan
Menu
Retour à la cohorte
Enregistrement W4402946659 · doi:10.1167/jov.24.10.1171

Exploring Spatial Frequency and Orientation Tunings for Face Recognition in Eight Cultural Groups

2024· article· en· W4402946659 sur OpenAlexaff
Francis Gingras, Arianne Richer, Cousineau Alex, Justin Duncan, Daniel Fiset, Frédéric Gosselin, Caroline Blais

Notice bibliographique

RevueJournal of Vision · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueFace recognition and analysis
Établissements canadiensUniversité de MontréalUniversité du Québec en OutaouaisUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésOrientation (vector space)Face (sociological concept)Facial recognition systemPsychologyArtificial intelligenceCommunicationPattern recognition (psychology)Computer visionComputer scienceCognitive psychologyMathematicsSociologyGeometrySocial science

Résumé

récupéré en direct d'OpenAlex

East Asians use lower spatial frequencies (SF) compared to Westerners while processing faces (Tardif et al., 2017). These differences have been attributed to culture; however, the underlying mechanism remains unclear. While many hypotheses exist (e.g. social orientation, urbanisation), having data for only two cultural groups makes generalisation difficult/iffy at best. The present study addresses this limitation by measuring SF tunings across eight cultural groups. Preliminary data was collected in Sub-Saharan Africa (n = 70), East Asia (n = 45), Eastern Europe (n = 83), English speaking countries (n = 63), Latin America (n = 89), Middle East (n=50), Southern Asia (n=72) and Western Europe (n=78). Targeted sample size is n=80 for all groups, as pre-registered on the OSF. Participants completed 600 trials of a same/different face matching task online using VPixx Pack & Go (VPixx Technologies, 2021). Target stimuli were filtered using SFO Bubbles, allowing for the sampling of all combinations of SF and orientations (Gingras et al., 2022). A weighted sum of all filters was computed to reveal SFO use for each participant as a 2D classification image. Preliminary analyses comparing the top 1% of t-scores across cultures reveal no differences in orientation tunings but reveal that Eastern and Southern Asians, as well as Sub-Saharan Africans, use lower SF compared to Western Europe/English countries. This is inconsistent with the recently proposed urbanization hypothesis (Caparos et al., 2012), according to which African cultures should show a local bias (and therefore use higher spatial frequencies). While the social orientation hypothesis is more consistent with our results, it fails to predict other visual effects, such as the Ebbinghaus illusion (Caparos et al., 2012) or eye movements (Gingras et al., in press). Other theories, applicable not only to East Asia, but to Southern Asia and Sub-Saharan Africa as well, should be explored.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,970
Score d'incertitude au seuil0,215

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,309
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of VisionMême sujetFace recognition and analysisTravaux en français237 207