Ethnicity and Pain Recognition: Unraveling Confusion Patterns in Facial Expressions
Notice bibliographique
Résumé
Ethnic minorities expressing pain are often under-diagnosed and under-treated (Cintron et al., 2006). The misinterpretation of pain signals conveyed through facial expressions across different ethnicities might be a key factor contributing to these variations (Dildine et al., 2023). Current theories of social perception suggest that such misclassifications could be due to ethnic stereotype knowledge that could amplify confusions between pain and similar-looking facial expressions, like anger or disgust (Hugenberg et al., 2004; Kunz et al., 2019; Roy et al., 2015). However, no study has explicitly examined the interaction between these factors. Here, we addressed this question by first examining whether face ethnicity influences the interpretation of facial expressions of pain as other negative emotions. Using a generative model of the human face, we displayed 40 facial expressions of pain, sadness, anger, fear and disgust on each of 40 face identities varying in ethnicity (Black, East Asian, White) and sex (male, female). Participants (30 White Western; sex-balanced; 18-35 years) classified each stimulus in an alternative forced choice task (5AFC). Combining a within-subject bootstrap analysis (10,000 resamples) with the Bayesian estimate of population prevalence (Ince et al., 2021), we investigated the effect of ethnicity on accuracy and confusion patterns between pain and other negative emotions. Preliminary results (n = 22) show that, across face ethnicities, facial expressions of pain are the least accurately identified and generate more systematic confusions with disgust for black compared to white faces. To explore these confusions further, we plan to conduct a second complementary discrimination task where participants will detect the presence of target emotions (measured using d-prime, n = 30). By investigating the role of face ethnicity in interpreting facial expressions of pain, our study aims to shed light on how and why disparities in pain perception arise and provide potential insights into mitigating these effects.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,001 |
| 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 ».