Physical characteristics of digital characters influence group categorization and recognition of affective states
Notice bibliographique
Résumé
Ethnic bias in social group categorization and recognition of affective states persist in diverse countries like Canada, potentially affecting interactions with minority groups. With the growing use of digital characters (DCs) across various settings, it becomes crucial to explore whether these biases extend to virtual environments to mitigate these issues. This study created and validated 16 realistic DCs to examine how individuals perceive their physical characteristics while investigating the effects of ethnic biases. 112 participants from the majority group (White) completed a two-part online task in which they were asked to perceive in the 16 DCs 1) physical attributes in a neutral state such as phenotype (Black, White, Latin American, or Asian), gender, age, and realism, and 2) four affective states expressed by DCs (pain, anger, sadness, or neutral), as well as components associated with them (intensity, valence, and arousal). Participants categorized White DCs more accurately than Asian and Latin American DCs, and faster than Latin American DCs. The latter were also categorized less accurately and slower than the two other minority groups (Asian and Black DCs). Furthermore, the anger facial expression on Asian DCs was the least recognized among all other affective states and phenotypic groups. Thus, an attenuated own-phenotype bias emerged in contexts with multiple phenotypes, where very similar or very different physical characteristics contribute to efficient categorization. This study contributes to a finer understanding of how different phenotypic groups are perceived in virtual environments and introduces newly created digital characters that could be used for studies in human-agent interactions. • White digital characters are better categorized than those of minority groups. • Latin American digital characters had the lowest categorization accuracy. • Anger expressed by Asian digital characters is less recognized than other groups.
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 | 0,004 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».