Face and word superiority effects: Parallel effects of visual expertise
Notice bibliographique
Résumé
There are several studies that compare perception for written words and faces. However, many draw conclusions from different experimental paradigms, complicating direct comparison between these stimuli. Such comparisons are of interest because of hypotheses based on neuroimaging and neuropsychological data that face and word processing may have common underlying mechanisms and neural substrates. To facilitate such comparisons, we created a novel paradigm studying face recognition that closely resembles the word-superiority test, in which a letter is more easily identified when it is embedded in a whole word than when seen in isolation or in an unpronounceable random string of letters. Forty subjects each completed both of our tests. In the traditional word-superiority test, they briefly saw a word, a pseudoword, or a nonword, then a single test letter, and were asked if the letter had been part of the initial stimulus. In the face-superiority test, they briefly saw a learned, new, or scrambled face initially, then a test facial feature in isolation, and were asked to respond whether the feature had been part of the initial stimulus. For both categories of stimuli, there were similar differences between real, pseudo-, and non-stimuli. Accuracy was lower for non-stimuli compared to pseudo- and real stimuli, which in turn did not differ from each other. Response latency was greater for non-stimuli compared to pseudo-stimuli, which in turn was greater than real stimuli. Bivariate analyses revealed significant correlations between interstimulus trials for reaction times. Our study replicated a face superiority effect utilizing a similar methodology to the word-superiority test. Additionally, response latencies follows similar patterns in the recognition of written words and faces.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».