An age bias in other-race face perception: neural and behavioral evidence
Notice bibliographique
Résumé
The other-race effect (ORE) refers to a well-documented disadvantage in recognizing faces of other races compared to one’s own. Yet, the perceptual biases underlying ORE remain less understood. This research combines behavioral similarity measures, neural decoding and style-based generative adversarial networks (StyleGAN2; Karras et al., 2020) to examine visual biases, with focus on age misrepresentation in other-race (OR) face perception. To this end, first, East Asian and White participants (n = 190) rated the pairwise visual similarity of OR and same-race (SR) synthetically generated faces. The similarity structure of behavioral data was mapped onto that of StyleGAN2 latent representations. Relying on this mapping, we employed a novel procedure for GAN-based image reconstruction to recover SR and OR face percepts across our participants. The procedure generated hyper-realistic visualizations of face percepts. More importantly, facial attribute analysis, using RetinaFace (Deng et al., 2019), revealed that OR image reconstructions appeared systematically younger than SR ones. Second, electroencephalography (EEG) data were collected from East Asian and White participants (n = 40) who viewed OR and SR faces. Neural representations of these faces, recovered through EEG-based face decoding and image reconstruction (Nemrodov et al., 2018), were subsequently rated by another group of East Asian and White validators (n = 46) for perceived age and typicality. OR face reconstructions were consistently rated as younger and more typical for their race than SR reconstructions across both validator groups. Together, these findings provide convergent evidence for age misrepresentation in OR face perception across different data types and different reconstruction methodologies. These results open new avenues for investigating representational differences in face perception and highlight new implications for cross-racial interactions.
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 | 0,001 | 0,005 |
| 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 | 0,001 |
| 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 ».