Differences between the perception and the recognition of cross-race faces
Notice bibliographique
Résumé
The Cross-Race Effect (CRE) refers to the robust finding that individuals more accurately recognize faces of their own race than those of other races. According to the Face Space Model, this effect arises because cross-race faces are represented more densely-i.e., with less differentiation-in psychological space than same-race faces (Valentine & Endo, 1992). Although some studies have demonstrated that same-race faces occupy more dispersed positions in multidimensional space (e.g., Byatt & Rhodes, 2004), few have directly examined the link between recognition performance and underlying psychological face representations. The present experiments tested the Face Space account of the CRE by assessing recognition accuracy and perceived facial similarity across racial group. In Experiments 1A and 1B, Asian, Black, and White participants completed old/new recognition tasks for same- and cross-race faces. In Experiments 2A and 2B, separate groups of participants rated facial similarity for the same stimuli and were represented in the face space. We hypothesized (a) superior recognition for same-race faces and (b) that cross-race faces would be judged as more similar and thus more densely clustered in Face Space. Results partially supported these predictions. Consistent with the Face Space account, distinctive faces were overall better recognized than less distinctive faces and some conditions revealed recognition performance was aligned with perceived face clustering by race. However, other conditions showed a dissociation between memory and similarity where cross-race faces were more poorly recognized than same-race faces but were perceived as equally similar. These findings suggest that the CRE may not be fully accounted for by representational density in Face Space alone and highlight the potential dissociation between cognitive and perceptual processes of same- and cross-race 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 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 | 0,007 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».