The eye of the beholder: Only White observers have an attentional bias toward Latino and South Asian faces than Own-race Faces
Notice bibliographique
Résumé
The psychological grouping of individuals by gender, ethnicity or religion influences attentional allocation. Attentional bias—prioritizing attention toward certain stimuli—has been shown to favor specific ethnic groups. However, prior research has predominantly focused on binary comparisons (e.g., Black vs. White faces) with primarily White participants, limiting our understanding of attentional biases across multicultural participant samples and stimulus sets. This study examines attentional biases among a racially diverse sample (N = 104) in response to faces from five ethnic groups: White, Black, East Asian, South Asian, and Latino, four faces each. Methods: Participants completed a dot-probe task, in which they first viewed a fixation cross on the screen for 500 ms, followed by the presentation of two face images, one on the left and one on the right side of the screen, for another 500 ms. These images displayed models' heads to shoulders and were positioned 6.5 degrees apart horizontally. After the facial images disappeared, a dot appeared at the location where the center of one of the two images had been. Participants were instructed to locate the dot. Reaction times (RTs) and accuracy were recorded. Results showed no overall attentional bias toward faces from minority racial groups across the full sample. However, when analyzed by participant ethnicity, White participants displayed a significant attentional bias, showing faster RTs to Latino and South Asian faces and a trend toward faster responses to Black faces compared to own-race faces. East Asian participants exhibited balanced RTs across ethnicities, with a slight preference for own-race faces, while South Asian participants showed a clear bias for own-race faces, responding faster to South Asian faces than to some outgroup faces. Conclusion: These findings show that attentional allocation varies significantly by observer ethnicity, contributing to a more nuanced understanding of attentional biases across racial and ethnic 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 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».