Age-related differences in preferred fixated region (PFR) for face perception
Notice bibliographique
Résumé
Face regions differ in their information value for face discrimination, with more information in eye compared to nose. Despite this information difference, individuals vary in their preferred fixation region (PFR) when viewing faces: There are eye-lookers and nose-lookers. This could reflect individual differences in optimal processing regions for face perception. Peterson & Eckstein (2013) found nose-lookers performed better when viewing the nose rather than eyes, although results vary across studies (cf. Arizpe et al., 2016). Older adults as a group fixate on the lower halves of faces more than younger adults (e.g., Firestone et al. 2007), and older adults show reduced face perception accuracy (e.g., Konar et al., 2013). Here, we ask: Are nose-lookers more prevalent among older adults? and Is the link between PFR and optimal processing the same in older and younger adults? We investigated PFR in 27 younger and 27 older adults, examining face perception accuracy under free-viewing and region-restricted viewing (forehead, eye, nose, and mouth), following the method of Peterson & Eckstein (2013). Preliminary findings revealed a higher proportion of nose-lookers among older (50%) than younger adults (20%). Older observers generally showed worse performance accuracy than younger adults, but performance between eye-lookers and nose-lookers did not differ for each age group. Overall patterns of performance were similar across age groups for eye-lookers, with peak performance for the eye, and relatively poor performance for forehead and mouth. Older nose-lookers showed a clear benefit for the nose, but younger nose-lookers showed strong performance for both eyes and nose. All nose-lookers showed strong performance for the mouth. These findings suggest that age-related changes in PFR do not fully explain reduced face perception in older adults. We currently are analyzing EEG measures to learn how neural activities associated with face detection (N170) and identification (N250) relate to PFR across adulthood.
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 | 0,001 | 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) | 0,004 | 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 ».