Measuring sexual dimorphism in human faces
Notice bibliographique
Résumé
Facial shape is one of the most widely studied sexually dimorphic traits in humans. Sexually dimorphic facial shape has been linked to processes in neurodevelopment, immunocompetence, social perception, and mate preference. However, research into these associations has produced conflicting results, owing in part to the diverse methods used to quantify sexual dimorphism of the face. Our study compares two commonly used methods for measuring morphological sexual dimorphism: regression scoring and Canonical Variates Analysis (CVA; or linear discriminant analysis). We test both methods on a large sample of adult males (n = 540) and females (n = 540) with three-dimensional (3D) descriptions of the whole face, both with and without prior decomposition of the allometric component. Our results show that CVA outperforms regression scoring, resulting in scores that are more accurate in classifying the sexes and recreating the male-female shape axis (i.e., the difference in shape means based on reported sex). We also find that height is positively associated with regression scores after controlling for sex (p < 0.01), but not with CVA scores. These results suggest the need for a possible reassessment of previous claims that taller males have more male-like facial shapes, as well as a broader re-evaluation of the literature that considers the significance of method selection in shaping research outcomes. We establish a foundation for more accurate comparisons of facial sexual dimorphism and its relationship to various domains of human health and biology.
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 | 0,001 | 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) | 0,001 | 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 ».