Modeling the relationship between 3D facial features and human binary sex categorization in young Chinese adults
Notice bibliographique
Résumé
New technologies, such as VR and AR, allow individuals to interact with digital avatars in increasingly realistic ways. As these applications become more widespread, it is important to understand how humans perceive 3D avatars and their facial features. People usually undergo a rapid unconscious cognitive sex categorization process when they begin to interact with new 3D characters. In this study, we used a sex categorization task to investigate how the human brain perceives 3D facial features under different conditions and to uncover how it carries out human binary sex categorization. With 20 young Chinese adult participants in our study, we aimed to reveal how key factors (3D facial shape, texture, and display method) affect human perceptions of binary sex and related facial feature differences. Using regression and PCA reconstruction, we developed a perceived sexual dimorphism model based on the participants' responses. The cosine similarity and difference modeling revealed a clear deviation from biological dimorphism, indicating that human perceptions simplify facial features, primarily focusing on the cheek region. Additionally, a repeated measures ANOVA and post hoc tests showed that dynamic videos with realistic textures yielded the most accurate sex categorization based on facial shape. In contrast, face stimuli lacking texture led to a noticeable male bias, indicating the importance of balanced texture on characters' faces. This work bridges a critical gap regarding human perceptions of 3D characters’ faces, offering valuable insights into creating 3D characters that are perceptually accurate and socially effective.
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 | 0,001 |
| 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) | 0,002 | 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 ».