Social categorization and math stereotyping (replication using new images)
Notice bibliographique
Résumé
The first purpose of this study is to replicate our previous study investigating how people spontaneously categorize Asian women, versus White men, when completing a math/arts IAT that allows these targets to be categorized by race, gender, or both. The second goal is to examine whether categorization (by race, gender, or both) results in stereotype-consistent associations. Specifically, are people who appear to be categorizing these faces primarily by gender less likely to associate Asian women with math compared to those who appear to be categorizing primarily by race? An Implicit Association Test (IAT) will be used to examine these questions. In the IAT, participants will be presented with Asian female faces and White male faces and will be asked to categorize these faces using a header showing both race and gender (i.e., “Asian Woman” cartoon image “White Man” cartoon imaes). In order to determine how people are primarily categorizing these faces, we will add 3 additional categorization trials seamlessly to the end of the measure. These will be selected from four images that include Asian men (n=2) and White women (n=2) of comparable age and attractiveness. If participants are attending primarily to race, they should sort these with the Asian woman and White man header, respectively. By contrast, if participants are attending primarily to gender, we should see the reverse pattern – Asian men should be sorted with the White Man header, and White women should be sorted with the Asian Woman header. Based on our previous studies, we anticipate that the majority of participants will categorize by gender and that they will show a math-gender stereotype on this implicit measure, despite the female images being exclusively of East-Asian women. Unlike our previous study with a similar design, we are making use of a new set of images from " Beaupré, M.G., & Hess, U. (in press). Cross-cultural emotion recognition among Canadian ethnic groups." Journal of Cross-cultural Psychology. (with one Asian female face replaced due to make-up; and taken from Utrecht ECVP). All images were also cropped with an oval so that only the main parts of the face appear. We plan to collect 160 participants.
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 | 0,004 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».