Notice bibliographique
Résumé
Building on prior empirical research documenting differences in perceived attractiveness across racialized groups, we investigate how race is associated with attractiveness ratings using a large-scale dataset of facial photographs drawn from widely used face databases. This project is informed by a systematic literature review, which found that White and mixed-race individuals are often rated as more attractive than individuals from other racialized groups. Additionally, prior work has highlighted the potential role of perceived masculinity and femininity as mediators in race–attractiveness associations. Importantly, the review also emphasized that the relationship between race and attractiveness may interact with gender. The aim of the present study is to systematically test these patterns using cross-classified multilevel modeling, accounting for the nested structure of ratings across raters, targets, and databases. By modeling both individual-level and group-level sources of variation, we aim to provide a more nuanced and generalizable understanding of how race and gender intersect in shaping perceptions of facial attractiveness. This study represents our second attempt at analyzing these face databases; we previously preregistered a simpler analytic approach using summary statistics for target pictures that did not include rater info and observation-level data (see preregistration AsPredicted #174481). In the present study, we build on that work by applying more rigorous cross-classified multilevel modeling to better account for the nested structure of the data. A copy of the previous preregistration (blinded for peer-review) is included as a pdf file under "study design".
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,010 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».