Seeing gender stereotypes: The role of second-order head/facial features
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Human faces serve as windows to the intricated realm of social perceptions and interactions. We often rely on stereotypes to quickly frame people by looking at their faces. Focusing on the gender-science stereotype (GSS), we explored the visual weight of face/head features in attributing a specific STEM (science, technology, engineering and mathematics) competence, or lack thereof. The aim is to study basic mechanisms underlying gender stereotypes and the perceptual and cognitive dynamics that come into play when activating or enhancing GSS. Starting from a female head and a male head, a set of female (Exp.1) and a set of male heads (Exp.2) were created by modifying second-order features (i.e., beard, make-up, hair colour and length). A scientific and a literary text were associated to the heads of the two sets; participants’ (N= 90) task was to evaluate the likelihood of the text’s authorship on a 10-point Likert scale based on the head visualized. Results show a negative effect for blonde hair (‘’dumb blonde’’ effect) for both genders, and for heavy make-up for females; a positive effect was found for glasses for both genders, and for beard for males. A Linear Mixed Model Analysis was run to explore the differences between scores for female and male heads. Results show that male heads received significantly higher scores in Science than female ones (p < 0.001), but scores relating to Literature were statistically equal (p=0.82). Overall, results suggest the existence of a gender bias. Results and interactions will be discussed in light of the perceptual elements at play to understand the interplay between cognitive and perceptual factors in activating the GSS.
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.
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 | 0,000 | 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) | 0,093 | 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 découle