Seeing gender stereotypes: The role of second-order head/facial features
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.
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 | 0,001 | 0,006 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».