La reconnaissance émotionnelle faciale : validation préliminaire de stimuli virtuels dynamiques et comparaison avec les Pictures of Facial Affect (POFA)
Bibliographic record
Abstract
Bien que des photographies d’expressions émotionnelles faciales soient couramment utilisées pour étudier le traitement des informations affectives, les ensembles de stimuli actuels comportent différentes limites méthodologiques. Dans la perspective d’améliorer la validité écologique des travaux sur la reconnaissance émotionnelle faciale (REF), l’étude propose un nouvel ensemble de stimuli dynamiques constitué de personnages virtuels exprimant les six émotions fondamentales à différentes intensités. La validation préliminaire des stimuli a été effectuée en les comparant aux stimuli du POFA. Dans l’étude 1, le contenu émotionnel de 84 avatars statiques et de 48 photographies du POFA a été évalué par 150 étudiants. Dans l’étude 2, la REF a été évaluée chez 134 étudiants à l’aide d’avatars dynamiques. L’habileté à reconnaître les émotions est similaire à celle rapportée dans la littérature scientifique ainsi qu’au POFA. Les résultats permettent de conclure que les avatars constituent un ensemble valide de stimuli pour étudier la REF, offrant une contribution significative dans le domaine de la recherche émotionnelle. L’usage d’avatars étant de plus en plus courant à des fins d’intervention et de recherche, les stimuli ouvrent aussi la voie à diverses applications, entre autres pour l’étude des comportements violents. D’autres travaux devront être réalisés afin de poursuivre leur validation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".