Influence du genre sur la perception de l'empathie à l'aide d'avatars
Bibliographic record
Abstract
L’empathie, soit la capacité de comprendre et partager les émotions d’autrui, peut s’exprimer par le langage non verbal, notamment par l’entremise d’avatars dans les plateformes virtuelles en clinique et en recherche. Cependant, l’influence du genre dans l’interaction humain-avatar demeure encore inconnue. Cette étude en ligne vise à évaluer si la perception de l’empathie varie en fonction du genre du participant (homme/femme) et de la représentation de l’avatar (masculin/féminin), indépendamment des comportements non verbaux affichés par les avatars (Contact visuel; Expression faciale congruente; Inclinaison du tronc). Cent vingt adultes de la population générale âgés entre 18 et 60 ans ont été recrutés (76 s’identifiant comme une femme). Ils ont visionné des vidéos d’avatars (deux masculins et deux féminins) affichant différents comportements non verbaux, puis ont évalué l’empathie qu’ils percevaient. Les résultats de l’ANOVA factorielle mixte montrent que les participants perçoivent significativement plus d’empathie lorsqu’exprimée par des avatars féminins, ce qui est congruent avec les stéréotypes liés aux genres. Les résultats montrent également que le genre du participant n’influence pas le niveau l’empathie perçue. Les données obtenues montrent l’importance d’une représentation d’avatar féminin et permettront d’améliorer les plateformes virtuelles existantes, en plus d’améliorer les connaissances sur les interactions empathiques humain-machine.
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 | 0.002 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.009 | 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".