Le jugement des expressions faciales dynamiques : l'importance de l'intensité maximale et finale, et de la moyenne globale
Bibliographic record
Abstract
L'objectif de ces travaux est d'établir les bases servant à l'élaboration d'un modèle de jugement des expressions faciales dynamiques. Se basant sur des données présentées par Kahneman et ses collègues (1993) qui montrent que les jugements complexes d'épisodes temporels sont fonction de l'intensité maximale d'une série et de l'intensité de son dernier élément, une première étude démontre l'importance de ces paramètres dans l'évaluation de la hauteur moyenne d'une séquence de rectangles dont la hauteur varie en fonction du temps. Cette étude montre aussi que la hauteur moyenne des rectangles en influence l'évaluation. La seconde étude a pour but de déterminer si les mêmes paramètres sont impliqués dans le jugement d'expressions faciales dynamiques. Les résultats montrent que l'intensité maximale, l'intensité finale ainsi que l'intensité moyenne influencent le jugement de l'intensité et de la valence. Il est suggéré d'ajouter la moyenne globale aux paramètres pouvant influencer le jugement d'épisodes temporels dans le modèle présenté par Kahneman et ses collègues. Nous considérons donc qu'il s'agit d'un point de départ pour l'élaboration d'un modèle de traitement des expressions faciales dynamiques.
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 | 0.001 | 0.004 |
| 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 | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".