Influência da empatia e da alexitimia nas inferências sociais a partir de imagens ambientais e faces
Bibliographic record
Abstract
Muitas vezes os julgamentos inerentes à formação de primeiras impressões são somente baseados na informação proveniente da face, sendo que as expressões faciais de emoções constituem um estímulo que poderá estar subjacente a diversas inferências sociais. Assim, a literatura sugere que a capacidade para reconhecer expressões faciais de emoções poderá ser fundamental na atribuição de características sociais às faces. Uma vez que tanto a alexitimia como a baixa capacidade empática são caracterizadas por um comprometimento no reconhecimento de emoções, o presente estudo teve como principal intuito investigar a influência destas na inferência de certas características sociais a partir de imagens ambientais de faces. Para tal participaram neste estudo 84 estudantes da Universidade de Aveiro que completaram a Escala de Alexitimia de Toronto (TAS-20) e o Índice de Reatividade Emocional (IRI), bem como realizaram uma tarefa de avaliação de imagens ambientais de faces em 10 características sociais percebidas, nomeadamente atratividade, saúde, feminilidade/masculinidade, dominância, agressividade, acessibilidade, competência, inteligência, confiabilidade e quão caloroso o indivíduo parece. Os resultados revelam que os indivíduos com baixa capacidade empática fazem atribuições de menor dominância, acessibilidade, feminilidade-masculinidade, confiabilidade e saúde, em comparação com os mais empáticos. Por sua vez, quanto maior for o nível de alexitimia, maior é a perceção de confiabilidade e menor é a perceção de agressividade. Os resultados do presente estudo revelam que a empatia e a alexitimia parecem influenciar a inferência de traços sociais a partir de faces e como tal poderão afetar as relações interpessoais, uma vez que estas são em grande parte condicionadas pelas inferências que fazemos em relação aos outros.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".