O impacto da alexitimia na identificação facial
Bibliographic record
Abstract
A identificação de faces é um processo fundamental na interação social humana. Tendo por base um sistema cognitivo e percetual complexo, algumas caraterísticas individuais podem comprometer o reconhecimento de faces. Diversos estudos referem que indivíduos com alexitimia apresentam dificuldades ao nível do reconhecimento das emoções, verificando-se uma associação positiva com sintomas psicopatológicos. Contudo, a investigação é escassa no que diz respeito ao estudo da identificação facial em indivíduos com alexitimia. Por forma a explorarmos a relação entre identificação facial e alexitimia, recorreu-se a uma amostra por conveniência, obtida junto de estudantes da Universidade da Beira Interior, com idade superior a 18 anos, tanto do género feminino (n=42), como masculino (n=22), com idades compreendidas entre os 18 e os 57 anos (M=21; DP=5.22), de diferentes cursos e ciclos de ensino. O protocolo de investigação foi constituído por um questionário sociodemográfico, pelo 20-item Toronto Alexithymia Scale e pelo The Glasgow Face Matching Test. Os resultados mostraram que uma maior dificuldade em descrever sentimentos está associada a um menor tempo de resposta na tarefa de identificação facial (r = -.312; p < .001). Também se observou que um pensamento mais orientado para o exterior está associado a uma menor taxa de acerto na tarefa de identificação facial (r = -.331; p = .008). Sendo este um estudo exploratório da relação entre as variáveis identificadas, espera-se que os resultados apresentados possam contribuir para uma maior investigação nesta área.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".