E se os alvos expressarem emoções?
Bibliographic record
Abstract
O reconhecimento de identidade tem vindo a demonstrar-se uma tarefa fundamental, não só ao nível das relações interpessoais, mas também no desempenho de determinadas profissões que exigem um rápido processamento cognitivo na identificação de duas faces como sendo a mesma ou faces diferentes, como é o caso dos seguranças aeroportuários. Um estudo anterior encontrou, como resultados complementares, que indivíduos alexitimicos tendem a processar esta informação mais rapidamente que indivíduos não alexitimicos. Deste modo, a presente investigação propõe-se a estudar as diferenças na velocidade de processamento de reconhecimento de faces e emoções entre indivíduos alexitimicos e não alexitimicos. Para tal utilizamos a Toronto Alexithymia Scale (TAS) para avaliar os níveis de alexitimia da amostra e recorremos à Radboud Faces Database (RaFD), uma base de dados de fotografias de pessoas reais que correspondiam a determinadas características adequadas a esta investigação, para construir a experiência que permitiu a recolha dos dados. O principal objetivo consistiu em comparar as pontuações obtidas no TAS com a Taxa de Acerto e o Tempo de Resposta Médio da amostra. Desta feita, pretendemos verificar possíveis diferenças na velocidade do reconhecimento de faces e emoções entre sujeitos alexitimicos e não alexitimicos. Assim, relativamente aos resultados, é possível concluir que nenhum deles é estatisticamente significativo, o que sugere que não existem diferenças entre os grupos. Por fim, em relação à discussão, nenhuma das hipóteses colocadas se comprova após as análises efetuadas, o que os permitiu realizar algumas reflecções e sugestões que consideramos pertinentes.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".