L’analyse des mouvements oculaires lors du jugement de sourires authentiques et de faux sourires chez les enfants
Bibliographic record
Abstract
Le but de la présente étude est d’examiner le lien entre le traitement perceptuel et attentionnel des vrais et des faux sourires et les résultats à la tâche de jugement de l’authenticité des sourires chez les enfants. Des enfants âgés de 6-7 ans et 9-10 ans sont exposés à des sourires comprenant les caractéristiques d’une sourire authentique (Duchenne symétrique) ainsi que des sourires sans l’activation du marqueur de Duchenne et des sourires asymétriques. Les participants doivent déterminer si le sourire est vraiment joyeux ou non. Tout comme chez les adultes, les résultats révèlent que les enfants, peu importe leur groupe d’âge, jugent le sourire Duchenne symétrique plus joyeux que le sourire asymétrique et le sourire asymétrique plus joyeux que le sourire non-Duchenne. Les participants donnent également la réponse attendue plus souvent pour le sourire Duchenne symétrique et le sourire non-Duchenne que pour le sourire asymétrique. Contrairement aux adultes, on ne peut pas exclure l’hypothèse de limites attentionnelles-perceptuelles chez les enfants, puisque bien que le jugement chez les enfants s’apparente à celui des adultes, le traitement perceptuel-attentionnel demeure différent.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".