Developmental shifts in face identity discrimination: An eye-tracking study of children, adolescents, and adults
Bibliographic record
Abstract
La reconnaissance des visages est une compétence sociale fondamentale qui se développe tout au long de l’enfance et de l’adolescence. Bien que des recherches antérieures aient démontré l’émergence précoce des stratégies de traitement holistique et des traits faciaux, la trajectoire développementale de ces stratégies—ainsi que les mécanismes attentionnels sous-jacents—demeure peu claire. La présente étude a utilisé un dispositif de suivi oculaire (eye-tracking) afin d’examiner comment des individus appartenant à trois groupes d’âge (enfants de 6 à 9 ans, adolescents de 12 à 18 ans, et adultes de 19 ans et plus) discriminent l’identité faciale dans des conditions de vision qui manipulaient l’accès à l’information locale. Les participants ont complété une tâche de correspondance faciale selon trois conditions de vision (face-face, profil-profil et face-profil) qui modulaient la disponibilité des indices visuels locaux. Les données d’exactitude et de fixation ont été analysées pour évaluer l’évolution des stratégies de traitement et des comportements visuels selon l’âge. Les résultats ont révélé une amélioration de la performance avec l’âge, les enfants obtenant des résultats significativement plus faibles que les adolescents et les adultes. Les données de suivi oculaire ont montré une attention croissante portée aux traits internes du visage (yeux, bouche et nez) avec l’âge, en particulier chez les adultes. Ces résultats soutiennent les modèles d’attention acquise dans la perception des visages et démontrent la pertinence de l’eye-tracking pour identifier les changements développementaux dans les stratégies visuelles. Cette recherche contribue à une compréhension plus fine du développement de l’expertise en reconnaissance faciale et pourrait éclairer les futures études sur les troubles neurodéveloppementaux
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".