任务特定性关联:整体处理方式与个体面部记忆差异之间的关系

《British Journal of Psychology》:Task-specific associations between holistic processing and individual differences in face memory

【字体: 大 中 小 】 时间:2026年05月16日 来源:British Journal of Psychology 3.3

编辑推荐:

  摘要 个体在面部识别方面的差异是否可以通过整体处理来预测,以及这两种现象是否共享一个共同的潜在机制,这些问题仍然没有得到明确的答案。过去的研究虽然探讨了这种关联,但结果并不一致。这些研究通常只考察了整体处理措施的一个子集,主要集中在依赖于面部感知而非记忆的识别任务上,而且没有考

  摘要

个体在面部识别方面的差异是否可以通过整体处理来预测,以及这两种现象是否共享一个共同的潜在机制,这些问题仍然没有得到明确的答案。过去的研究虽然探讨了这种关联,但结果并不一致。这些研究通常只考察了整体处理措施的一个子集,主要集中在依赖于面部感知而非记忆的识别任务上,而且没有考察整体处理与面部识别之间的关系是否具有面部特异性。本研究首次考察了三种传统的整体面部处理措施——面部倒置、部分-整体和复合面部任务——与基于记忆的面部识别个体差异之间的关系,同时也探讨了这些关系是否独立于非面部物体的识别。我们发现,面部记忆与面部倒置和部分-整体效应有关,但与复合面部效应无关。探索性因子分析揭示了两种整体面部处理机制:第一种机制主要受到面部记忆、倒置和部分-整体效应的影响,而第二种机制则主要受到复合面部效应的影响。这些发现表明,面部识别并非由单一的、统一的整体处理机制所促进,并强调了重新思考整体处理概念和测量方法的必要性。

通过记忆识别面部是我们每天都会做的事情——无论是与朋友打招呼、检查身份证件,还是在监控录像中识别嫌疑人。然而,我们的大脑是如何完成这一复杂任务的长期以来一直存在争议。我们的研究挑战了人们普遍认为人类以“整体”方式记忆和回忆面部的观点(心理学家称之为整体面部处理)。通过比较不同的整体处理和记忆测量方法,我们发现面部识别依赖于某些形式的整体处理,但并非所有形式。值得注意的是,我们发现面部识别的方式与识别效果之间的关联取决于所使用的任务类型。通过对欧洲和亚洲背景的参与者进行研究,我们的发现提供了对面部识别更为全面和现实的理解。这不仅对科学有重要意义,也对设计更好的安全工具、医疗保健技术(例如针对面部失认症患者的技术)以及面部识别软件等方面具有价值。简而言之,如果我们想了解我们是如何识别面部的,以及为什么有些人在这方面更擅长,就需要重新思考我们使用的方法和几十年来持有的假设。

背景

大量研究表明,人类大脑使用高度专业化的认知机制来表示面部(McKone & Robbins, 2011)。因此,研究显示人类处理面部的方式与其他类型的复杂视觉刺激(例如非面部物体)不同(Yin, 1969)。使面部“特殊”的一个特性是,它们被作为一个“整体”来处理和表示,而不是作为一系列单独特征的集合,这被称为整体处理(Maurer et al., 2002; Sergent, 1984)。整体处理涉及将面部特征自动且似乎毫不费力地整合成一个统一的、格式塔式的表示,被认为是成功识别面部的基础(Jacques & Rossion, 2010; McKone & Robbins, 2011; Nakabayashi & Liu, 2014; Piepers & Robbins, 2012; Rossion, 2008, 2013; Tanaka & Farah, 1993)。然而,对面部整体处理的测量仍然基于特定的操作定义,这些定义缺乏明确的构念。传统上,整体处理通过三种经典措施来衡量:面部倒置任务(Rossion, 2008; Yin, 1969)、部分-整体任务(Tanaka et al., 2004; Tanaka & Farah, 1993)和复合任务(Rossion, 2013; Young et al., 1987)。面部倒置任务表明,当面部以倒置(即上下颠倒)的方式呈现时,与正常方向相比,面部记忆会受到影响(Tanaka et al., 2019)。这种“面部倒置效应”(FIE)在面部识别中尤为明显,相比其他非面部物体更为显著(Bruyer, 2011; Rossion & Gauthier, 2002; Yin, 1969)。此外,Maurer等人(2002)还表明,FIE是由于整体处理受到干扰而非特征处理受到干扰的结果。在他们的研究中,倒置整个面部会使参与者识别完整面部的速度变慢且准确性降低。然而,仅倒置面部部分并不会影响对这些部分的识别(Freire et al., 2000; Leder & Bruce, 1998, 2000; Suzuki & Cavanagh, 1995)。尽管如此,Piepers和Robbins(2012)声称FIE并不一定直接反映整体处理。实际上,尽管FIE在面部识别中更为明显,但在非面部物体中也会出现这种效应(见Gerlach et al., 2023)。此外,最近的证据表明,FIE范式并不直接操纵整体处理,而是通过降低表现来定量影响面部处理(Gerlach & Mogensen, 2024; Tanaka & Simonyi, 2016)。从这个意义上说,一些作者认为,虽然整体处理在面部识别中更为显著,但无论是正面还是倒置的面部都经过了整体处理(Gerlach & Mogensen, 2024; Murphy & Cook, 2017; Richler, Mack et al., 2011)。因此,尚不清楚FIE是对整体面部处理的定性还是定量影响(Boutet et al., 2021; Gerlach et al., 2023; McKone & Yovel, 2009; Rossion, 2008)。换句话说,尚不清楚FIE是反映了整体处理的完全中断、减少,还是其他处理过程的中断(有关讨论,另见Leong et al., 2024; Gerlach, 2025)。从复合面部效应(CFE; Young et al., 1987; Leong et al., 2024; Murphy et al., 2017; Rossion, 2013)和部分-整体效应(PWE; Estudillo et al., 2022; Leong et al., 2024; Tanaka & Farah, 1993; Tanaka & Simonyi, 2016)中可以观察到更多关于面部识别过程中整体处理的直接证据。复合任务(Hole, 1994; Rossion, 2013; Young et al., 1987)涉及使用由两个不同面部身份的上下半部分组合而成的面部刺激,这两半部分在水平中线处分开。将一个身份的上半部分与另一个身份的下半部分对齐会产生一个新的身份错觉,使得难以同时关注面部的一个半部分而忽略另一个半部分。然而,如果两个半部分不对齐,则这种效应会消失。换句话说,CFE反映了当参与者需要处理相关半部分时,面部无关部分造成的干扰。尽管如此,尚不清楚CFE是否反映了面部特有的机制,因为这种效应也在非面部物体的专业识别中观察到(有关详细讨论,见Murphy et al., 2017)。

在部分-整体任务(DeGutis et al., 2013; Estudillo et al., 2022; Leong et al., 2024; Tanaka et al., 2004)中,参与者需要识别一组“目标”面部。首先向他们展示一个目标面部,然后展示两个“测试”面部。在一个情况下(“整体”条件),参与者需要识别两个“测试”面部中哪一个仅在一个特征上有所不同(例如鼻子)与学习到的目标面部相匹配。在另一个情况下(“部分”条件),他们需要识别两个孤立面部特征中哪一个属于目标面部。部分-整体任务表明,当面部特征在研究面部的背景下呈现时,识别这些特征具有优势。这是因为面部特征被整合成一个整体,因此任何新的特征都会产生一个新的身份错觉,使得区分两个面部变得更加容易(Tanaka & Farah, 1993)。然而,当特征单独呈现时,必须在个体层面进行区分,这使得识别变得更加困难。此外,PWE仅在面部中观察到,而在非面部物体(例如房屋)中未观察到(Tanaka & Farah, 1993),这表明PWE反映了面部特有的机制的参与。有趣的是,当参与者需要学习面部部分而不是整个面部时(如原始的部分-整体任务),在完整面部的背景下识别学习到的部分的准确性比单独展示部分时要差(Leder & Carbon, 2005)。因此,尚不清楚PWE是否反映了面部特征的整合或面部部分处理的干扰(Tanaka & Simonyi, 2016)。虽然一些研究表明整体处理在面部识别中起着关键作用(Belanova et al., 2021; DeGutis et al., 2013; Leong et al., 2023; Richler, Cheung, et al., 2011; Wang et al., 2012),但其他研究并未发现这种关联(Audette et al., 2025; Konar et al., 2010; Richler et al., 2014; Ventura et al., 2022; Verhallen et al., 2017; Wong et al., 2021)。一方面,DeGutis等人(2013)发现,用PWE和CFE衡量的整体处理与面部识别能力(FRA)呈正相关,后者通过剑桥面部记忆测试(CFMT; Duchaine & Nakayama, 2006)进行测量。另一方面,Konar等人(2010)发现CFE与同时面部匹配任务的表现无关。此外,Audette等人(2025)的最新研究表明,处理面部内单个特征的效率,而不是感知整合单个特征的效率,可以预测面部识别的个体差异。Verhallen等人(2017)进一步指出,面部处理可以通过一个称为f的一般因素来解释。有趣的是,他们发现用完整的CFE衡量的整体处理与加载到f上的任何面部测量指标都不相关(Verhallen et al., 2017;但参见Richler, Cheung, et al., 2011中的相关证据)。这些发现进一步挑战了整体处理是面部识别重要方面的观点。因此,关于整体处理在面部识别中作用的混合结果可能至少部分可以通过存在不同的测量方法和/或整体处理的定义来解释。例如,Audette等人(2025)并未直接评估整体处理,而是通过组合的正面面部部分的性能效率来推断它。此外,Konar等人(2010)和Verhallen等人(2017)的研究仅将CFE作为整体处理的测量指标。这存在问题,因为最近的研究(Lee et al., 2022; Leong et al., 2024; Rezlescu et al., 2017)发现这三种传统的整体处理措施之间的关联较弱或几乎不存在。Boutet等人(2021)的进一步因子分析也表明,这三种传统措施并未加载到相似的成分上。例如,CFE和PWE加载到不同的成分上,而FIE则未加载到任何成分上。他们提出,PWE与面部部分的整合及其配置关系有关,而CFE与使用完整面部模板和/或配置处理有关(有关讨论,见Rossion, 2013; Richler & Gauthier, 2014)。此外,Boutet等人(2021)推测FIE可能与整体信息和特征信息的低效处理有关,这可能解释了为什么它没有加载到任何成分上。简而言之,尽管已经开发了几种测量整体处理的范式,但这些范式仍然基于特定任务的操作定义,该领域仍然缺乏对整体处理内容的统一构念(Gauthier, 2020; Richler et al., 2012; Yovel et al., 2014)。如果这些整体处理措施测量的是不同的整体处理机制,正如所审查的证据所表明的那样,它们与面部识别的关系也应该有所不同。与此一致,Rezlescu等人(2017)发现这三种传统措施与面部身份感知能力(通过剑桥面部感知测试CFPT; Duchaine et al., 2007测量)的关联程度不同。具体来说,只有FIE和PWE与CFPT显示出弱到中等的关联。这表明不同的整体处理措施可能对面部身份感知中的广泛个体差异有不同的贡献。然而,文献中的一个关键空白是缺乏研究这些三种整体措施如何具体关联到面部识别或面部记忆——即从记忆中成功检索先前学到的面部身份。从理论和实证角度来看,研究不同整体措施与面部记忆之间的具体关系都很重要,因为先前的研究表明,在神经典型个体(Bruce & Young, 1986; Estudillo & Bindemann, 2014; Fysh et al., 2020; Liu et al., 2021; Stanti? et al., 2021; Weigelt et al., 2014; Wilhelm et al., 2010;但参见DeGutis et al., 2025)和面部失认症个体(Biotti et al., 2017, 2019; Dalrymple et al., 2014; Jackson et al., 2017; Leong et al., 2024, 2025; Ulrich et al., 2017)中,面部记忆与面部感知是可分离的。这种感知和记忆面部识别任务之间的分离也许并不令人惊讶,因为它们各自的认知要求不同。尽管面部感知通常涉及同时呈现的两个(或更多)面部之间的身份匹配,但面部记忆则需要编码和检索身份信息(Amado等人,2025;Burton等人,2010;Estudillo & Bindemann,2014;Estudillo & Wong,2024;Fox & Bindemann,2020;Stanti?等人,2021)。因此,整体处理可能对面部感知和面部记忆有不同的贡献。事实上,一些研究表明,基于感知的识别任务,如CFPT(剑桥面部记忆测试)、格拉斯哥面部匹配测试(Burton等人,2010)和肯特面部匹配测试(Fysh & Bindemann,2018),与基于记忆的识别任务相比,对整体处理的依赖程度较低。这不仅是因为前者与涉及特征处理的任务呈正相关,例如相似性判断(Mishra等人,2021;Rossion & Michel,2018)、图形匹配(Burton等人,2010;Logan等人,2016;McCaffery等人,2018;Megreya & Burton,2006)、倒置面部匹配(Megreya & Burton,2006)和Navon局部处理(McCaffery等人,2018),还因为干扰整体处理在基于记忆的识别任务中的影响比在基于感知的识别任务中更为显著(Boutet & Meinhardt-Injac,2021;Estudillo & Wong,2024)。与基于感知的识别任务不同,CFMT需要学习和短期保留不熟悉的面部,并且需要在光线变化的情况下评估面部身份,这种操作涉及多种面部选择性过程,更有效地捕捉个体在面部识别能力上的差异(Mishra等人,2021)。这些差异突显了研究不同整体处理措施与面部记忆具体关系的必要性,而不仅仅是与感知的关系。此外,虽然之前的研究已经考察了面部记忆与整体处理之间的关联,但它们并没有明确测试(1)这些关联是否特定于面部,以及(2)它们是否反映了共同的潜在机制。例如,DeGutis等人(2013)和Rezlescu等人(2017)都没有检查他们的整体处理措施是否也与非面部刺激的处理有关(例如,物体;参见Gerlach & Mogensen,2024;Boutet等人,2021)。此外,尽管这种相关性证据具有信息价值,但它不能确定不同整体措施与面部记忆表现之间的观察到的关联是否反映了共同的潜在机制,或者是否源于独立的变异来源(Yong & Pearce,2013)。之前的一项研究进行了探索性因子分析(EFA)来探讨不同整体处理措施的结构(Boutet等人,2021)。然而,它没有包括面部识别个体差异的测量,因此仍然不清楚整体处理和面部识别个体差异是否具有共同的潜在结构。此外,现有的研究主要集中在西方和/或白人样本上(Boutet等人,2021;Verhallen等人,2017),这留下了生态效度的问题,以及观察到的关系是否可以在不同文化中推广。鉴于有观点认为不同文化群体的整体面部处理存在差异(Michel等人,2006;Tanaka等人,2004),而其他研究表明整体面部处理是普遍的,这一点尤其相关,因为所有三种传统测量方法都证明了这一点(Crookes等人,2013;Mondloch等人,2010;Wong等人,2021)。面部识别能力(FRA)的个体差异在多大程度上影响整体处理的程度在不同文化中很少被讨论。研究(1)所有三种黄金标准整体范式之间的关系,以及(2)它们与不同文化群体中的面部记忆之间的关系,不仅可以帮助我们评估这些关联是否存在,还可以了解整体处理机制的潜在普遍性及其与FRA的关系。

当前的研究旨在系统地探讨整体处理与基于记忆的面部识别之间的关系。为了解决上述问题,本研究采用了三种传统的面部整体处理测量方法(倒置、部分-整体和复合面部任务),以及一种非面部整体处理测量方法(Navon任务),同时还使用了客观的面部(即CFMT;Duchaine & Nakayama,2006)和非面部(剑桥汽车记忆测试;CCMT;Dennett等人,2012)识别能力测量方法。此外,我们采用了一种比以往工作更纯粹的面部特定处理测量方法。具体来说,我们使用回归方法来隔离特定于面部识别的记忆过程,通过消除CCMT中反映非面部物体记忆的方差。采用更通用的方法,我们在这项研究中还包括了东亚和白人样本。首先,为了检查整体处理是否与基于记忆的面部识别相关,我们将整体处理的表现与CFMT进行了相关性分析。其次,为了检查这些整体处理措施是否反映了不同的认知机制,我们将这些整体处理措施相互进行了相关性分析。此外,我们还进行了EFA,以探讨不同的整体处理措施和面部识别能力是否反映了相同的机制,如果确实如此,这种机制是否特定于面部或扩展到非面部物体。根据以往的研究,我们预计CFMT、FIE和PWE将加载到同一个成分上。CFMT和PWE的表现都依赖于面部记忆(Tanaka & Simonyi,2016),并且FIE经常被证明与CFMT和PWE相关(DeGutis等人,2013;Rezlescu等人,2017)。相比之下,标准CFE被认为反映了不同的认知过程,如感知整合(Rossion,2013)或配置机制(Richler等人,2012;Richler & Gauthier,2014;Boutet等人,2021)。最近的研究还指出,标准CFE依赖于领域通用的选择性注意(Fitousi,2015,2020;Ventura等人,2021,2022),并且容易受到注意力操作的影响(Weston & Perfect,2005)。相应地,全局优先效应(GPE)的一个关键组成部分,由Navon任务索引,是选择性地关注非面部刺激部分的能力(Gao等人,2011;McKone等人,2013;Ventura等人,2019)。基于这些最新的研究,我们预计CFE和GPE将加载到反映与整体处理相关的领域通用注意力过程的第二个成分上。最后,我们预计Navon任务和CCMT的表现将加载到第三个成分上,反映领域通用的识别过程。

参与者

使用MorePower 6.0(Campbell & Thompson,2012)进行的先验功效分析估计,为了获得r=0.3的效果大小和80%的统计功效(α=0.05),对于皮尔逊相关性测试,需要84个样本大小。这个效果大小是基于之前研究面部识别和整体处理个体差异的研究选择的(例如,Audette等人,2025;Leong等人,2023)。因此,本研究共招募了202名年轻人:102名英国白人(84名女性)和100名马来西亚华人(70名女性)。英国白人和马来西亚华人的年龄范围相似(M=21岁,SD=4岁;M=22岁,SD=3岁)。所有参与者都是通过在线平台(如SONA系统(Douglas等人,2023)、社交媒体和口口相传招募的。参与者因参与而获得了1.5个学分小时(英国白人)或15马来西亚林吉特(马来西亚华人)的报酬。在参与之前获得了数字知情同意。所有实验程序都得到了马来西亚科学与工程研究伦理委员会的批准(批准代码:BLQZ250920)。

所有英国白人参与者在伯恩茅斯大学的实验室完成了实验。大多数东亚参与者在马来西亚诺丁汉大学的实验室完成了实验。其余的22名参与者通过在线平台‘Testable’(www.testable.org;Rezlescu等人,2020)在实验者进行电话会议的同时在自己的电脑上完成了实验,因为他们的数据收集受到了马来西亚政府实施的COVID-19封锁的影响。为了最小化所有参与者使用的不同电脑屏幕上显示的刺激大小差异,参与者需要调整屏幕上出现的黄色线的长度,使其与他们持有的借记/信用卡的宽度相匹配。这使Testable能够计算出多少屏幕像素(px)对应于1厘米(cm),并据此缩放所有刺激。根据需要,使用Adobe Photoshop CS6和Matlab R2019b(Mathworks,版本9.7.0.1247435)来编辑刺激(参见刺激和程序)。

每位参与者首先了解了实验,并被告知他们必须完成两个不同的阶段:‘评估’阶段和‘实验’阶段(也参见Leong等人,2024,2025)。‘评估’阶段总是首先完成,包括CFMT和CCMT。接下来是‘实验’阶段,包括部分-整体任务、复合任务、面部倒置任务和Navon任务。所有参与者的面部整体处理任务的顺序是平衡的。然而,Navon任务总是最后完成,因为一些研究表明,这个任务可能会影响后续的面部处理任务(例如,Estudillo等人,2022;Gao等人,2011;Lewis等人,2009;Macrae & Lewis,2002)。测量并记录了准确性和反应时间(仅Navon任务)。整体任务中的面部来自相同的数据库,因此,所有面部都具有相似的特征(例如,光线、大小、裁剪)。为了避免其他种族效应(Crookes等人,2013;Estudillo等人,2020;Michel等人,2006;Rossion & Michel,2011),参与者看到的面部与他们自己的种族/民族相符。为此,创建了两个不同版本的面部处理任务(一个包含白人面部,另一个包含亚洲面部)(例如,剑桥面部记忆测试—中文;CFMT-Chi、面部倒置、部分-整体和复合面部任务)。在这里,白人参与者参与的面部处理任务只显示白人面部,而亚洲参与者参与的任务只显示亚洲面部。从现在开始提到的刺激和程序描述对两个文化群体都是相同的。

这个阶段包括评估参与者面部和非面部物体识别能力的基本评估任务(CCMT)。对于白人参与者,我们使用了原始版本的剑桥面部记忆测试(CFMT,Duchaine & Nakayama,2006)。对于亚洲参与者,我们使用了中文版本的CFMT(CFMT-Chi,McKone等人,2012)。两种版本的CFMT都有相似的刺激描述和任务程序。在这些任务中,使用了六个独特的目标面部身份和46个独特的干扰面部身份(全部为男性)。对于每个身份,有三个从不同视角拍摄的面部图像(1个左1/3侧面视图,1个正面视图和1个右1/3侧面视图)。所有面部都被裁剪,以便看不到头发、衣物或面部瑕疵。面部嵌入在均匀黑色的背景中心(195×222像素(px);3.9×4.44厘米:宽度×高度)。测试包含来自三个不同阶段的72次试验(例如,18次学习,30次新奇和24次噪声)。所有试验都包含三个面部(一个目标面部和两个干扰面部),参与者需要通过按分配的键来选择与学习到的面部匹配的面部。所有试验中的图像都以固定顺序呈现。CFMT的最高分数是72分。低于42分的分数表明面部识别能力存在缺陷(Bowles等人,2009;Dalrymple & Palermo,2016;Estudillo等人,2020;Leong等人,2024,2025)。

CCMT(Dennett等人,2012)的格式与CFMT相同,不同之处在于刺激是使用3D Studio Max创建的实际汽车模型的计算机生成图像(而不是面部)。为了最小化基于容易注意到的视觉特征的匹配,所有汽车都是相同的颜色,且没有可见的识别标志、徽标或标识。CCMT的汽车刺激大小约为465×215像素(9.3×4.3厘米)(平均 across cars and viewpoints)。与CFMT类似,CCMT也包括三个阶段:学习(18次试验)、新奇(30次试验)和噪声(24次试验)。可能的最高分数是72分。任何高于40分的分数表示非面部物体的正常识别能力(Dennett等人,2012)。

面部倒置任务

每个任务使用了两组各30个面部身份(共60个不同的面部)。面部图像是20多岁的英国白人和马来西亚华人,表情中性。所有个体都在马来西亚诺丁汉大学的面部实验室中以相同的姿势和光照条件下拍摄(完整描述见Kho等人,2024)。面部刺激的外部特征(即头发、耳朵)被裁剪,以便仅基于内部面部特征进行判断。面部也是灰度的,并嵌入在200×250像素(4×5厘米)的黑色背景中(见图1)。

图1:倒置任务中使用的(白人)面部刺激示例。每次试验中都会展示一个目标面孔(上方)以及三个同时出现的测试面孔(下方):(a) 正面朝向和 (b) 倒置朝向的试验。在任何给定的实验试验中,参与者被要求将三个测试面孔中的一个(即侧面视图)与目标面孔(即正面视图)在身份上匹配。目标面孔的身份也被用作测试面孔(即干扰面孔)在那些目标面孔不同的试验中。参与者首先看到目标面孔400毫秒,然后是同时呈现的三个测试图像2000毫秒,之后是一个空白屏幕,直到参与者做出反应。参与者需要按‘1’表示左边的面孔,按‘2’表示中间的面孔,按‘3’表示右边的面孔。整个测试共有80次试验(40次正面朝向和40次倒置朝向),以随机顺序呈现。参与者被指示在看到倒置面孔时不要倾斜头部。在所有试验中,每个身份都出现了两次——一次正面朝向和一次倒置朝向。

这项任务的面部图像来自Leong等人(2024年),程序与之前的研究相似(例如,Estudillo等人,2022年;Leong等人,2024年;Rezlescu等人,2017年)。这些图像通过Photoshop修改,创建了具有独特内部特征组合的新面孔。目标面孔是使用男性或女性面部模板制作的,仅包括头发和面部轮廓。对于每个(性别)模板,通过添加不同的鼻子、嘴巴和眼睛等内部特征,创建了六个目标面孔(见图2)。这六个目标面孔没有任何相似的内部特征。总共创建了12个独特的目标面孔(6个男性,6个女性)。

图2在图形查看器中打开

这是一个关于部分-整体任务的(亚洲)刺激物和程序的例子。左侧显示了一个目标面孔,右侧显示了四个测试刺激物(在“眼睛”条件下):整体条件(顶部行)和部分条件(底部行)。还创建了两种类型的测试刺激物。其中一种类型的测试刺激物由从目标面孔中提取的孤立特征(仅嘴巴、鼻子或眼睛)组成。另一种类型由完整面孔(“整体对照面孔”)组成,这些面孔是通过将目标面孔的一个独特特征(眼睛、鼻子或嘴巴)与另一个不同目标面孔的特征交换而创建的。所有面孔都是灰度的,并嵌入在一个370×500像素(7.4×10厘米)的灰色背景中。所有孤立的特征也以类似的方式裁剪(例如,眼睛:234×80像素,4.68×1.6厘米;鼻子:97×77像素,1.94×1.54厘米;嘴巴:138×71像素,2.76×1.42厘米),并且大小在实验中保持不变(即与完整面孔中的特征相同大小)。在每次试验中,一个完整面孔的目标图像会呈现1000毫秒,然后是一个相位混乱的掩码(即通过对图像进行傅里叶变换并用随机相位乘以图像来扰乱相位谱,同时保持幅度谱;参见Loschky等人,2007年)呈现500毫秒。相位混乱的掩码是使用Matlab R2019b(Mathworks,版本9.7.0.1247435)创建的。在整体条件下,测试图像由两个完整面孔组成:一个与之前看到的目标面孔匹配,另一个是对照面孔。在部分条件下,测试图像是孤立的面部特征(例如,两只眼睛),一个来自目标面孔,另一个来自不同的身份(参见图2)。参与者需要按两个分配的键之一来指示哪个测试刺激物与目标面孔匹配。共有144次随机试验(例如,2个条件×3个特征×24次试验),男性和女性目标的数量相等。总体而言,每个目标面孔总共出现了10次——在整体条件下出现5次,在部分条件下出现5次。

所有刺激物都来自芝加哥面部数据库(Ma等人,2015年)。复合刺激物(针对每个种族)是由八个身份的面孔制成的(四个女性)。所有面部图像都是灰度的,表情中性。复合面孔的上下半部分由一个五像素宽的白色间隙水平分隔。在四个复合面孔中,有一个的上下半部分具有相同的身份。其他三个则是将一个身份的上半部分与另一个剩余身份的下半部分组合而成,以尽可能匹配它们的性别和面部宽度。这些复合面孔被复制以创建“错位复合面孔”,其中复合面孔的下半部分向右平移了其宽度的25%。这些对齐和错位的复合面孔被用作“目标”刺激物。在两个复合面孔中,下半部分总是不同的,而上半部分在一半的试验中是相同的,在其余的试验中是不同的。参与者被要求忽略下半部分,判断两个复合面孔的上半部分是否相同。参与者需要按‘Q’表示相同,按‘P’表示不同。这项任务的程序采用了Susilo等人(2013年)的方法。测试共有120次随机试验(40次对齐相同,40次对齐不同,20次部分对齐相同,20次部分对齐不同)。每次试验以一个注视十字(1000毫秒)开始,然后依次呈现两个复合面孔(例如,第一个复合面孔200毫秒,第二个复合面孔200毫秒),中间隔着一个500毫秒的灰色空白屏幕。依次呈现的复合面孔是对齐或错位的复合面孔。我们使用了复合任务的标准版本(Leong等人,2024年;Rezlescu等人,2017年)。

参与者看到的是由较小的‘H’或‘S’组成的大字母‘H’或‘S’。一致刺激物的大字母和小字母具有相同的字母字符,而不一致刺激物则没有(参见Leong等人,2024年)。大字母的大小为278×162像素(5.56×3.24厘米),小字母的大小为37×22像素(0.74×0.44厘米)。在显示Navon刺激物之前,总是会先呈现一个注视十字(22×22像素;0.44×0.44厘米)。所有刺激物都是白色的,并且以6×6厘米的黑色背景为中心。每个参与者会看到四个实验块。在两个块(‘A’)中,参与者需要报告全局字母的身份(例如,如果呈现的是全局字母‘H’,则按‘H’键)。在另外两个块(‘B’)中,他们需要报告局部字母的身份。这些块总是以ABAB的顺序呈现。参与者在所有块中总共进行了96次试验,其中48次试验由一致刺激物组成(例如,局部和全局字母的身份相同),48次试验由不一致刺激物组成。每个块内呈现的刺激物类型数量相等。在所有块中,每次试验都以屏幕中间呈现的注视十字开始,持续1000毫秒,然后是测试刺激物,持续180毫秒,之后是一个空白屏幕,直到记录到反应。参与者在实验开始时还需要进行16次练习试验(四种试验类型数量相等)。

我们衡量面部和非面部对象识别能力的主要指标是CFMT和CCMT的得分。记录并分析了CFMT/CFMT-Chi和CCMT中正确反应的总和。对两个样本组进行了初步分析,以观察面部和(非面部)对象识别能力的任何差异。我们进行了五种不同类型的主要分析。首先,为了验证我们的不同整体处理测量方法与过去的研究结果相似,我们将每个感兴趣的条件(即倒置、部分-整体和复合任务中的正面朝向、整体和对齐的试验)与其相应的对照条件(即倒置、部分、部分错位的试验)进行了比较。其次,我们通过回归方法计算并比较了整体优势的大小(DeGutis等人,2013年;Leong等人,2023年;Rezlescu等人,2017年),其中从感兴趣的条件中回归对照条件的方差以获得最佳拟合线。使用最佳拟合线的方程,根据参与者在对照条件中的表现计算了他们在感兴趣条件下的预期得分(即残差得分)。对于Navon任务,我们计算了全局优先指数(即全局优先效应;GPE),作为正确响应试验的RTs之间的标准化平均差异(Cohen's d)。与其他Navon指数相比,这个指数提供了一个更纯粹的优先指数,因为它不受干扰效应的混淆(有关描述,请参见Gerlach & Krumborg,2014年;Gerlach & Starrfelt,2018年)。更高的残差得分(对于整体测量)和/或标准化差异(对于Navon任务)表示更强的整体优势。在接下来的分析中,我们使用了基于每个参与者组获得的最佳拟合线计算的残差得分(即组残差)。这样做是为了确保回归线仅基于每个文化内的表现,特别是因为面部任务中的刺激物是不同的(即面部种族)。此外,为了获得一个更纯粹的面部识别度量,避免了领域通用视觉识别能力的混淆,我们通过将面部记忆得分与非面部对象记忆得分进行回归并保留残差来计算残差化面部记忆得分,以便残差反映了在控制非面部对象识别后的面部识别表现。残差化面部记忆得分是分别为每个参与者组计算的(即每个文化),基于最佳拟合回归模型,其中每个文化的面部记忆得分(即Ws的CFMT和EA的CFMT-Chi)分别对其相应的CCMT得分进行了回归。第三,我们将整体优势的大小(即整体面部测量的残差得分和Navon任务的效应大小)与参与者的相应CFMT和残差化CFMT得分以及彼此进行了相关性分析。第四,为了探索每种整体处理测量方法与面部识别(原始CFMT和残差化CFMT)之间的关系是否在文化组之间具有可比性,我们比较了相关系数(Leong等人,2023年)。这是通过将皮尔逊相关系数值转换为Fisher's z分数(Hinkle等人,1988年)来完成的。分析使用了R包cocor(Diedenhofen & Musch,2015年)。最后,为了揭示数据变化和六个任务之间的关系中出现的任何因素,我们使用了带有直接Oblimin旋转的EFA,使用JASP(v0.19.3;JASP Team,2025)。这是因为我们在每个任务内部发现了中等到高的相关性(即感兴趣的条件和对照条件),但任务之间的关联较弱(有关分析的详细信息,请参见Boutet等人,2021年关于涉及多个整体面部测量的因子分析的讨论)。基于总体样本大小,使用了.32的因子载荷阈值(Tabachnick & Fidell,2007年)。

正如Ramon(2021年)所描述的,应定期检查测量的可靠性,特别是在整体面部测量中(Richler等人,2014年,2015年)。之前使用两种评估任务——CFMT和CCMT的研究一致显示它们具有高可靠性,例如,分别约为.85和.84(Bowles等人,2009年;Dennett等人,2012年;Duchaine & Nakayama,2006年;Estudillo等人,2020年;Kho等人,2024年;Murray & Bate,2020年),而四个整体任务(面部倒置、部分-整体、复合面部和Navon任务)通常显示出低到中等的可靠性,例如,约为.2到.7(DeGutis等人,2013年;Gerlach & Krumborg,2014年;Rezlescu等人,2017年;Richler等人,2014年)。为了测试我们任务的内部一致性和/或可靠性,我们使用R包psych(Revelle,2023年)根据每个任务的原始得分计算了Guttman's λ2和Cronbach's α。此外,使用Guttman's λ2,我们还计算了使用减法(对于Navon任务)和回归(对于面部倒置、部分-整体、复合面部任务)方法计算我们的任务的可靠性(Malgady & Colon-Malgady,1991年),遵循DeGutis等人(2013年)和Leong等人(2024年,2025年)的计算方法。我们使用了Guttman的λ2方法,因为它在测量包含多个因素的测量指标的可靠性时具有较高的稳健性(Callender & Osburn, 1979)。与先前的研究一致,我们的四个整体性测量指标仅显示出中等程度的可靠性(例如,0.4到0.7;Gerlach & Krumborg, 2014;Rezlescu等人,2017),而评估任务的可靠性则很高(约0.8;见表1)。表1显示了白人(Ws)和东亚人(EAs)参与者的可靠性得分。

表1. 白人(Ws)和东亚人(EAs)参与者的可靠性得分。任务/条件

Ws EAs Guttman的λ2 Cronbach的α Guttman的λ2 Cronbach的α CFMT .891 .895 .894 .891 CCMT .820 .798 .766 .754 CFMT残差 .890 – .876 – Inversion .723 .723 .724 .704 Inverted .677 .561 .409 .347 FIE残差 .563 – .674 – Part-whole .779 .779 .783 .758 Part .715 .659 .613 .572 PWE残差 .416 – .681 – Composite .834 .834 .866 .868 Same-aligned .820 .820 .873 .834 CFE残差 .442 – .663 – Navon .445 .402 .701 .679 Local congruent .569 .510 .756 GPE减法 .469 – .607 –

缩写:CCMT,剑桥汽车记忆测试;CFE,复合面部效应;CFMT,剑桥面部记忆测试;FIE,面部反转效应;GPE,全局优先效应;PWE,部分-整体效应。CFMT和CFMT-Chi的最大可得分数为72分,其中当前的白人参与者(Ws)的平均分数为60.46分(标准差SD=8.33),东亚参与者(EAs)的平均分数为60.84分(标准差SD=8.26)。初步的独立t检验显示,EAs和Ws的FRA(面部识别速度)相当,t(200) = 0.325,p = 0.746,d = -0.046(见图3)。这些数字也与先前的研究结果相似(Estudillo等人,2020;Estudillo & Wong,2021;Leong等人,2023;McKone等人,2012,2017)。然而,我们的分析显示,东亚人在非面部物体识别能力(通过CCMT测量)上总体上优于白人参与者,t(200) = 2.728,p = 0.007,d = -0.384。进一步分析表明,东亚人在CCMT上的完成时间显著长于白人参与者(t(200) = -11.113,p < 0.001,d = -1.564),这可能解释了东亚人在CCMT上表现略好的原因。此外,多个Levene检验确认,在所使用的六项测量指标中,白人和东亚人的表现方差没有差异(p > 0.05),因此我们可以进行参数检验(见图3)。

图3显示了EAs(灰色)和Ws(橙色)之间六项测量指标的独立样本t检验。小提琴图表示每组的表现密度分布。箱线图内的水平线代表平均分数,箱线图的顶部和底部边缘代表第一和第三四分位数。每个箱线图外的垂直黑线代表95%置信区间。黑色实心圆代表超出95%置信区间的个别参与者的准确分数。

总体而言,无论文化群体如何,参与者在面部朝上时的表现(M = 0.786,SD = 0.113)都比面部反转时的表现(M = 0.536,SD = 0.104)更准确,t(201) = 29.792,p < 0.001,d = 2.096(即合并了两组的数据)。这种模式复制了先前研究中常见的经典面部反转效应(例如,Leong等人,2024;Rossion,2008;Yin,1969)。群体比较分析显示,EAs和Ws的反转效应(残差)相当(M = 0.008,SD = 0.102 vs M = -0.008,SD = 0.116),t(200) = 1.055,p = 0.293,d = 0.148(见图3)。包括EAs和Ws在内的反转效应的总体幅度与CFMT分数相关(r(200) = 0.385,p < 0.001,见图4)。即使考虑到残差后的CFMT分数,这种相关性仍然存在(r(200) = 0.372,p < 0.001)。当我们分别对每个参与者群体探讨这种关系时,反转效应的幅度与原始CFMT分数呈正相关(Ws中的r(100) = 0.314,p = 0.001;EAs中的r(98) = 0.461,p < 0.001,见图4)。两组的相关系数相当(z = -1.215,p = 0.224)。同样的结果也出现在Ws的残差CFMT分数中(r(100) = 0.309,p = 0.002;EAs中的r(98) = 0.441,p = 0.001),并且两组之间的相关系数相当(z = -1.078,p = 0.280)。

所有参与者(橙色)和EAs(黑色)的整体优势和面部识别能力的相关图。灰色和黑色点分别代表白人(Ws)和东亚人(EAs)个体的残差。橙色虚线、灰色虚线和黑色实线分别是对所有参与者、Ws和EAs的个体数据的最小二乘回归拟合。

无论文化群体如何,参与者在整体任务中的表现(M = 0.777,SD = 0.096)都优于部分任务(M = 0.676,SD = 0.085),t(201) = 17.393,p < 0.001,d = 1.224。这种模式也复制了先前研究中报告的经典部分-整体效应(例如,DeGutis等人,2013;Estudillo等人,2022;Leong等人,2024)。群体比较分析显示,EAs和Ws的部分-整体效应(残差)相当(M = -0.005,SD = 0.080 vs M = 0.005,SD = 0.074),t(200) = -0.923,p = 0.357,d = -0.130(见图3)。部分-整体效应的总体幅度与CFMT分数相关(r(200) = 0.307,p < 0.001,见图4)。即使考虑到残差后的CFMT分数,这种相关性仍然存在(r(200) = 0.315,p < 0.001)。当我们分别对每个参与者群体探讨这种关系时,部分-整体效应的幅度与Ws中的CFMT分数呈正相关(r(100) = 0.335,p < 0.001;EAs中的r(98) = 0.281,p = 0.005,见图4)。两组之间的部分-整体效应和CFMT的相关系数相当(z = 0.418,p = 0.676)。同样的结果也出现在Ws的残差CFMT分数中(r(100) = 0.323,p = 0.001;EAs中的r(98) = 0.308,p = 0.002),并且两组之间的相关系数相当(z = -1.078,p = 0.280)。

参与者在相同错位(M = 0.810,SD = 0.141)任务中的表现优于相同对齐(M = 0.742,SD = 0.154)任务,t(201) = 8.232,p < 0.001,d = 0.579,这复制了文献中报告的经典复合面部效应(例如,Leong等人,2024;Rossion,2013;Young等人,1987)。群体比较分析显示,EAs和Ws的复合效应(残差)相当(M = -0.010,SD = 0.121 vs M = 0.009,SD = 0.105),t(200) = -1.206,p = 0.229,d = -0.170(见图3)。复合效应的总体幅度与CFMT分数无关(r(200) = 0.077,p = 0.275,见图4)。这种关系在考虑残差后的CFMT分数时也得到了复制(r(200) = 0.064,p = 0.364)。当我们分别对每个参与者群体探讨这种关系时,复合效应的幅度与Ws中的CFMT分数没有显著相关性(r(100) = 0.089,p = 0.374;EAs中的r(98) = 0.067,p = 0.505,见图4)。两组之间的相关系数相当(z = 0.155,p = 0.876)。同样的结果也出现在Ws的残差CFMT分数中(r(100) = 0.088,p = 0.380;EAs中的r(98) = 0.043,p = 0.669),并且两组之间的相关系数相当(z = 0.117,p = 0.908)。

无论文化群体如何,参与者在全局一致(M = 479.8 ms,SD = 82.4)任务中的表现都优于局部一致(M = 501.6 ms,SD = 90.2)任务,t(201) = -5.592,p < 0.001,d = -0.393。这种模式复制了先前研究中报告的经典Navon(全局优先)效应(例如,Estudillo等人,2022;Leong等人,2024;Navon,1977)。群体比较分析显示,EAs和Ws的GPE相当(M = 0.207,SD = 0.418 vs M = 0.124,SD = 0.320),t(200) = 1.590,p = 0.113,d = 0.224(见图3)。GPE的总体幅度与CFMT分数的关联较弱(r(200) = 0.168,p = 0.017,见图4)。这种关系在考虑残差后的CFMT分数时也得到了复制(r(200) = 0.166,p = 0.018)。然而,当分别对每个参与者群体探讨这种关系时,GPE的幅度与Ws中的CFMT分数相关(r(100) = 0.239,p = 0.015),但与EAs中的CFMT分数无关(r(98) = 0.112,p = 0.267,见图4)。尽管如此,两组之间的GPE和CFMT的相关系数相当(z = 0.919,p = 0.358)。同样的结果也出现在Ws的残差CFMT分数中(r(100) = 0.239,p = 0.015;EAs中的r(98) = 0.111,p = 0.270),并且两组之间的相关系数相当(z = 0.926,p = 0.354)。

确定EFA(探索性因子分析)先验样本量的经验法则是参与者与变量比例为10:1(Boutet等人,2021;Costello & Osborne,2005),而当前研究的比例为202:12,相当于大约17:1。表2给出了相关矩阵的总结。Kaiser–Meyer–Olkin样本充分性度量(KMO)为0.599,高于建议的0.50的临界值(Boutet等人,2021;Kaiser,1974)。Bartlett的球形性检验显著,χ2(15) = 73.019,p < 0.001,支持我们的数据可以简化为潜在因素。探索性因子分析从我们的六项测量指标的Scree图中识别出两个主要成分,解释了所有参与者总方差的35.2%(见表3)。第一个成分能够解释一部分方差(18.1%),并且与CFMT、反转和部分-整体任务的得分有中等程度的关联。第二个成分与CFE有很强的关联,解释了17.1%的方差。简而言之,这表明面部识别背后存在重叠和不同的整体处理机制。

表2. 所有参与者(包括EAs和Ws)的CFMT、CCMT和四个整体性测量指标之间的皮尔逊相关分析。

注:数值代表总体分数(N = 202)的系数。用灰色突出显示的系数表示在*p < 0.05、**p < 0.01或***p < 0.001水平上显著的相关性。

表3. 主成分分析的结果(载荷矩阵和解释的方差)。

注:仅显示旋转后的阈值以上的数值。缩写:CCMT,剑桥汽车记忆测试;CFE,复合面部效应;CFMT,剑桥面部记忆测试;FIE,面部反转效应;GPE,全局优先效应;PWE,部分-整体效应。

讨论
本研究的目的是探讨面部识别能力的个体差异是否可以通过整体处理来解释,以及整体处理的潜在认知机制是否是统一的。我们发现,参与者在反转、部分-整体、复合和Navon任务中的表现复制了文献中常见的效应(Hole,1994;Leong等人,2024;Navon,1977;Rossion,2008,2013;Tanaka & Farah,1993;Tanaka & Simonyi,2016;Yin,1969)。与先前的研究一致,我们还发现反转(Belanova等人,2021;Rezlescu等人,2017)、部分-整体(DeGutis等人,2013;Rezlescu等人,2017;Wang等人,2012)和GPEs(Gerlach & Starrfelt,2018)都与FRA(面部识别速度)的个体差异呈正相关,特别是面部记忆。重要的是,我们在排除了反映非面部物体识别的方差(即CCMT)后,仍然复制了这些模式,这表明这些关系反映了面部特定的机制。令我们惊讶的是,GPE与FRA有弱但显著的正相关,但与非面部物体识别(CCMT)无关。部分支持Gerlach和Starrfelt(2018)的研究,这表明领域特定的选择性注意在预测面部记忆的个体差异中起着小但重要的作用,但在非面部物体的通用视觉记忆中则不是这样。这与面部是特殊的观点一致,即感知Gestalt表示并不一定增强对非面部物体的识别(Farah等人,1998;McKone & Robbins,2011)。这种模式也与Richler、Cheung等人(2011)的研究结果一致,他们发现选择性注意与面部识别相关。然而,FRA和GPE之间的弱相关性应谨慎解释,因为这可能完全由Ws的表现驱动,并且这种效应在Ws中的可靠性也相对较低。此外,我们的因子分析还揭示了FRA和整体面部处理之间的共享成分,独立于识别非面部物体(CCMT)和全局处理视觉信息(GPE)的个体差异。与其他先前的研究结果(Audette等人,2025;Konar等人,2010;Richler等人,2014;Verhallen等人,2017)相反,我们的结果进一步支持了整体处理对FRA个体差异有重要贡献的观点。如讨论所述,整体处理与FRA之间的不同相关性(或缺乏相关性)可能是由于整体处理的测量和/或定义方式不同。值得注意的是,我们发现CFE与面部识别能力无关,这复制了先前的研究结果(Konar等人,2010;Verhallen等人,2017)。此外,CFE也没有与FRA加载到相同的成分上,这表明CFE测量的是整体处理的某个方面,不反映面部识别的个体差异。简而言之,我们的发现支持面部识别能力,特别是面部记忆,可以通过整体处理来预测,尽管这取决于所使用的范式。与先前的文献(Rezlescu等人,2017)一致,我们发现面部反转和部分-整体效应彼此之间的相关性较弱,而两者都与复合面部任务无关。重要的是,我们的因子分析显示,CFMT、FIE和PWE的总体得分都加载到了一个单一的成分上,我们将其称为整体面部处理指数(hf),而CFE则加载到了第二个成分上。这揭示了FRA背后的一个特定因素,其中CFMT、FIE和PWE测量的是一个与CFE不同的重叠的整体机制。这与过去使用多种面部处理任务进行的研究结果一致(Boutet等人,2021年;Verhallen等人,2017年)。虽然我们预期Navon任务和复合面部任务能够捕捉到领域普遍的选择性注意力的程度(Fitousi,2015年,2020年;Ventura等人,2021年,2022年),但我们的结果显示GPE与CFE无关。这与一些过去的研究观点不符,那些研究认为标准CFE主要反映的是领域普遍的选择性注意力。相反,标准CFE可能反映的是特定于面部的机制,尽管它并不影响个体在面部记忆方面的差异(参见Rossion,2013年)。总的来说,这些结果表明,我们传统上认为的整体处理涉及多个不同的认知机制,这些机制对面部识别的贡献各不相同。面部倒置、部分-整体和复合任务涉及重叠和/或不同的认知机制,并且可能对面部识别能力的贡献也不同,这并不令人惊讶,因为这些任务之间存在显著的相似性和差异(Boutet等人,2021年;DeGutis等人,2013年;Jin等人,2024年;Li等人,2017年,2019年;Rezlescu等人,2017年)。例如,CFE基于整体干扰的程度,表现为无法选择性地关注面部的上半部分(Jin等人,2024年;Richler & Gauthier,2014年)。PWE通常通过特征信息编码和/或整合成整体的便利程度来体现(Boutet等人,2021年;Jin等人,2024年;Rezlescu等人,2017年)。相反,FIE被认为是对面部配置敏感性的指标(Leder & Carbon,2006年;Rossion,2008年)。例如,当面部在配置关系上不同时,倒置面部的识别能力比面部特征本身不同时受到更强的影响(Leder & Carbon,2006年)。重要的是,面部倒置也会显著影响部分-整体和复合效应的程度(McKone等人,2013年)。这表明FIE反映的是一个包含多个整体机制的普遍干扰(Boutet等人,2021年;Gerlach & Mogensen,2024年)。与此一致的是,我们发现FIE和PWE确实测量的是重叠的整体处理认知机制,可能反映了面部特征的整合过程及其配置关系。然而,FIE和PWE与CFE之间缺乏关联可能表明,标准复合面部任务所捕捉到的整体干扰并不反映感知整合机制(详见下文进一步讨论)。这一区别进一步支持了这样的观点:整体处理不是一个统一的构念,而是一组重叠和/或不同的机制。有人可能会认为,CFE和FRA之间观察到的加载模式可能受到此处使用的CFE版本的干扰(例如,Boutet等人,2021年;Richler, Cheung等人,2011年)。事实上,标准CFE已被证明测量的是与复合面部任务完整版本不同的潜在机制(参见Richler & Gauthier,2014年的综述)。然而,Verhallen等人(2017年)和Ventura等人(2022年)都表明,用复合面部任务的完整版本索引的整体处理与FRA无关(但参见Richler, Cheung等人,2011年),也没有加载到面部处理的共同成分上(即f.3)。考虑到目前的证据,f可能解释了CFE未能反映的面部处理的部分方差。例如,Verhallen等人研究中的所有面部感知和/或识别任务都有一个共同的要求,即需要在空间上整合面部特征,而CFE反映的是无法抑制整合过程(即干扰)。总体而言,CFE可能反映了整体处理的必要但不同的方面,这些方面与个体在面部处理方面的差异无关(也参见Rossion,2013年)。本研究的主要目标之一是了解这些整体测量所基于的认知机制,以及它们如何映射到个体在面部记忆方面的差异上。虽然我们讨论了FIE和PWE可能存在的重叠认知机制,但对于CFE来说仍然不清楚。Boutet等人(2021年)假设标准CFE和FIE可能涉及反映面部部分之间空间关系的配置机制(也参见Richler等人,2012年)。然而,在那项研究中,这两个测量指标未能加载到一个共同成分上,也没有与配置特征检测任务相关联。因此,我们在当前研究中也没有发现PWE和/或FIE与CFE之间的关联,这表明标准CFE并不反映部分和配置关系的整合过程(Rossion,2013年)。另一种观点是,CFE可能涉及其他涉及一般感知能力的认知机制(例如,选择性注意力;Fitousi,2015年,2020年;Ventura等人,2022年)。如果选择性注意力成功地集中在面部的相关部分上,那么对无关部分的处理就会减少,从而导致干扰减弱和CFE降低。换句话说,成功的选择性注意力限制了分配给无关部分的认知资源,从而减少了整体干扰(即CFE)。例如,Fitousi(2015年)发现,当面部在配置关系上不同时,倒置面部的识别能力比面部特征本身不同时受到更强的影响(Leder & Carbon,2006年)。重要的是,面部倒置也会显著影响部分-整体和复合效应的程度(McKone等人,2013年)。这表明FIE反映的是一个包含多个整体机制的普遍干扰(Boutet等人,2021年;Gerlach & Mogensen,2024年)。与此一致的是,我们发现FIE和PWE确实测量的是重叠的整体处理认知机制,可能反映了面部特征的整合过程及其配置关系。然而,FIE和PWE与CFE之间缺乏关联可能表明,标准复合面部任务所捕捉到的整体干扰并不反映感知整合机制(详见下文进一步讨论)。这种区分进一步支持了这样的观点:整体处理不是一个统一的构念,而是一组重叠和/或不同的机制。有人可能会认为,CFE和FRA之间观察到的加载模式可能受到此处使用的CFE版本的干扰(例如,Boutet等人,2021年;Richler, Cheung等人,2011年)。实际上,标准CFE已被证明测量的是与复合面部任务完整版本不同的潜在机制(参见Richler & Gauthier,2014年的综述)。然而,Verhallen等人(2017年)和Ventura等人(2022年)都表明,用复合面部任务的完整版本索引的整体处理与FRA无关(但参见Richler, Cheung等人,2011年),也没有加载到面部处理的共同成分上(即f.3)。考虑到目前的证据,f可能解释了CFE未能反映的面部处理的部分方差。例如,Verhallen等人研究中的所有面部感知和/或识别任务都有一个共同的要求,即在空间上整合面部特征,而CFE反映的是无法抑制整合过程(即干扰)。总体而言,CFE可能反映了整体处理的必要但不同的方面,这些方面与个体在面部处理方面的差异无关(也参见Rossion,2013年)。本研究的主要目标之一是了解这些整体测量所基于的认知机制,以及它们如何映射到个体在面部记忆方面的差异上。虽然我们讨论了FIE和PWE可能存在的重叠认知机制,但对于CFE来说仍然不清楚。Boutet等人(2021年)假设标准CFE和FIE可能涉及反映面部部分之间空间关系的配置机制(也参见Richler等人,2012年)。然而,在那项研究中,这两个测量指标未能加载到一个共同成分上,也没有与配置特征检测任务相关联。因此,我们也在当前研究中未能发现PWE和/或FIE与CFE之间的关联,这表明标准CFE并不反映部分和配置关系的整合过程(Rossion,2013年)。另一种观点是,CFE可能涉及其他涉及一般感知能力的认知机制(例如,选择性注意力;Fitousi,2015年,2020年;Ventura等人,2022年)。如果选择性注意力成功地集中在面部的相关部分上,那么对无关部分的处理就会减少,从而导致干扰减弱和CFE降低。换句话说,成功的选择性注意力限制了分配给无关部分的认知资源,从而减少了整体干扰(即CFE)。例如,Fitousi(2015年)发现,对对齐或错位复合面部的感知判断不受无关面部部分的影响。因此,Fitousi认为CFE中反映的注意力机制并非面部所独有。然而,我们的发现并不支持这一解释。具体来说,GPE(一个领域普遍选择性注意力的指标)既不与CFE相关联,也没有加载到同一个成分上。这表明,虽然选择性注意力可能在标准CFE中起作用,但它并不能完全解释该任务背后的认知机制。鉴于过去十年关于CFE及其潜在机制的方法、操作定义和计算的广泛讨论(参见Murphy等人,2017年的讨论),回答这个问题是困难的。当前的研究可能无法直接解决这一争论,但基于我们的探索性因子加载,我们提出了一种混合解释,这种解释兼顾了多种观点的关键方面(例如,Richler等人,2012年;Rossion,2013年)。最近的研究认为,完整的CFE反映了一种通过大量面部经验习得的注意力(或感知)策略(Richler等人,2012年;Richler, Cheung等人,2011年;Ventura等人,2022年),这种策略在早期发展阶段就达到了成人水平(Cassia等人,2009年;De Heering等人,2007年;Meinhardt-Injac等人,2017年)。因此,这种整体处理的方面可能在成年后对大多数观察者来说达到了一个“上限”,这可能解释了CFE与面部记忆或其他整体处理测量之间缺乏相关性(Chua & Gauthier,2020年;Gauthier,2020年)。虽然这种解释也被用来支持领域普遍的注意力机制(Bukach等人,2010年;Fitousi,2015年,2020年;Gauthier & Tarr,2002年;Ventura等人,2021年,2022年),但在标准CFE中,泛化现象不太明显(Jacques & Rossion,2010年;Robbins & McKone,2007年;Schiltz等人,2010年)。鉴于从参与者的角度来看,这两种方法在方法上是可比的(Jin等人,2024年;Ventura等人,2019年),完整CFE和标准CFE可能涉及相关的机制,标准CFE反映了这种注意力过程的更特定于面部的变体。一种可能性是,CFE索引了整体面部处理的早期感知-注意力成分,这种成分有助于高效的面部检测/感知,而不是直接支持面部编码或记忆(Hershler & Hochstein,2005年;Taubert等人,2011年;Tsao & Livingstone,2008年)。与此一致的是,CFE在视觉处理系统中很早就出现了(Jacques & Rossion,2010年;Ramon & Rossion,2012年),并且依赖于低空间频率信息(例如,对于LSF过滤后的面部,CFE更强;Goffaux & Rossion,2006年)。从这个角度来看,CFE可能反映了面部专业知识的必要组成部分,但一旦获得,拥有更多的CFE并不会让人在面部识别方面表现得更好(Chua & Gauthier,2020年;Ramon & Rossion,2012年;Rossion,2013年;Ventura等人,2022年)。相比之下,hf可能与面部特征及其在编码和检索过程中的基于记忆的整合更为相关(也参见Ramon & Rossion,2012年)。然而,我们强调这些解释仍然具有推测性,并未经过直接测试。因此,我们认为另一种解释更能合理地解释目前的发现。Bobak等人(2023年)最近的一项主成分分析发现了两个主要成分,反映了来自不同面部识别和感知能力的“确认”和“消除”响应策略或偏见。他们发现,在这些任务中,目标面部与之前学过的面部匹配的试验的准确性加载到了确认成分上;而目标面部与学过的面部或同时呈现的面部不匹配的试验的准确性则加载到了消除成分上。因此,这两个成分反映了面部识别的不同认知子过程:分别是区分面部和区分不同的面部。重要的是,Bobak等人(2023年)发现,CFMT长形式(CFMT+;Russell等人,2009年),类似于我们的CFMT任务,强烈加载到了第一个确认成分上。我们的主要成分hf可能反映了类似的“确认”策略和/或偏见,因为在加载到hf的三个任务中(即CFMT、部分-整体和倒置任务),目标面部始终存在。相比之下,我们研究中使用的标准复合面部任务包括不匹配的面部和目标缺失的试验,也可能加载到消除成分上(Bobak等人,2023年)。在标准复合面部任务中,无关的(底部)面部部分总是不同的,而目标(顶部)部分要么相同,要么不同。因此,复合任务中有一半的试验可能加载到确认成分上,另一半可能加载到消除成分上。简而言之,我们的因子加载可能反映了任务要求或响应策略(hf中的确认与CFE中的确认/消除),而不是潜在认知机制的差异。然而,这仍然具有推测性,因为我们无法分别检查每个任务中的试验,因为CFMT、FIE和PWE中的所有试验都包含目标面部,而CFE中的试验包含目标存在和缺失的元素(有关讨论,也参见Leong等人,2024年)。未来的研究可以包括在使用具有不同任务限制的这些整体测量的其他变体时对这些结构的检查(例如,Tree等人,2025年)。例如,在面部倒置和部分-整体任务中,目标面部和测试面部可以按复合面部任务的格式依次呈现。如果结果的因子加载与当前研究一致,那么这将表明hf反映了FRA背后的特定整体面部构念,而不是仅由任务要求驱动的构念。当前研究也有其局限性。具体来说,我们的因子分析是探索性的,识别出的两个成分仅解释了少量方差(约35%)。因此,我们应该谨慎对待我们的机制解释,因为我们的结果并不能为潜在机制提供决定性的证据。尽管如此,考虑到我们只包括了一个面部识别的主要测量指标(即CFMT),这种有限的方差是可以预期的。如果面部识别是多种潜在机制的产物,那么只有少量方差由不同整体测量和FRA之间的共同结构解释也是合理的。此外,我们在当前的因子分析中没有包括其他高级认知过程的测量,例如特征处理。尽管整体处理被认为是FRA的“支柱”,但最近的研究发现特征处理也很重要(Audette等人,2025年;Belanova等人,2021年;DeGutis等人,2013年;Dunn等人,2024年;Leong等人,2023年;Tsantani等人,2020年)。这可以解释为什么在不同研究中发现的共同成分始终只解释了少量方差。实际上,包括控制条件在我们的因子分析中也解释了额外的方差(约8%)(见支持信息S2)。值得注意的是,hf成分被保留了下来,这表明它是一个对面部识别有贡献的稳健成分。虽然我们的研究结果表明整体处理与FRA(面部识别能力)有关,但研究结果也支持其他非整体处理过程也可能对个体在面部记忆方面的差异有所贡献的观点。然而,由于任务内部的高相关性,以及整体处理的程度(即残差或效应大小)是基于这些控制条件下的表现来计算的,因此这种解释应谨慎对待。换句话说,使用一种条件下的表现来衡量两种不同的过程是不太合理的。未来的研究可以通过使用更具体的特征处理测量方法(例如,孔径范式;Murphy & Cook, 2017; Murphy et al., 2020; Leong et al., 2023; 或感知整合范式;Audette et al., 2025; Gold et al., 2012)来进一步探索这一假设。此外,尽管CFMT(复合面部任务)是最广泛使用的面部识别能力测量工具之一,但该测试的某些方面仍然存在模糊性。例如,CFMT中的噪声阶段具体测量的是什么尚不清楚。Duchaine和Nakayama(2006)提出,在这个阶段添加噪声是为了迫使人们更多地依赖面部识别的“特殊机制”,但这里反映的是哪种认知机制并不明确。实际上,这个阶段是基于McKone等人(2001)的研究,该研究表明在面部添加噪声会损害对倒置面部的感知,而不会影响对正立面部的感知。由于感知倒置面部被认为依赖于特征处理,McKone等人提出添加噪声可以隔离配置处理。因此,FIE(特征整合效应)与CFMT之间的强相关性并不令人惊讶,因为在噪声阶段和倒置任务中,参与者被迫依赖的“特殊机制”是相似的。因此,CFMT与整体处理测量之间观察到的弱到中等程度的相关性可能反映了跨任务使用的机制或策略之间的残留联系(即重复呈现;Gauthier, 2020),而不是整个测量过程中共享的潜在机制的真实体现。未来的研究应进一步探讨CFMT中的噪声阶段在调节FRA与整体处理关系中的作用。先前的研究经常显示这三个黄金标准测量工具内部的可靠性极低(Richler et al., 2014, 2015),这限制了测量工具之间有意义关系的检测。具体来说,两个变量之间的最大可观察相关性受到这些测量工具可靠性的限制(例如,两个不同测量工具之间的相关性的上限等于它们各自可靠性的平方根;Nunnally, 1970)。在当前研究中,即使CFMT和部分-整体任务的表现完全相关,最大可观察相关性也只有约0.59。这强调了在解释零或适度发现时进行心理测量学严谨性的重要性。鉴于此,近年来引入了其他替代的整体面部测量方法,如Vanderbilt整体处理测试-面部(Richler et al., 2014)、Vanderbilt部分-整体测试(Sunday et al., 2017)或感知整合范式(Audette et al., 2025),这些方法的可靠性(约0.5到0.6)优于传统的整体测量方法。尽管如此,这些任务中观察到的可靠性与当前研究中的相似(0.4到0.6)。因此,我们认为当前的研究结果不能完全用整体测量工具的低可靠性来解释。此外,这些传统整体任务的有效性也受到了质疑,有人认为任务内部的高相关性(即实验条件和控制条件)表明这些条件可能反映了相同的认知过程(Audette et al., 2025)。然而,我们认为这种高任务内部相关性可能反而证明了两种过程涉及到了一个共享的潜在机制:将面部特征(一阶信息)整合成一个整体(高阶处理)。事实上,成功的面部学习可能依赖于将个别面部特征及其配置关系编码并整合成一个整体表示,从而增强后续的面部特征识别(Leong et al., 2023)。值得注意的是,这种后续的特征处理与个体在FRA方面的差异显著相关。因此,在测量整体处理的任务中,这些条件下的表现相关并不令人惊讶。尽管Audette等人(2025)的研究结果没有显示出整体整合与FRA之间的关联,但他们的研究结果支持了学习正立的整体面部有助于后续识别孤立特征的观点,而这似乎受到个体面部识别能力的调节。此外,他们的定义——假设整体处理主要反映了内部特征的整合——与Rossion(2013)将面部部分视为整体表示的基本构建块的概念化一致,但他们的整合范式无法将真正的整体处理与特征处理策略区分开来。关键的是,他们的方法没有破坏整体整合(例如,通过特征替换),因此他们的方法留下了参与者可能只是在组合面部中识别了个别特征的可能性。最后,我们承认从涉及两个不同文化群体的结果中得出结论可能存在潜在的问题,因为文化差异可能会解释我们因子分析中观察到的小部分方差。然而,重要的是要强调,包括来自不同文化背景的参与者可以提高我们发现的普遍性。如果整体处理对面部识别至关重要,并且是FRA个体差异的基础,那么其影响应该在不同文化中是一致的。实际上,测量工具的可靠性、表现方差、样本间的FRA、整体面部处理的程度以及FRA与整体面部处理之间的关系在两组之间没有显著差异(但请参见支持信息S3中的部分-整体任务中的特征特定表现)。这表明文化差异不太可能影响观察到的载荷模式。此外,如果文化差异影响了因子载荷,我们会预期载荷模式会更弱。相反,我们观察到CFE(特征整合效应)有很强的载荷。值得注意的是,加载到共同因素上的任务仅涉及面部识别,这表明虽然非面部对象处理可能有所不同,但整体面部处理的机制在样本组之间可能是普遍的。尽管如此,本文的主要目的是采用更生态学的方法来研究整体面部处理的潜在机制,而不是文化差异。因此,未来的研究可以进一步探讨hf(特征整合效应)在不同文化中是否可能存在差异。

结论

总之,我们的研究结果表明,整体处理的某些方面可以解释个体在面部识别能力方面的差异。关键的是,当前研究认为三种传统的整体处理测量方法(例如,倒置、部分-整体和复合任务)并不是统一的,它们测量的是不同的潜在认知机制,并且对面部记忆的贡献也不同。此外,我们的结果支持面部识别背后存在多种机制的存在,特别是涉及不同的整体处理测量方法。简而言之,我们的发现为为什么关于面部记忆个体差异与整体处理之间关系的研究结果不一致提供了可能的解释。这些发现强调了需要重新考虑用于评估整体处理的方法论方法以及它反映单一认知机制的理论假设。

作者贡献

Bryan Qi Zheng Leong:概念化;调查;撰写——初稿;方法论;验证;可视化;撰写——审阅和编辑;软件;正式分析;数据管理。

Ahamed Miflah Hussain Ismail:监督;撰写——审阅和编辑;撰写——初稿;概念化;方法论;软件;调查。

Alejandro J. Estudillo:概念化;调查;撰写——初稿;撰写——审阅和编辑;监督;数据管理;软件;方法论。

资金信息

本研究没有从公共、商业或非营利部门的资助机构获得任何特定资助。

利益冲突声明

作者声明他们没有已知的竞争性财务或非财务利益,或可能影响本文所述工作的个人关系。

数据可用性声明

当前研究和/或分析期间生成的数据集可在Open Science Framework仓库中找到:https://osf.io/mb5ue/?view_only=24b735f17a3e41ec9dfd1562d8e2da0f。

1. 尽管关于复合面部任务的两个版本(标准版和完整版)哪个是“更好”的整体面部处理测量工具存在广泛的争论(Richler, Cheung, et al., 2011; Rossion, 2013; Richler & Gauthier, 2014; 参见Murphy et al., 2017),但本文的目的是捕捉Rezlescu等人(2017)描述的特定于面部的整体机制。因此,在本文中,我们使用复合面部效应(CFE)作为标准版本的通用术语,并将完整版本指定为完整CFE。

2. 在本文中,我们使用面部识别作为一个通用术语,涵盖感知、匹配或识别面部身份的能力。相比之下,面部识别(或面部识别能力)这一术语更具体地指基于记忆的识别(即面部记忆),如CFMT等任务所索引的。

3. 尽管Verhallen等人使用d-prime和/或原始准确率得分进行的额外分析表明CFMT表现与完整CFE的每个条件之间存在强烈关联,支持这两种任务涉及共同机制的观点(Richler, Cheung, et al., 2011),但这种关联似乎取决于CFE的计算方式,并不直接反映整体面部处理的程度。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号