深度神经网络揭示了与吸引力和善良相关的面部特征的新见解

快速阅读: 《心理邮报》消息，一项发表在《进化与人类行为》杂志上的研究显示，深度神经网络能更准确地量化面部特征，从而更有效地预测面对面吸引力。研究分析了682名参与者的数据，发现神经网络生成的面部指标，如男性化和相似性，不仅能提高测量准确性，还能更好地预测吸引力。

深度神经网络能够比以往的方法更精确地量化面部特征，从而改进对面对面吸引力的预测。这是《进化与人类行为》杂志上发布的一项研究得出的结论。面部吸引力显著影响人类的伴侣选择，但目前测量关键面部特征（如男性化、相似性和平均性）的方法存在重要的局限性。传统方法依赖于主观评分，这容易受到偏见的影响，或者基于客观地标的方法，使用预定义点来映射几何面部结构。尽管后者提供了定量数据，但这些方法无法捕捉到皮肤纹理、发色和面部对比度等重要视觉细节。为了克服这些局限性，艾米·A.Z. 赵和布伦丹·P. 茨伊特希研究了深度神经网络作为替代方法的可能性。这些机器学习技术提供了一种更为全面的方法来量化面部特征，弥补了主观评估和基于地标评估的不足。

研究表明，男性面部的男性化通常与吸引力相关，而面部相似性可以传达可信度或善良。然而，这些发现通常源自使用静态面部图像的研究，而不是现实生活中的互动。赵和茨伊特希的研究探讨了深度神经网络能否生成面部指标，不仅提高测量准确性，还能更好地预测自然环境下的吸引力。该研究分析了来自昆士兰大学的682名参与者（其中344名为女性）的数据，他们参与了一个速配实验。为确保一致性，所有参与者都必须是单身、异性恋并且英语流利。研究人员从2285次速配互动中获得了面对面的吸引力和善良评分，在这些互动中，参与者通过简短的对话轮转与潜在的浪漫伴侣交流。

为了测量面部特征，研究人员在一致的光照条件下使用固定的摄像机设置收集了所有参与者的标准化面部图像。然后，他们应用了三种不同的方法来量化面部特征：1）手动放置面部地标，研究助理在参与者脸上放置了28个预定义点；2）使用基于人工智能的系统自动检测面部地标，放置了83个点；3）深度神经网络从每张图像中提取了4096个面部特征坐标。这些方法用于评估三个关键面部特征——平均性、男性化和相似性——通过比较参与者之间的面部特征并分析它们如何预测面对面的吸引力和善良评分。

研究结果表明，来自深度神经网络的面部测量可以预测面对面的吸引力和善良评分，不亚于甚至优于传统的基于地标的方法。值得注意的是，神经网络衍生的男性面部男性化评分与吸引力评分高度相关，证实了先前的研究发现，即男性化的男性特征被认为是吸引人的。相比之下，女性面部的男性化程度与吸引力呈负相关，这意味着更具女性化的女性面孔被评为更有吸引力。此外，神经网络提供了一种更稳健的男性化测量方法，避免了基于地标方法的一个常见局限性：它们倾向于受面部倾斜角度（图像中头部倾斜的角度）的影响。当使用神经网络测量时，男性化评分在很大程度上不受照片中人物头部倾斜角度的影响。

研究还发现了证据，表明具有更男性化或女性化面孔的人更喜欢性别典型伴侣，这种模式被称为同态交配。这种效应是通过神经网络检测到的，但在传统的基于地标测量中未被检测到，这表明深度学习方法可能更好地捕捉影响现实生活中吸引力的微妙面部特征。此外，面部相似性与善良评分相关，支持了先前的研究，表明人们倾向于认为长相相似的人更值得信任和亲社会。这种效应在使用自动地标和神经网络衍生的相似性评分时很明显，但在通过手动地标测量时不太明显。面部平均性——这一通常被视为吸引力关键特征的因素——也是正面评分的重要预测因素，尤其是在使用神经网络和自动地标测量时。

一个局限性在于深度神经网络模型的不透明性。与基于地标的方法不同，后者能提供特定面部特征的明确测量值，神经网络作为一个“黑箱”运行，难以确定哪些面部特征导致了给定的评分。这项题为“深度神经网络生成的面部指标克服了先前方法的局限性并预测面对面吸引力”的研究由艾米·A.Z. 赵和布伦丹·P. 茨伊特希共同完成。

(以上内容均由Ai生成)