То, что началось как непринужденная беседа за ужином между двумя очень разными исследователями в 2016 году—один специалист по обработке данных и инженер, другой эксперт в области экономических моделей,—с тех пор превратилось в журнальную статью, в которой количественно оцениваются эффекты "премии за красоту", представление о том, что те, кто более физически привлекателен, как правило, имеют больший доход.

Инженером исследовательской группы является Стивен Бек, адъюнкт-профессор науки о данных в Университете Вирджинии, в то время как специалист по эконометрике-Суйонг Сонг, адъюнкт-профессор экономики и финансов в Университете Айовы. Пять лет назад эти двое обнаружили, что их исследовательские интересы пересекаются больше, чем они первоначально предполагали, что вызвало неожиданную идею.

Бек начал свое сотрудничество с Сонгом в качестве исследователя в Айове, прежде чем присоединиться к факультету наук о данных Школы UVA в августе 2021 года. В своей предыдущей работе Бек анализировал и моделировал формы человеческого тела для инженерных приложений, таких как дизайн изделий, виртуальная мода, дизайн одежды и эргономика. Сонг, с другой стороны, привнес опыт изучения экономических моделей, которые страдают от ошибок измерения и отчетности.

По сравнению с предыдущими публикациями о премии за красоту, методы исследования Бека и Сонга являются новыми из-за характера их набора данных, полученных в 2002 году в рамках Гражданского проекта по антропометрии поверхности в Америке и Европе, или CAESAR. В дополнение к самооценке роста и веса, которые использовались в предыдущих исследованиях, проект также собрал данные 3D-сканирования тела, обширную информацию о демографических и семейных доходах, а также измерения тела с помощью рулетки и штангенциркуля у почти 2400 гражданских лиц. С помощью этих данных два исследователя могли бы предоставить более богатую историю физического облика и социально-экономических переменных.

"Проблема с предыдущими работами заключалась в том, что люди слишком упрощали параметры для описания формы тела", - сказал Бек. "Традиционные процессы определения внешнего вида, такие как рост, вес и ИМТ, являются несовершенными процессами и, следовательно, не способны охватить все размеры формы человеческого тела".

Используя новый алгоритм машинного обучения, называемый "графическим автоэнкодером" или "глубоким машинным обучением", 3D-сканы были введены для кодирования геометрических особенностей формы человеческого тела. После того, как машина была представлена тысячам отдельных сканирований, алгоритм уменьшил размерность данных—с нескольких сотен тысяч точек до нескольких важных характеристик, характеризующих каждую форму человеческого тела с использованием числовых значений. Затем Бек и Сонг визуализировали особенности, чтобы определить, на какие части тела ссылается алгоритм, и оценили их связь с социально-экономическими переменными. Используя этот научный подход, можно было бы количественно оценить причинно-следственные последствия внешнего вида.

Для подвыборок мужчин и женщин рост и ожирение были важными характеристиками, в то время как соотношение бедер и талии было дополнительной уникальной особенностью физического облика женщин. Эмпирические результаты показали, что более высокий рост у мужчин коррелирует с более высоким семейным доходом, в то время как большее ожирение у женщин коррелирует с более низким семейным доходом.

В дополнение к их выводам относительно премии за красоту, опыт Сонга в области экономических моделей добавил к их выводам еще один слой: негативную роль, которую играют ошибки обследования и измерения в исследованиях, использующих измерения тела. Согласно его расчетам—ставшим возможными благодаря тому факту, что данные за 2002 год также включали измерения тела, о которых он сам сообщал,-Сонг обнаружил, что ошибка в отчетности сильно коррелирует с истинным весом и ростом. В среднем люди с более легким весом, как правило, завышали свой вес, в то время как более тяжелые люди, как правило, занижали его. Результаты показали, что ошибки опроса в отношении этих измерений являются существенными, и что предыдущие исследования, в которых использовались данные опроса, о которых сообщалось самостоятельно, вероятно, страдают из-за этого. Сонг объяснил, что при запуске регрессионных моделей, в которых экономические переменные страдают от ошибок опроса или измерения, оценка становится предвзятой, размывая правильную взаимосвязь.

"Чтобы решить проблему ошибок, многие экономисты предполагают, что эти ошибки незначительны или в среднем равны нулю", - сказал Сонг. "Однако наше исследование показало, что они не являются незначительными и в среднем не равны нулю, а скорее показали, что они коррелируют с истинным ростом или весом, что вызывает тревогу во многих исследованиях, использующих данные опросов".

Первоначально Сонг рассчитывал на целевую аудиторию экономистов и статистиков, но с учетом этих выводов с тех пор осознал более широкое влияние этой темы на такие области, как инженерия, информатика, биология и социальные науки.

Через три года после его первоначального представления исследовательская статья "Форма тела имеет значение: данные машинного обучения о взаимосвязи формы тела и дохода" была опубликована в журнале открытого доступа PLOS One.

С повышением публичности Бек и Сонг надеются не только представить масштабы ошибок в предыдущих исследованиях формы тела, которые основывались на данных опроса, о которых сообщали сами, но и привлечь внимание к проблеме премий за красоту.

ИСТОЧНИК