Wat begon als een informeel dinergesprek tussen twee zeer verschillende onderzoekers in 2016:een datawetenschapper en ingenieur, de andere een expert in economische modellen - is sindsdien uitgegroeid tot een tijdschriftartikel dat de effecten kwantificeert van de "schoonheidspremie, " het idee dat degenen die fysiek aantrekkelijker zijn, over het algemeen een groter inkomen hebben.

De ingenieur van het onderzoeksteam is Stephen Baek, een universitair hoofddocent datawetenschap aan de Universiteit van Virginia, terwijl de econometrist Suyong Song is, een universitair hoofddocent economie en financiën aan de Universiteit van Iowa. Vijf jaar geleden, de twee ontdekten dat hun onderzoeksinteresses meer overlapten dan ze aanvankelijk beseften, waardoor een onverwacht idee ontstaat.

Baek begon zijn samenwerking met Song als onderzoeker in Iowa voordat hij in augustus 2021 aan de UVA School of Data Science-faculteit begon. In zijn vorige werk, Baek analyseerde en modelleerde menselijke lichaamsvormen voor technische toepassingen zoals productontwerp, virtuele mode, kledingstuk ontwerp en ergonomie. Liedje, anderzijds, bracht expertise in bij het bestuderen van economische modellen die lijden aan meet- en rapportagefouten.

In vergelijking met eerdere publicaties over de schoonheidspremie, De onderzoeksmethoden van Baek en Song zijn nieuw, vanwege de aard van hun dataset, afkomstig van het Civilian American and European Surface Anthropometry Resource-project uit 2002, of CAEZAR. Naast zelfgerapporteerde lengte- en gewichtsmaten - die in eerdere onderzoeken zijn gebruikt - verzamelde het project ook 3D-lichaamsgescande gegevens, uitgebreide informatie over demografische en gezinsinkomen, evenals meetlint- en schuifmaatlichaamsmetingen van bijna 2, 400 burgers. Met deze gegevens, de twee onderzoekers zouden een rijker verhaal kunnen geven over fysieke verschijning en sociaal-economische variabelen.

"Het probleem met eerdere werken was dat mensen de parameters om de lichaamsvorm te beschrijven te eenvoudig maakten, Baek zei. "De traditionele processen voor het bepalen van de fysieke verschijning, zoals gestalte, gewicht en BMI, zijn onvolmaakte processen, en daarom niet in staat om alle dimensies van de menselijke lichaamsvorm vast te leggen."

Met behulp van een nieuw algoritme voor machinaal leren, een 'grafische auto-encoder' of 'deep machine learning', " de 3D-scans werden ingevoerd om geometrische kenmerken van de menselijke lichaamsvorm te coderen. Nadat de machine was geïntroduceerd bij duizenden individuele scans, het algoritme verminderde de dimensionaliteit van de gegevens - van een paar honderdduizenden punten tot een paar belangrijke kenmerken - en karakteriseerde elke menselijke lichaamsvorm met behulp van numerieke waarden. Baek en Song visualiseerden vervolgens de kenmerken om te bepalen naar welke lichaamsdelen het algoritme verwees en schatten hun relaties met sociaal-economische variabelen. Met behulp van deze wetenschappelijke benadering, de causale effecten van fysieke verschijning kunnen worden gekwantificeerd.

Voor mannelijke en vrouwelijke submonsters, gestalte en obesitas waren beide belangrijke kenmerken, terwijl de heup-tot-taille-verhouding een extra uniek kenmerk was in het fysieke uiterlijk van vrouwen. De empirische resultaten toonden aan dat een grotere gestalte bij mannen correleerde met een hoger gezinsinkomen, terwijl grotere obesitas bij vrouwen gecorreleerd was aan een lager gezinsinkomen.

Naast hun bevindingen over de schoonheidspremie, De expertise van Song op het gebied van economische modellen voegde een nieuwe laag toe aan hun bevindingen:de negatieve rol die onderzoeks- en meetfouten spelen in onderzoeken waarbij lichaamsmetingen worden gebruikt. Volgens zijn berekeningen - mogelijk gemaakt door het feit dat de gegevens van 2002 ook zelfgerapporteerde lichaamsmetingen bevatten - ontdekte Song dat de rapportagefout sterk correleerde met het werkelijke gewicht en de werkelijke lengte. Gemiddeld, mensen met een laag gewicht hadden de neiging om hun gewicht te veel te rapporteren, terwijl zwaardere individuen de neiging hadden om te weinig te rapporteren. De bevindingen toonden aan dat onderzoeksfouten met betrekking tot deze metingen aanzienlijk zijn, en dat eerdere onderzoeken die gebruik maakten van zelfgerapporteerde onderzoeksgegevens er waarschijnlijk onder lijden. Song legde uit dat wanneer regressiemodellen worden gebruikt waarin economische variabelen last hebben van onderzoeks- of meetfouten, de schatting wordt bevooroordeeld, de juiste relatie vervagen.

"Om het probleem van fouten aan te pakken, veel economen gaan ervan uit dat deze fouten verwaarloosbaar zijn of dat ze gemiddeld nul zijn, " zei Song. "Echter, onze studie toonde aan dat ze niet te verwaarlozen zijn en gemiddeld niet nul zijn, maar toonde eerder aan dat ze gecorreleerd zijn met echte lengte of gewicht, dat alarmeert veel onderzoeken met behulp van onderzoeksgegevens."

aanvankelijk, Song anticipeerde op een doelgroep van economen en statistici, maar met deze bevindingen heeft sindsdien de bredere impact van het onderwerp op gebieden als engineering, computertechnologie, biologie en sociale wetenschappen.

Drie jaar na de eerste indiening, het onderzoeksrapport, "Body Shape Matters:bewijs van machinaal leren over de relatie tussen lichaamsvorm en inkomen, " werd gepubliceerd in het open-access tijdschrift, PLOS One .

Met veel publiciteit, Baek en Song hopen niet alleen de mate van fouten te presenteren in eerdere onderzoeken naar lichaamsvorm die waren gebaseerd op zelfgerapporteerde onderzoeksgegevens, maar ook om de aandacht te vestigen op de kwestie van schoonheidspremies.