Μια νέα μελέτη στη Δανία χρησιμοποίησε τεχνικές μηχανικής μάθησης σε φωτογραφίες προσώπων πολιτικών για να προβλέψει εάν η πολιτική του...
Μια νέα μελέτη στη Δανία χρησιμοποίησε τεχνικές μηχανικής μάθησης σε φωτογραφίες προσώπων πολιτικών για να προβλέψει εάν η πολιτική τους ιδεολογία είναι αριστερή ή δεξιά. Η ακρίβεια των προβλέψεων ήταν 61%. Σύμφωνα με τη μελέτη τα πρόσωπα των δεξιών πολιτικών ήταν πιο χαρούμενα και με λιγότερο ουδέτερες εκφράσεις. Οι γυναίκες με ελκυστικά πρόσωπα ήταν πιθανότερο να είναι δεξιές, ενώ οι γυναίκες των οποίων το πρόσωπο έδειχνε μια περιφρόνηση ήταν πιο πιθανό να είναι αριστερές, υποστηρίζει η μελέτη που δημοσιεύτηκε στο Scientific Reports.
Το ανθρώπινο πρόσωπο είναι ιδιαίτερα εκφραστικό. Χρησιμοποιεί ένα πολύπλοκο δίκτυο μυών για διάφορες λειτουργίες όπως εκφράσεις, ομιλία, μάσημα και κινήσεις των ματιών. Υπάρχουν περισσότεροι από 40 μεμονωμένοι μύες στο πρόσωπο, καθιστώντας το την περιοχή με την υψηλότερη συγκέντρωση μυών. Αυτοί οι μύες μας επιτρέπουν να μεταφέρουμε ένα ευρύ φάσμα συναισθημάτων και να εκτελούμε κινήσεις που είναι απαραίτητες για την επικοινωνία και τις καθημερινές δραστηριότητες.
Οι άνθρωποι συλλέγουν μεγάλη ποικιλία πληροφοριών για τους άλλους με βάση τα χαρακτηριστικά στα πρόσωπά τους. Σε αυτά συγκαταλέγονται κρίσεις προσωπικότητας, νοημοσύνη, σεξουαλικό προσανατολισμό και πολλά άλλα ψυχολογικά και κοινωνικά χαρακτηριστικά ακόμα και την… πολιτική ιδεολογία. Ωστόσο, ενώ οι άνθρωποι βγάζουν αυτά τα συμπεράσματα σχεδόν αυτόματα στην καθημερινή τους ζωή, παραμένει αμφιλεγόμενο ποια ακριβώς χαρακτηριστικά των προσώπων χρησιμοποιούνται για να προκύψουν αυτά και πώς.
Ο συγγραφέας της μελέτης Stig Hebbelstrup και οι συνάδελφοί του θέλησαν να διερευνήσουν εάν είναι δυνατόν να χρησιμοποιηθούν υπολογιστικά νευρωνικά δίκτυα για την πρόβλεψη της πολιτικής ιδεολογίας από μια φωτογραφία προσώπου. Τα υπολογιστικά νευρωνικά δίκτυα είναι μια κατηγορία αλγορίθμων εμπνευσμένων από τη δομή και τη λειτουργία των βιολογικών εγκεφάλων. Αποτελούνται από διασυνδεδεμένους κόμβους, που ονομάζονται τεχνητοί νευρώνες ή μονάδες, οργανωμένοι σε στρώματα. Κάθε νευρώνας λαμβάνει είσοδο από το προηγούμενο στρώμα, εφαρμόζει μια συνάρτηση και περνά την έξοδο στο επόμενο στρώμα. Ο πρωταρχικός σκοπός των υπολογιστικών νευρωνικών δικτύων είναι να μάθουν μοτίβα και σχέσεις μέσα στα δεδομένα προσαρμόζοντας τις συνδέσεις μεταξύ των νευρώνων. Αυτή η διαδικασία μάθησης, που συχνά αναφέρεται ως εκπαίδευση ή βελτιστοποίηση, επιτυγχάνεται συνήθως χρησιμοποιώντας μια τεχνική που ονομάζεται backpropagation. Αυτό σημαίνει ότι αφού γίνει ένα σφάλμα στο αποτέλεσμα, εφαρμόζονται αλλαγές στις συναρτήσεις των προηγούμενων κόμβων προκειμένου να το διορθώσουν.
Για να εκπαιδεύσουν αυτό το νευρωνικό δίκτυο, οι ερευνητές χρησιμοποίησαν ένα σύνολο δημοσίως διαθέσιμων φωτογραφιών πολιτικών υποψηφίων από τις εκλογές της Δανίας το 2017. Αυτές οι φωτογραφίες δόθηκαν στη Δανική Ραδιοφωνική Εταιρεία (DR) για χρήση στη δημόσια επικοινωνία από τους ίδιους τους υποψηφίους.
Το αρχικό σύνολο δεδομένων αποτελούνταν από 5.230 φωτογραφίες προσώπου. Ωστόσο, οι ερευνητές απέκλεισαν φωτογραφίες υποψηφίων που αντιπροσώπευαν κόμματα με λιγότερο καθορισμένες ιδεολογίες, που δεν μπορούσαν να ταξινομηθούν ως αριστερές ή δεξιές, φωτογραφίες προσώπων που ήταν ανεπαρκή για μηχανική επεξεργασία και εκείνες που δεν ήταν έγχρωμες.
Ένας συγγραφέας που δεν γνώριζε τα ονόματα ή τα κόμματα του υποψηφίου στη συνέχεια επιθεώρησε χειροκίνητα τις φωτογραφίες και απέκλεισε φωτογραφίες υποψηφίων που δεν φαινόταν να είναι ευρωπαϊκής εθνικής καταγωγής. Ο λόγος για αυτόν τον αποκλεισμό ήταν ότι οι υποψήφιοι μη ευρωπαϊκής καταγωγής, ενώ ήταν εύκολο να εντοπιστούν οπτικά, είχαν 2,5 φορές περισσότερες πιθανότητες να εκπροσωπούν αριστερά κόμματα.
Τέλος, οι συγγραφείς απέκλεισαν φωτογραφίες υποψηφίων με γένια, σημειώνοντας ότι τα γένια μπορούν να βλάψουν την ανίχνευση των εκφράσεων του προσώπου και κάποιες άλλες αναλύσεις επίσης. Ο αλγόριθμος εκπαιδεύτηκε ξεχωριστά σε ανδρικές και γυναικείες φωτογραφίες. Το τελικό σύνολο δεδομένων αποτελούνταν από 4647 φωτογραφίες, εκ των οποίων οι 1442 ήταν γυναίκες.
Ο Hebbelstrup και οι συνεργάτες του δοκίμασαν την ακρίβεια του αλγόριθμου σε ένα επιπλέον δείγμα Δανών βουλευτών. Αυτό το δείγμα χωρίστηκε σε αρσενικά και θηλυκά με αλγόριθμο που εφαρμόζεται ξεχωριστά για το καθένα, αλλά δεν έγιναν άλλοι αποκλεισμοί. Όλες οι φωτογραφίες επεξεργάστηκαν για να διασφαλιστεί ότι δείχνουν μόνο τα πρόσωπα και να αποκλειστούν τυχόν άλλα στοιχεία που θα μπορούσαν να χρησιμοποιηθούν για την εξαγωγή ιδεολογίας (όπως χρώματα φόντου ή ρούχα)
Οι ερευνητές δημιούργησαν μέτρα της συναισθηματικής κατάστασης που εκφράζεται από το πρόσωπο χρησιμοποιώντας το Face API από τις Γνωστικές Υπηρεσίες της Microsoft Azure. Τα αποτελέσματα έδειξαν ότι το 80% των προσώπων έδειχνε ευτυχία, ενώ το 19% είχε ουδέτερες εκφράσεις. Οι συγγραφείς το αποδίδουν στο ότι ο αλγόριθμος δεν μπορεί να προσδιορίσει με ακρίβεια άλλους τύπους εκφράσεων του προσώπου. Επιπλέον, χρησιμοποίησαν αλγόριθμους για να αξιολογήσουν την ελκυστικότητα των υποψηφίων και την αρρενωπότητα των ανδρών υποψηφίων.
Τα αποτελέσματα έδειξαν ότι το νευρωνικό δίκτυο που εκπαιδεύτηκε σε αυτά τα δεδομένα ήταν 61% ακριβές στην πρόβλεψη της ιδεολογίας με βάση μια φωτογραφία προσώπου τόσο σε άνδρες όσο και σε γυναίκες. Με άλλα λόγια, η ακρίβεια του αλγορίθμου είναι καλύτερη από την απλή τύχη.
Η ανάλυση των χαρακτηριστικών του προσώπου που ήταν κρίσιμα για τη λήψη αποφάσεων σχετικά με την ιδεολογία αποκάλυψε ότι η αρρενωπότητα και η ελκυστικότητα δεν συνδέονται με την ιδεολογία στους άνδρες. Ωστόσο, οι πιο ελκυστικές γυναίκες ήταν πιο πιθανό να είναι εκπρόσωποι των δεξιών κομμάτων. Τα χαρούμενα πρόσωπα, άνδρες και γυναίκες, ήταν επίσης πιο πιθανό να είναι εκπρόσωποι δεξιών κομμάτων, ενώ πρόσωπα με ουδέτερες εκφράσεις ήταν πιο πιθανό να είναι αριστεροί. Αν και σπάνια, οι γυναίκες των οποίων τα πρόσωπα έδειχναν περιφρόνηση ήταν πιο πιθανό να είναι εκπρόσωποι αριστερών κομμάτων.
«Τα αποτελέσματά μας επιβεβαίωσαν την απειλή για το απόρρητο που παρουσιάζουν οι προσεγγίσεις βαθιάς μάθησης. Χρησιμοποιώντας ένα προ-ανεπτυγμένο και άμεσα διαθέσιμο δίκτυο που εκπαιδεύτηκε και επικυρώθηκε αποκλειστικά σε δημόσια διαθέσιμα δεδομένα, μπορέσαμε να προβλέψουμε την ιδεολογία του εικονιζόμενου ατόμου περίπου στο 60% του χρόνου σε δύο δείγματα», καταλήγουν οι ερευνητές.
«Παρέχουμε επίσης την πρώτη απόδειξη ότι η προβλεπόμενη από μοντέλα ιδεολογία συνδέεται με ανεξάρτητα ταξινομήσιμα χαρακτηριστικά του προσώπου. Για τις γυναίκες (αν και όχι για τους άνδρες), βρέθηκαν υψηλές βαθμολογίες ελκυστικότητας μεταξύ εκείνων που το μοντέλο προσδιόρισε ότι ήταν πιθανό να είναι συντηρητικό. Αυτά τα αποτελέσματα είναι αξιόπιστα, δεδομένου ότι προηγούμενες έρευνες που χρησιμοποίησαν ανθρώπους βαθμολογητές έχουν επίσης τονίσει τη σχέση μεταξύ ελκυστικότητας και συντηρητισμού», μεταδίδει το psypost.
Η μελέτη συμβάλλει πολύτιμη στην επιστημονική κατανόηση των δεσμών μεταξύ ιδεολογιών και εμφάνισης. Ωστόσο, πρέπει να σημειωθεί ότι έχει και περιορισμούς που πρέπει να ληφθούν υπόψη. Αξίζει να σημειωθεί ότι οι συγγραφείς δεν παρέχουν ποσοστά δεξιών και αριστερών πολιτικών στο δείγμα, αλλά χρησιμοποιούν μια πιθανότητα αναστροφής νομίσματος ως αναφορά.
Δεν υπάρχουν σχόλια
Σημείωση: Μόνο ένα μέλος αυτού του ιστολογίου μπορεί να αναρτήσει σχόλιο.