利用現實生活中的靜態面部圖像評估大五人格特質

關鍵章節標題列表

1. 研究背景與理論基礎
2. 研究目的與假設
3. 樣本與研究流程
4. 倫理審批
5. 數據篩選
6. 大五人格測量工具
7. 圖像篩選與預處理
8. 神經網絡架構
9. 研究結果
10. 討論
11. 研究局限性
12. 數據可用性說明

文件簡介

大量研究已證實，人類面部的形態學特徵和社會線索能夠傳遞人格與行為相關信號。儘管此前已有研究探索了人工合成面部圖像與人格特質歸因之間的關聯，但基於現實生活中靜態面部圖像對男女兩性全部大五人格特質進行系統性預測的研究仍有待完善，且現有研究存在樣本量小、方法差異大、結果一致性不足等問題。本研究核心旨在填補這一空白，驗證通過機器學習算法從靜態面部圖像中提取人格線索的可行性。

研究採用12447名匿名志願者提供的31367張真實生活面部圖像，所有參與者均完成了大五人格特質的自我報告測量。為確保數據質量，研究通過多階段篩選排除了無效問卷、低質量圖像及偽造內容，最終形成的數據集按9:1比例分為訓練集和測試集，分別用於模型訓練與驗證。考慮到面部特徵和部分人格特質的性別二態性，所有預測模型均按男性和女性分別訓練與驗證。

研究採用雙層機器學習算法架構：首先構建計算機視覺神經網絡（NNCV），基於ResNet架構提取靜態面部圖像的128維不變特徵向量；隨後訓練人格診斷神經網絡（NNPD），以該特徵向量為輸入預測大五人格特質分數。數據處理過程嚴格遵循赫爾辛基宣言，經人文與經濟開放大學研究倫理委員會批准，所有參與者均簽署知情同意書。

研究關鍵發現顯示，人工神經網絡對大五人格特質的預測與自我報告分數存在統計學顯著相關性，平均效應量達0.243，超過此前使用自拍圖像的研究結果。其中，責任感的預測相關性最高（男性0.360，女性0.335），開放性的預測準確性最低；女性的外向性和神經質特質預測效果顯著優於男性。特質間相關性分析表明，預測分數的相關性結構與自我報告量表存在部分差異，暗示人格的一般因素（GFP）可能存在生物學基礎。

該研究證實，即使在非受控條件下拍攝的現實生活圖像，也可通過複雜計算機視覺算法有效預測人格特質。其方法論優勢在於無需依賴3D掃描或高精度面部標記，僅需普通桌面計算機即可實現。研究結果不僅為面部-人格關聯提供了新的實證支持，還為快速人格評估提供了潛在應用場景，可輔助產品服務匹配、人際互動配對及人機交互個性化等領域。

需注意的是，本研究樣本主要由俄語系白種成年人構成，地理和文化範圍具有局限性；且現實面部圖像中包含的妝容、拍攝角度等額外線索可能對預測結果產生影響，未來研究需擴大樣本多樣性並進一步區分面部形態學特徵與其他圖像線索的作用。