Det som började som ett avslappnat middagssamtal mellan två mycket olika forskare 2016 – en datavetare och ingenjör, den andra en expert på ekonomiska modeller – har sedan dess förvandlats till en tidskriftsartikel som kvantifierar effekterna av "skönhetspremien, " uppfattningen att de som är mer fysiskt attraktiva tenderar att ha en större inkomst.

Forskargruppens ingenjör är Stephen Baek, en docent i datavetenskap vid University of Virginia, medan ekonometrin är Suyong Song, en docent i ekonomi och finans vid University of Iowa. Fem år sedan, de två fann att deras forskningsintressen överlappade mer än de först insåg, orsakar en oväntad idé.

Baek började sitt samarbete med Song som forskare vid Iowa innan han började på UVA School of Data Science fakulteten i augusti 2021. I sitt tidigare arbete, Baek analyserade och modellerade människokroppsformer för tekniska tillämpningar som produktdesign, virtuellt mode, plaggdesign och ergonomi. Låt, å andra sidan, tagit med sig expertis som studerar ekonomiska modeller som lider av mät- och rapporteringsfel.

Jämfört med tidigare publikationer om skönhetspremien, Baek och Songs forskningsmetoder är nya, på grund av arten av deras datamängd, hämtat från 2002 års civila amerikanska och europeiska ytantropometriska resursprojekt, eller CAESAR. Förutom självrapporterade längd- och viktmått – som har använts i tidigare studier – samlade projektet också in 3D-kroppsskannad data, omfattande information om demografi och familjeinkomst, samt måttband och bromsok kroppsmått från nästan 2, 400 civila. Med dessa uppgifter, de två forskarna skulle kunna ge en rikare historia om fysiskt utseende och socioekonomiska variabler.

"Problemet med tidigare verk var att människor överförenklade parametrarna för att beskriva kroppsform, " sa Baek. "De traditionella processerna för att bestämma fysiskt utseende, såsom resning, vikt och BMI, är ofullkomliga processer, och därför inte kapabel att fånga alla dimensioner av mänsklig kroppsform."

Genom att använda en ny maskininlärningsalgoritm som kallas en "grafisk autokodare" eller "djup maskininlärning, " 3D-skanningarna matades in för att koda geometriska särdrag av mänsklig kroppsform. Efter att maskinen introducerades för tusentals individuella skanningar, Algoritmen reducerade datans dimensionalitet – från några hundratusentals punkter ner till några viktiga funktioner – som karakteriserade varje människokroppsform med hjälp av numeriska värden. Baek och Song visualiserade sedan funktionerna för att bestämma vilka kroppsdelar algoritmen refererade till och uppskattade deras relationer med socioekonomiska variabler. Genom att använda detta vetenskapliga tillvägagångssätt, orsakseffekterna av fysiskt utseende kunde kvantifieras.

För manliga och kvinnliga delprover, växtlighet och fetma var båda viktiga egenskaper, medan höft-till-midja-förhållandet var ytterligare en unik egenskap i kvinnors fysiska utseende. De empiriska resultaten fann att större resning hos män var korrelerad till högre familjeinkomst, medan högre fetma hos kvinnor var korrelerad till lägre familjeinkomst.

Förutom deras resultat angående skönhetspremien, Songs expertis inom ekonomiska modeller lade ytterligare ett lager till sina resultat:den negativa roll som undersökningar och mätfel spelar i studier som använder kroppsmått. Enligt hans beräkningar – möjliggjorda av det faktum att 2002 års data även inkluderade självrapporterade kroppsmått – fann Song att rapporteringsfel i hög grad korrelerade med verklig vikt och längd. I genomsnitt, Lättviktiga individer tenderade att överrapportera sin vikt, medan tyngre individer tenderade att underrapportera. Resultaten visade att undersökningsfel angående dessa mätningar är betydande, och att tidigare studier som använder självrapporterade undersökningsdata sannolikt lider på grund av det. Song förklarade att när regressionsmodeller körs där ekonomiska variabler lider av undersöknings- eller mätfel, uppskattningen blir partisk, sudda ut den korrekta relationen.

"För att lösa problemet med fel, många ekonomer antar att dessa fel är försumbara eller att de är noll i genomsnitt, " sa Song. "Men, vår studie visade att de inte är försumbara och att de inte är noll i genomsnitt, utan snarare visade att de är korrelerade med verklig längd eller vikt, vilket larmar många studier som använder undersökningsdata."

Initialt, Song förutsåg en målgrupp av ekonomer och statistiker, men med dessa fynd, har sedan dess insett ämnets bredare inverkan på områden som teknik, datavetenskap, biologi och samhällsvetenskap.

Tre år efter den första inlämningen, forskningsrapporten, "Body Shape Matters:Bevis från maskininlärning om kroppsform-inkomstförhållande, " publicerades i tidskriften med öppen tillgång, PLOS One .

Med ökad publicitet, Baek och Song hoppas inte bara kunna presentera omfattningen av fel i tidigare kroppsformstudier som förlitade sig på självrapporterade undersökningsdata, men också för att skapa medvetenhet om frågan om skönhetspremier.