一種面孔吸引力評價法及其應用實例

吳志民

(江西師范大學心理學院，江西 南昌，330022)

近20年，不管是在通俗的大眾文化層面，還是在嚴謹的心理學研究[1-2]層面，往往都認為：名字與一個人的相貌和吸引力有很大的關系我們知道，美貌讓人具有更大的吸引力。面孔吸引力(facial attractiveness)指目標人物面孔所誘發的積極愉悅情緒體驗并驅使他人產生一定程度的接近意愿[3]。

圖1

圖2

圖3

圖4

美國整形醫生史蒂芬·馬奎特于2006年開發出一套黃金面具系統[4]，Phi Mask，如圖1的標準女性面具和圖2的亞洲女性面具(虛線筆者所加)。筆者近年研究了一種基于馬奎特面具的面孔吸引力評分的實用方法，稱其為馬圖潘(MPP)法，取Marquardt、Photoshop和潘勁輝[5]的英文首字母。側面孔吸引力的評分方法則稱為側馬圖潘(LMPP)法[6]。

1 材料、對象和方法

1.1 研究材料

Photoshop 7.0版軟件。黃金比例面具有機玻璃板。面積計算程序。證件照電子版1張，正面免冠，不露齒，頭發不能遮擋前額的發際線與兩側面頰。

1.2 研究對象

網上下載并挑選符合上述要求的40張中國年輕女性照片。問卷調查的被試是1～3年級本科生，要求他們對照片進行面孔吸引力的人工打分。

1.3 研究方法

以亞洲女性面具為例，如圖2。理想面積(IA)是Marquardt面具外圍的輪廓線所圍成的封閉面積。輪廓線由上部輪廓線︹形和下部輪廓線U形構成，兩部分以虛線為界。陰影面積是指理想面積之內的非皮膚面積或理想面積之外的皮膚面積。

1.3.1放置自制的馬奎特面具有機玻璃板到電腦顯示屏前。

1.3.2使照片上的人雙眼球與馬奎特面具上的雙眼球相重合(圖2、圖3)，即照片上人的瞳孔間距與馬奎特面具上的瞳孔間距相重合，二者等長，此步驟操作時需要放大照片，再選擇PS工具箱內多邊形套索工具，右手沿Marquardt面具亞洲女人輪廓線拖動鼠標，計算此時(四眼重合)照片上的理想面積(IA)。然后計算左右陰影面積a和上陰影面積b。

1.3.3使照片上的人兩眼間與嘴的垂直距離與馬奎特面具上的兩眼間與嘴的垂直距離相重合(圖2、圖4)，即照片上人的瞳孔間距與口角間距的垂直距離相重合，二者等長，此步驟操作時亦需放大照片、拖動鼠標，計算左右陰影面積c和上陰影面積d。

1.3.4 主觀問卷打分依據40張照片制成問卷調查表。圖片采用黑白和隨機排列呈現給評分者。評分者需在很美、較美、一般和不美(丑)這4檔中給出他(她)認為的打分值。發放問卷135份，收回有效問卷119份。其中，男55份、女64份。問卷回收后，使用SPSS 18.0軟件錄入、計算和分析數據。

2 結 果

2.1 MPP法評分公式=

2.2 問卷調查法及MPP法的評分標準：

≥90，很美；85-89.9，較美；80-84.9，一般；≤79.9，不美(丑)。

分值越高，即顏值越高，面孔吸引力越大；分值越低，即顏值越低，面孔吸引力越小。

2.3 評分結果：

見表1各列。MPP法的評分值由筆者在電腦前操作得到各測量值并代入評分公式給出，見表1第2、5、8和11列。119份問卷的打分值經SPSS 18.0計算，得到每張照片的平均分見表1第3、6、9和12列。

2.4 統計學處理

計算問卷法的評分者信度：本問卷法克隆巴赫α系數為0.871，說明119位評分者內的評分一致、信度良好、評分可靠。

評價MPP法測量值與問卷法打分值的一致性(agreement)：本研究采用Bland-Altman法評價兩種測量結果的接近程度。

根據表1的MPP測量法和問卷打分法數據，在SPSS上建立兩組數據：兩種評分法均值(A)和兩種評分法差值(D)。以A為橫軸，以D為縱軸做散點圖，計算LoA(`d±1.96Sd)，然后作Bland-Altman散點圖6。

表1 MPP測量法與問卷打分法的評分值

圖5 Bland-Altman散點圖

作Bland-Altman分析前提有二，一是判斷兩種評分法差值D與兩種評分法均值A的關系：散點不呈“／”形或“”形走勢，而是各散點均衡地在水平線上下波動，如圖5；無方差不齊，散點不呈“＜”形或“＞”形分布[7]；二是兩種評分法差值須服從正態分布(圖6)。圖5中40個點中有1個點(1/40)落在95%的一致性界限(Limits of agreement，LoA)以外，比例為2.5%，其＜5%。圖5顯示的中間一條實線代表兩種評分法差值的均數(`d)為4.36分，而差值的標準差(Sd)為4.972分，上下兩條實線代表95%一致性界限的上下限(-5.39，14.10)分，即4.36±1.96×4.972。也就是說97.5%散點在一致限(-5.39，14.10)內，一致性界限內的最大差值為-5.33分和差值均數4.36分，在專業上屬于可接受的程度。這充分顯示兩種評分法一致性良好[8]。

樣本量為40，對應的t=2.023，LoA上限14.10的95% CI為(14.10-2.023×1.71×4.972/√40，14.102.023×1.71×4.972/√40)，即為二條虛線(11.38，16.82)，LoA下限-5.39的95%CI也為二條虛線(-8.11，-2.67)。綜合起來，LoA的置信區間(LoA CI)為(-8.11，16.82)。該范圍大于95%LoA本身，這也是考慮到了抽樣誤差的結果。

圖6 兩種評分法差值的正態分布直方圖

表2 四組人名出現的次數和MPP法分數

3 實例

年青女性的人名會影響她們自己的相貌嗎？或者說女人貌如其名嗎？

3.1 樣本量和分層抽樣

根據某師范校園網資料，在校1～4年級本科女生共18990人，其名字(不包括姓氏)的總字數33339字。分別選擇具有漂亮的、象征性的、特質的和自然屬性的單名和疊名作為研究對象，見表2第1、4、7和10列。頻率遞減形容漂亮的名字有：婷、倩、佳、艷、媛、娟、麗、妍、菁、華；頻率遞減象征美玉的名字有：琪、琳、瑤、璐、鈺、玉、璇、瓊、琦、瑜；頻率遞減表示性格特質的名字有：穎、敏、靜、慧、婧、涵、惠、巧、睿、雅；頻率遞減表示自然屬性的名字有：薇、萍、楠、雪、霞、云、莎、雨、蕓、梅。例如，“婷”字出現的頻率最高，其為248/33339=0.745%。各組名字出現的次數見表2第2、5、8和11列。研究字數=748426567315=2053，樣本率p=研究字數/總字數=2053/33339=6.2%，允許誤差d一般取3%，t2.05=1.962≈3.84，樣本量n=3.84*(0.062*(1－ P)/0.032)=248，n實 際 取250。

3.2 用MPP法逐一計算250個樣本照片，并取每個名字的平均分錄入表2第3、6、9和12列中。

3.3 雙變量相關分析

用1-250編序作x軸，對應的250個樣本照片MPP法原始評分(略)作Y軸，得Pearson相關系數0.039，顯著性(雙側)0.536。說明名字與面孔吸引力得分不相關，即女人并非貌如其名。

3.4 單因素方差分析

方差齊性檢驗(MPP分)：顯著性0.478。名字各組對面孔吸引力的影響見表3的描述。LSD事后多重檢驗(即兩兩比較)；漂亮組與象征性組、特質組和自然組的顯著性，分別為0.999、0.549和0.270；象征性組與特質組、自然組的顯著性，分別為0.548 和0.269；特質組與自然組的顯著性為0.609。SPSS方差分析結果顯示，各組名字對面孔吸引力的影響均無差異。即名字對面孔吸引力也無影響，女人也非顏如其名。

表3 各組名字對面孔吸引力的影響

4 討 論

以往，對面孔吸引力大小的客觀研究方法主要是面部特征測量法。近幾年來，國內外開始出現有關人臉外貌特征提取、機器學習及識別算法的文獻[9-14]，但不易廣泛應用。本研究利用馬奎特面具評價面孔吸引力，可操作性及強，簡單方便，可以替代問卷評分法。這里，利用MPP測量法進行了一項實例研究，驗證關于名字刻板印象在容貌上的體現是否存在？Yonat Zwebner[15]認為，社會預期和經歷會逐年累月地改變一個人的容貌，我們看起來像我們的名字。但很遺憾，本文沒有發現名字對容貌有什么影響。其實，一個人的長相美丑和面孔吸引力的大小，主要取決于先天遺傳。如果想讓自己外表變的美麗，提升顏值，不外乎通過化妝或依靠整形去實現，但后者更靠譜。