一种面孔吸引力评价法及其应用实例

吴志民

(江西师范大学心理学院，江西 南昌，330022)

近20年，不管是在通俗的大众文化层面，还是在严谨的心理学研究[1-2]层面，往往都认为：名字与一个人的相貌和吸引力有很大的关系我们知道，美貌让人具有更大的吸引力。面孔吸引力(facial attractiveness)指目标人物面孔所诱发的积极愉悦情绪体验并驱使他人产生一定程度的接近意愿[3]。

图1

图2

图3

图4

美国整形医生史蒂芬·马奎特于2006年开发出一套黄金面具系统[4]，Phi Mask，如图1的标准女性面具和图2的亚洲女性面具(虚线笔者所加)。笔者近年研究了一种基于马奎特面具的面孔吸引力评分的实用方法，称其为马图潘(MPP)法，取Marquardt、Photoshop和潘劲辉[5]的英文首字母。侧面孔吸引力的评分方法则称为侧马图潘(LMPP)法[6]。

1 材料、对象和方法

1.1 研究材料

Photoshop 7.0版软件。黄金比例面具有机玻璃板。面积计算程序。证件照电子版1张，正面免冠，不露齿，头发不能遮挡前额的发际线与两侧面颊。

1.2 研究对象

网上下载并挑选符合上述要求的40张中国年轻女性照片。问卷调查的被试是1～3年级本科生，要求他们对照片进行面孔吸引力的人工打分。

1.3 研究方法

以亚洲女性面具为例，如图2。理想面积(IA)是Marquardt面具外围的轮廓线所围成的封闭面积。轮廓线由上部轮廓线︹形和下部轮廓线U形构成，两部分以虚线为界。阴影面积是指理想面积之内的非皮肤面积或理想面积之外的皮肤面积。

1.3.1放置自制的马奎特面具有机玻璃板到电脑显示屏前。

1.3.2使照片上的人双眼球与马奎特面具上的双眼球相重合(图2、图3)，即照片上人的瞳孔间距与马奎特面具上的瞳孔间距相重合，二者等长，此步骤操作时需要放大照片，再选择PS工具箱内多边形套索工具，右手沿Marquardt面具亚洲女人轮廓线拖动鼠标，计算此时(四眼重合)照片上的理想面积(IA)。然后计算左右阴影面积a和上阴影面积b。

1.3.3使照片上的人两眼间与嘴的垂直距离与马奎特面具上的两眼间与嘴的垂直距离相重合(图2、图4)，即照片上人的瞳孔间距与口角间距的垂直距离相重合，二者等长，此步骤操作时亦需放大照片、拖动鼠标，计算左右阴影面积c和上阴影面积d。

1.3.4 主观问卷打分依据40张照片制成问卷调查表。图片采用黑白和随机排列呈现给评分者。评分者需在很美、较美、一般和不美(丑)这4档中给出他(她)认为的打分值。发放问卷135份，收回有效问卷119份。其中，男55份、女64份。问卷回收后，使用SPSS 18.0软件录入、计算和分析数据。

2 结 果

2.1 MPP法评分公式=

2.2 问卷调查法及MPP法的评分标准：

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

分值越高，即颜值越高，面孔吸引力越大；分值越低，即颜值越低，面孔吸引力越小。

2.3 评分结果：

见表1各列。MPP法的评分值由笔者在电脑前操作得到各测量值并代入评分公式给出，见表1第2、5、8和11列。119份问卷的打分值经SPSS 18.0计算，得到每张照片的平均分见表1第3、6、9和12列。

2.4 统计学处理

计算问卷法的评分者信度：本问卷法克隆巴赫α系数为0.871，说明119位评分者内的评分一致、信度良好、评分可靠。

评价MPP法测量值与问卷法打分值的一致性(agreement)：本研究采用Bland-Altman法评价两种测量结果的接近程度。

根据表1的MPP测量法和问卷打分法数据，在SPSS上建立两组数据：两种评分法均值(A)和两种评分法差值(D)。以A为横轴，以D为纵轴做散点图，计算LoA(`d±1.96Sd)，然后作Bland-Altman散点图6。

表1 MPP测量法与问卷打分法的评分值

图5 Bland-Altman散点图

作Bland-Altman分析前提有二，一是判断两种评分法差值D与两种评分法均值A的关系：散点不呈“／”形或“”形走势，而是各散点均衡地在水平线上下波动，如图5；无方差不齐，散点不呈“＜”形或“＞”形分布[7]；二是两种评分法差值须服从正态分布(图6)。图5中40个点中有1个点(1/40)落在95%的一致性界限(Limits of agreement，LoA)以外，比例为2.5%，其＜5%。图5显示的中间一条实线代表两种评分法差值的均数(`d)为4.36分，而差值的标准差(Sd)为4.972分，上下两条实线代表95%一致性界限的上下限(-5.39，14.10)分，即4.36±1.96×4.972。也就是说97.5%散点在一致限(-5.39，14.10)内，一致性界限内的最大差值为-5.33分和差值均数4.36分，在专业上属于可接受的程度。这充分显示两种评分法一致性良好[8]。

样本量为40，对应的t=2.023，LoA上限14.10的95% CI为(14.10-2.023×1.71×4.972/√40，14.102.023×1.71×4.972/√40)，即为二条虚线(11.38，16.82)，LoA下限-5.39的95%CI也为二条虚线(-8.11，-2.67)。综合起来，LoA的置信区间(LoA CI)为(-8.11，16.82)。该范围大于95%LoA本身，这也是考虑到了抽样误差的结果。

图6 两种评分法差值的正态分布直方图

表2 四组人名出现的次数和MPP法分数

3 实例

年青女性的人名会影响她们自己的相貌吗？或者说女人貌如其名吗？

3.1 样本量和分层抽样

根据某师范校园网资料，在校1～4年级本科女生共18990人，其名字(不包括姓氏)的总字数33339字。分别选择具有漂亮的、象征性的、特质的和自然属性的单名和叠名作为研究对象，见表2第1、4、7和10列。频率递减形容漂亮的名字有：婷、倩、佳、艳、媛、娟、丽、妍、菁、华；频率递减象征美玉的名字有：琪、琳、瑶、璐、钰、玉、璇、琼、琦、瑜；频率递减表示性格特质的名字有：颖、敏、静、慧、婧、涵、惠、巧、睿、雅；频率递减表示自然属性的名字有：薇、萍、楠、雪、霞、云、莎、雨、芸、梅。例如，“婷”字出现的频率最高，其为248/33339=0.745%。各组名字出现的次数见表2第2、5、8和11列。研究字数=748426567315=2053，样本率p=研究字数/总字数=2053/33339=6.2%，允许误差d一般取3%，t2.05=1.962≈3.84，样本量n=3.84*(0.062*(1－ P)/0.032)=248，n实 际 取250。

3.2 用MPP法逐一计算250个样本照片，并取每个名字的平均分录入表2第3、6、9和12列中。

3.3 双变量相关分析

用1-250编序作x轴，对应的250个样本照片MPP法原始评分(略)作Y轴，得Pearson相关系数0.039，显著性(双侧)0.536。说明名字与面孔吸引力得分不相关，即女人并非貌如其名。

3.4 单因素方差分析

方差齐性检验(MPP分)：显著性0.478。名字各组对面孔吸引力的影响见表3的描述。LSD事后多重检验(即两两比较)；漂亮组与象征性组、特质组和自然组的显著性，分别为0.999、0.549和0.270；象征性组与特质组、自然组的显著性，分别为0.548 和0.269；特质组与自然组的显著性为0.609。SPSS方差分析结果显示，各组名字对面孔吸引力的影响均无差异。即名字对面孔吸引力也无影响，女人也非颜如其名。

表3 各组名字对面孔吸引力的影响

4 讨 论

以往，对面孔吸引力大小的客观研究方法主要是面部特征测量法。近几年来，国内外开始出现有关人脸外貌特征提取、机器学习及识别算法的文献[9-14]，但不易广泛应用。本研究利用马奎特面具评价面孔吸引力，可操作性及强，简单方便，可以替代问卷评分法。这里，利用MPP测量法进行了一项实例研究，验证关于名字刻板印象在容貌上的体现是否存在？Yonat Zwebner[15]认为，社会预期和经历会逐年累月地改变一个人的容貌，我们看起来像我们的名字。但很遗憾，本文没有发现名字对容貌有什么影响。其实，一个人的长相美丑和面孔吸引力的大小，主要取决于先天遗传。如果想让自己外表变的美丽，提升颜值，不外乎通过化妆或依靠整形去实现，但后者更靠谱。