この記事は https://www.nature.com/articles/s41598-020-79310-1 を簡易翻訳したものです。
概要
ユビキタス顔認識技術は、リベラル派と保守派の顔が一貫して異なることから、個人の政治的志向を明らかにすることができる。1,085,795人の自然画像に顔認識アルゴリズムを適用し、リベラル派と保守派の顔との類似性を比較することで、個人の政治的志向を予測した。政治的志向は、自由主義者と保守主義者の顔のペアの72％で正しく分類され、偶然（50％）や人間の精度（55％）、100項目の性格調査票（66％）よりも驚くほど優れていました。精度は、国（米国、カナダ、英国）、環境（Facebookや出会い系サイト）、サンプル間で顔を比較した場合でも同様でした。年齢、性別、民族をコントロールした場合でも、精度は高いままでした（69％）。顔認証が広く使われていることを考えると、我々の発見はプライバシーと市民の自由を守るために重要な意味を持っています。
前書き
顔認証の普及は、プライバシーと市民の自由の劇的な低下につながるのではないかという懸念が高まっています1。ユビキタスなCCTVカメラや、公共のソーシャルネットワークのプロフィールから国民のIDカード登録に至るまでの顔画像の巨大なデータベースにより、個人を特定し、位置情報や社会的交流を追跡することが驚くほど簡単になりました。さらに、他の多くの生体認証システムとは異なり、顔認証は被験者の同意や知識なしに使用することができます。
顔認証がもたらすリスクは、監視の浸透だけではありません。個人を識別することとは別に、アルゴリズムは個人の個人属性を識別することができ、その中には顔の外見とリンクしているものもある。人間と同様に、顔認識アルゴリズムは、性別、年齢、民族性、感情状態などを正確に推測することができます(2,3)。しかし、残念ながら、顔から推測できる個人の属性のリストは、これらのいくつかの明らかな例をはるかに超えています。
人は顔に基づいて正直さ(4)、性格(5)、知能(6)、性的指向(7)、政治的指向(8,9,10,11,12)、暴力的傾向(13)を判断できることを示す研究が増えてきている。顔に基づく判断が、安定した顔の特徴（形態学など）、一過性の顔の特徴（顔の表情、化粧、髪の毛、頭の向きなど）、あるいは顔から容易に推測できる対象者の人口統計学的特徴（年齢、性別、民族性など）によってどの程度可能であるかについては、現在も議論が続いている14。さらに、人間の判断の精度は比較的低い。例えば、保守的な顔とリベラルな顔を区別するように求められたとき、人は約55％の確率で正解する（Tskhay and Rule15で報告されているCohenのdから導き出される）が、偶然（50％）をわずかに上回る程度である。しかし、人間はいくつかの手がかりを見落としていたり、誤解していたりする可能性があるため、その精度の低さは必ずしもアルゴリズムが達成できる限界を表しているわけではない。アルゴリズムは、人間が処理できない膨大なデータセットのパターンを認識することに優れており(16,)、皮膚がんの診断[17]から顔認識[18]までの視覚的タスクから、性的指向（76％対56％）([17,19])、性格（64％対57％、ピアソンのrsから導出）(20, 21, 22)、そしてここに示すように政治的指向などの親密な属性の顔ベースの判断に至るまで、ますます人間を上回るパフォーマンスを発揮するようになってきています。(解釈と研究間の比較を容易にするために、本文中では、精度は、Wilcoxonの符号付き順位検定係数と共通言語効果量に相当する受信機動作特性曲線(AUC)の下の面積として表されています)。
方法
3カ国（米国、英国、カナダ；表1参照）からの参加者1,085,795人のサンプルと、自己申告した政治的指向、年齢、性別を使用した。参加者の顔画像（1人につき1枚）は、Facebookまたは人気のある出会い系サイトのプロフィールから取得した。これらの自己選択された自然主義的な画像は、顔の表情や自己表現から顔の形態に至るまで、政治的志向を示す多くの潜在的な手がかりを組み合わせています。我々のサンプルの民族的多様性（34万7,000人以上の白人以外の参加者を含む）、保守・自由主義スペクトラムの相対的な普遍性(23)、そしてここで使用されている一般的なタイプの顔画像は、我々の知見が他の国、文化、画像のタイプにも適用される可能性を高めています。
表1
参加者数と政治的志向、性別、年齢、民族の分布
| Dataset | 国 | 政治的思考 | 参加者数 | % 女性 | % 白人 | 年齢 | |
|---|---|---|---|---|---|---|---|
| 中央値 | IQR | ||||||
| 出会い系サイト | アメリカ | 保守派 | 463,367 | 60% | 72% | 41 | [31,53] |
| 〃 | 〃 | リベラル | 399,403 | 72% | 64% | 38 | [31,50) |
| 〃 | カナダ | 保守派 | 23,407 | 52% | 73% | 38 | [30,53] |
| 〃 | 〃 | リベラル | 43,715 | 67% | 69% | 37 | [32,50] |
| 〃 | イギリス | 保守派 | 19,604 | 52% | 78% | 39 | [31,49] |
| 〃 | 〃 | リベラル | 28,281 | 58% | 73% | 36 | [30,43) |
| フェイスブック | アメリカ | 保守派 | 40,905 | 62% | 73% | 27 | [24,35] |
| 〃 | 〃 | リベラル | 67,113 | 66% | 55% | 27 | [24,34] |
| - | - | 合計: | 1,085,795 | 65% | 68% | 37 | [29,50] |
※IQRとは、四分位間距離のことです。
引用元を見る
新たなプライバシー侵害ツールを開発するのではなく、既存のプライバシーの脅威を研究することを目的としているため、政治的指向に特化したアルゴリズムを開発するのではなく、オープンソースの顔認識アルゴリズムを使用した。その手順を図1に示します。背景や顔以外の特徴の役割を最小限に抑えるために、顔の周囲をタイトにトリミングし、224×224ピクセルにリサイズしました。VGGFace224を用いて、顔画像を顔記述子、すなわち、それらの中心的な特徴を部分化した2,048値長ベクトルに変換した。通常、顔ディスクリプタ間の類似度は、同一人物の顔を表す可能性が高いほど類似しているものを識別するために使用されます。ここでは、個人の政治的志向を識別するために、個人の顔ディスクリプタをリベラル派と保守派の平均的な顔ディスクリプタと比較しています。ディスクリプタは、自己申告の政治的志向（保守派対リベラル派）を目的とした交差検証されたロジスティック回帰モデルに入力された。ディープニューラルネットワーク分類器と、リベラル派と保守派の平均余弦類似度の単純な比率で、事実上同一の結果が得られました。詳細については、補足的な方法のセクションを参照してください。
図1
顔画像から政治的志向を予測するために使用した手順。(参加者のプライバシー保護のため、プロのモデルの写真を使用しました。参加者のインフォームドコンセントを得て公開した)
引用元を見る
結果
結果は図2に示されています（青棒）。精度は、AUC（保守的な顔とリベラルな顔のペアを区別したときの正しい推測の割合）で表されます。最大のサンプルである862,770人の米国の出会い系サイト・ユーザーでは、交差検証された分類精度は72％で、これは偶然性（50％）よりもはるかに高く、Cohenのd = 0.83、つまり大きな効果量になります（Sawilowsky25が示唆しています）。(Sawilowsky25は、効果量を解釈するために次のようなヒューリスティックな方法を提案しています：非常に小さい[d ≥ 0.01]、小さい[d ≥ 0.2]、中程度の[d ≥ 0.5]、大きい[d ≥ 0.8]、非常に大きい[d ≥ 1.2]、および巨大な[d ≥ 2]。カナダ（71％）、イギリス（70％）の出会い系サイト利用者でも同様の精度が得られた。予測可能性はオンラインの出会い系環境に限定されませんでした。米国のFacebookユーザーでは、アルゴリズムの精度は73％に達しました。アルゴリズムの精度を考慮するために、同様のタスクにおける人間の精度は55%であり、偶然をわずかに上回っています(SD = 4%; CI95% = [52%,58%])15。
図2
政治的方向性を予測する顔認識アルゴリズムの精度。 95％の信頼区間はすべて1％未満であるため、省略されています。 他の研究で報告された人間とアルゴリズムの精度は、文脈のために含まれています。
引用元を見る
さらに、表2に示すように、このアルゴリズムは国やサンプルをまたいで政治的志向を予測することに成功しました。例えば、米国の出会い系サイトのユーザーを対象とした回帰分析では、カナダ（68％）、英国（67％）、Facebookのサンプル（71％）でリベラルと保守の出会い系サイトのユーザーを区別することができました。全体的に、サンプル外の平均精度は68%であり、ここで調査したサンプルと国の間で、顔の手がかりと政治的志向との関連性に有意な重複があることを示しています。
表2
サブサンプル（行）と各サンプルで学習したモデル（列）の分類精度。95%信頼区間はすべて1%未満なので省略。
| Dataset | 学習したモデルの精度（AUC） | ||||
|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | ||
| 1 | 出会い系サイト(アメリカ) | 72% | 68% | 65% | 69% |
| 2 | 出会い系サイト(カナダ) | 68% | 71% | 63% | 65% |
| 3 | 出会い系サイト(イギリス) | 67% | 65% | 70% | 66% |
| 4 | 出会い系サイト(アメリカ) | 71% | 66% | 65% | 73% |
相互検証されたサンプル内予測精度は太字で示されています。
引用元を見る
実生活でも我々のサンプルでも、政治的志向の分類は、参加者の顔にはっきりと現れる人口統計学的特徴によってある程度可能になっている。例えば、文献26や表1で証明されているように、米国では、白人、高齢者、男性の方が保守派である可能性が高い。では、同じ年齢、性別、民族の人の顔を区別する際のアルゴリズムの精度はどうなるのだろうか？この疑問に答えるために、年齢、性別、民族が同じ人の顔のペアのみを用いて分類精度を再計算しました。
その結果を図2に示す（赤棒）。精度は平均して3.5％しか低下せず、米国のFacebookユーザーだけでなく、米国、カナダ、英国の出会い系サイトユーザーでも、それぞれ68％、68％、65％、71％に達しています。このことは、顔には年齢や性別、民族性だけではなく、政治的志向を示す多くの手がかりが含まれていることを示しています。
分類精度に影響を与えるもう一つの要因は、政治的指向の推定値の質である。ここで使用されている二項表現（すなわち、保守派対リベラル）は、文献では広く使用されていますが、イデオロギーにおける複雑な対人関係の違いの粗い推定値を提供しているにすぎません。さらに、自己申告した政治的ラベルは、参照グループ効果に悩まされます。したがって、保守的なミシシッピ出身の「リベラル」と自称する人が、リベラルなマサチューセッツに住んでいれば、自分たちは「保守的」だと考えることができます。政治的志向の推定値がより正確であった（つまり、誤差が少なかった）ならば、顔ベースのアルゴリズムの精度はもっと高かったかもしれません。その結果、絶対的な分類精度を考慮することとは別に、政治的志向を予測する別の方法で提供される分類精度と比較することは有用です。ここでは、政治的志向と密接に関連しており、政治的志向を近似するためによく使われる心理学的構成要素であるパーソナリティを使用します27。政治的志向を予測するために、確立された100項目の長さの5因子モデルの性格質問紙28のFacebookユーザーのスコアを、10倍の交差検証済みロジスティック回帰に入力しました。
図3に示された結果は、経験に対する開放性（65％）が最も高い予測力を示し、次いで良心性（54％）、その他の特徴が続いた。先行研究27と同様に、リベラル派は経験に対する開放性が高く、良心的ではなかった。5つの性格因子を組み合わせることで、66%の精度で政治的志向を予測することができ、同じサンプルで顔ベースの分類器が達成した精度(73%)よりも有意に低い結果となりました。言い換えれば、1つの顔画像は、政治的志向に関連する表向きの項目（例えば、「私はすべての人を平等に扱う」や「私は、税金がアーティストを支援するために行き過ぎていると信じている」など）を含む、かなり長い性格調査票への回答よりも、その人の政治的志向についてより多くのことを明らかにしています。
図3
Facebookユーザーの政治的志向を予測する際に、一過性の顔の特徴と性格特徴から得られる精度（他のサンプルでも同様の結果が得られている；補足表S1参照）。95%信頼区間はすべて1%未満なので省略。
引用元を見る
顔画像からの政治的志向の予測可能性が高いことから、保守派とリベラル派の顔画像には有意な違いがあることが示唆されます。サンプル外の精度が高いことから、これらの違いのいくつかは（少なくともここで使用したサンプル内では）広まっている可能性があることが示唆されている。ここでは、政治的指向と、頭のポーズ（ピッチ、ロール、ヨーヨー；図3参照）、感情表現（悲しみ、嫌悪感、怒り、驚き、恐怖を表現する確率）、眼鏡（眼鏡やサングラスをかけている）、顔の髪の毛など、解釈可能な顔の特徴の範囲との間の相関を調べました。これらの特徴を顔画像から抽出し、10倍交差検証ロジスティック回帰に入力して、政治的志向を予測した。
図3に示した結果は、Facebookユーザーを対象としたものである（他のサンプルでも同様の結果が得られている；補足表S1参照）。予測力が最も高かったのは頭の向き（58％）、次いで感情表現（57％）であった。自由主義者はカメラに直視する傾向が強く、驚きを表現する傾向が強く、嫌悪感を表現する傾向は少なかった。顔の髪の毛と眼鏡は、政治的指向を予測する精度は低い（51-52％）。組み合わせた場合でも、解釈可能な顔の特徴はわずか59％の精度で、同じサンプルの顔認識アルゴリズム（73％）よりもはるかに低く、後者はここで抽出されたものよりも多くの特徴を使用していることを示しています。顔の髪の毛、身だしなみ、顔の表情、頭の向きを制御しながら、標準化された設定で撮影された画像から抽出された顔特徴と政治的指向との関連を調べることで、より詳細な画像を得ることができます。
議論
顔の画像から個人の属性を予測するアルゴリズムの能力があれば、機械が年齢や感情状態を識別し、それに応じて行動を調整できるようになるため、人間と技術の相互作用が改善される可能性がある。しかし、同じアルゴリズムでも、性的指向(7)、性格(20)、あるいはここで示すように、政治的指向など、はるかにデリケートな属性を正確に予測することができる。さらに、他の多くのデジタル足跡が政治的志向やその他の親密な特徴を明らかにしている(29,30,31,32,33,34)が、顔は対人関係とデジタル記録の両方で隠すのが特に難しい。顔の画像は、法執行機関の職員が簡単に（そして密かに）撮影したり、ソーシャル・ネットワーク、デート・プラットフォーム、写真共有ウェブサイト、政府のデータベースなどのデジタルまたは従来のアーカイブから入手したりすることができる。例えば、FacebookやLinkedInのプロフィール写真はデフォルトで公開されており、本人の同意や知識がなくても誰でもアクセスできるようになっています。このように、顔認識技術がもたらすプライバシーの脅威は、多くの点で前例のないものである。
顔画像からの政治的指向の予測可能性は、必ずしもリベラル派と保守派が生まれつき異なる顔をしていることを意味するものではない。本研究では、顔の表情や頭のポーズ、顔の髪の毛、眼鏡は政治的志向と特に強く関連していませんでしたが、これらの特徴やその他の一過性の特徴について、より幅広い範囲のより質の高い推定値を用いることで、政治的志向の予測可能性を十分に説明できる可能性があります。しかし、プライバシー保護の観点からは、生来の顔の特徴と一過性の顔の特徴の区別は比較的重要ではない。一過性の顔の特徴のうち、どの一過性の顔の特徴が自分の政治的志向を明らかにしているかを正確に知っていたとしても、顔の表情や頭の向きを一貫して変えることは困難であろう。さらに、アルゴリズムは他の特徴から関連する情報を抽出する方法をすぐに学習してしまうだろう。
ここで報告されている精度が懸念されるほど高いかどうかを疑う人もいるかもしれません。しかし、我々の推定値は、可能性の上限を示すものではないだろう。一人あたり複数の画像を使用したり、より高解像度の画像を使用したり、政治的指向に特化したカスタムニューラルネットワークを訓練したり、髪型や服装、頭につけるもの、画像の背景など、顔以外の手がかりを含めることで、より高い精度が得られる可能性がある。さらに、コンピュータビジョンと人工知能の進歩は、いつでもすぐに減速することはないでしょう。最後に、選挙のような利害関係の高い場面では、わずかな精度の予測であっても、大規模な人口に適用することで、大きな影響を与えることができます。例えば、聴衆の心理的特徴を粗く見積もっただけでも、大衆説得の効率を大幅に向上させることができる(35)。学者、政策立案者、技術者、市民が注目してくれることを願っています。
補足
本研究は、スタンフォード大学のIRBによって審査され、承認されています。すべての方法は、関連するガイドラインおよび規則に基づいて実施されました。事前登録書類は、https://osf.io/y5wr9 、著者のノートはhttps://bit.ly/kosinski1 にあります。
出会い系サイトのサンプル
出会い系サイトサンプルは、2017年に人気の出会い系サイトが提供したものです。そこには、97万7,777人のユーザーがアップロードしたプロフィール画像、その場所（国）、自己申告した政治的志向、性別、年齢が含まれています。
政治的志向は、複数選択式の項目を用いて測定した。非常に保守的」（7％）または「保守的」（20％）を選択した人は保守的、「非常にリベラル」（7％）または「リベラル」（16％）を選択した人はリベラルとした。グリーン」(1%)、「リバタリアン」(2%)、「その他」(5%)、「中心主義」(17%)、「わからない」(26%)はこのサンプルには含まれていません。(これらの回答の選択肢は、データソースの識別を保護するために、少し変更した形で報告されています)。
人々は似たような政治的志向を持つパートナーを好む(36)ことを考えると、出会い系サイトの文脈で自分の意見を不正確に伝えるインセンティブはほとんどないはずです。この変数の妥当性は、政治的志向分類器の高い精度と高い外部妥当性によっても裏付けられています。
Facebookのサンプル
Facebookのサンプルには、2007年から2012年までの間にオンライン性格調査で募集した米国のFacebookユーザー108,018人の公開プロフィール画像、年齢、性別、政治的指向、性格スコアが含まれています。参加者は、スコアのフィードバックによって報酬を得て、データが記録され研究に使用されることにインフォームドコンセントを提供した。
参加者の性格は、100項目のInternational Personality Item Pool (IPIP)の5因子モデルを用いて測定された(28)。尺度のクロンバッハのα信頼度は、開放性、良心性、外向性、同意性、および神経症について、それぞれ84、0.92、0.93、0.88、および0.93であった。開放性を測定する2つの項目は、参加者の政治的志向を測定するために使用されたため、採点から除外された（下記参照）。
参加者の政治的志向は、「政治的見解」のプロフィール欄とIPIP性格調査票の2つの項目を用いて設定した。"私はリベラルな政治家に投票する傾向がある」と「私は保守的な政治家に投票する傾向がある」の2つの項目を用いて、参加者の政治的志向を調べました。保守的とするためには、参加者は「共和党」（10％）、「保守的」（12％）、「非常に保守的」（2％）と自己申告する必要があり、前者の項目については「そう思わない」（11％）または「強く思わない」（9％）、後者の項目については「そう思う」（10％）または「強く思う」（12％）と回答した。リベラルと分類するためには、参加者は「民主主義者」（15％）、「リベラル」（15％）、「非常にリベラル」（5％）と自己表現する必要があり、最初のIPIP項目については同意（16％）または強く同意（26％）し、後者については同意しない（20％）または強く同意しない（17％）とした。これらの基準を満たさない参加者は、このサンプルには含まれていません。
顔画像
顔画像は、Face++(37)を用いて顔検出のための処理を行った。画像は、Face++が提供する顔ボックス（図1の赤枠）を中心にトリミングされ、224×224ピクセルにリサイズされました。複数の顔を持つ画像や、顔ボックスが70ピクセルよりも狭い画像はサンプルに含まれていません。
さらに、Face++を用いて、参加者の年齢、性別、民族性（白人、黒人、東アジア人、インド人）、頭の向き（ピッチ、ロール、ヨー、図3参照）、感情表現（悲しみ、嫌悪感、怒り、驚き、恐怖を表現する確率）、メガネやサングラスの有無を特定した。これらの推定の精度は良好であった。予測された年齢と自己申告した年齢は、R = 0.65レベルで相関した（p < 0.001；二乗平均平方根誤差は3年に等しい）。予測された性別と自己申告の性別は96％の参加者で一致した。Face++と仮説盲検の研究アシスタントによって推定された民族性は、Facebookサンプルのサブセットである27,023人の顔画像の88％で一致しました。2人の仮説盲検のリサーチアシスタントが、Facebookサンプルの300枚の画像のサブセットに、顔の表情と頭のポーズを推定してラベル付けを行いました。彼らの平均順位とFace++の推定値との間の相関は、平均でr = 0.72でした（補足表S2参照）。
分類アルゴリズム
分類には、ResNet-50アーキテクチャのVGGFace2モデルを用いて顔画像から得られたL2正規化された顔記述子を用いた(24)。リベラルな人と保守的な人の顔に対する顔の相対的な類似度を測定するために、3つのアプローチをテストしました。
コサイン類似度比。各顔について、リベラルな顔との平均コサイン類似度と保守的な顔との平均コサイン類似度の比を取った。
ロジスティック回帰。顔の記述子は、自由主義者と保守主義者を区別することを目的としたLASSOロジスティック回帰(38)に入力された。予測は、与えられた参加者を見たことがない分類器によって行われるように、30倍のクロスバリデーションを使用しました。パラメータαは1に設定した；パラメータδは、10倍クロスバリデーションを用いて、各訓練セット内で別々に適合させた。
ニューラルネットワーク。顔の記述子は、リベラルとコンサバを分類することを目的とした30倍クロスバリデーションされたディープ・ニューラル・ネットワークに入力された。我々はいくつかのネットワーク・アーキテクチャをテストしたが、精度は以前の2つのはるかに単純なアプローチによって提供されたものを大幅に上回ることはなかった。
3つの方法がすべて同様の分類精度をもたらしたことから、我々はLASSOロジスティック回帰を採用することにしました。LASSOロジスティック回帰は計算効率が高く、社会科学者の間ではよく知られています。
分類精度
分類精度はAUCで表される。図2の赤いバーは、同一年齢（＋/-1年）、性別、民族の保守的・自由的な顔のペアで推定した精度を示す。これらの特徴については、すべての顔について利用可能であったため、Face++の推定値を採用した。研究助手が作成した民族性ラベルと自己申告の年齢と性別を用いても、同様の精度（71％）が得られました（民族性ラベルは、Facebookサンプルの27,023枚の画像のサブセットで利用可能でした）。
顔の毛の分類器
VGGFace2顔記述子を用いて顔毛分類器を構築した。仮説盲検の研究助手が、Facebookサンプルから男性の顔画像10,000枚に顔の毛の有無（二項対立変数）をラベル付けしました。第2の仮説盲検の研究助手が、これらの画像のうち2,000枚のサブセットにラベルを付けました。評価者間の一致率は95%でした。顔の59%に顔の毛が存在していました。
これらの手動ラベルはLASSOロジスティック回帰(38)を訓練するために使用され、顔記述子を使用して、与えられた顔に顔の毛が含まれる確率を推定しました。パラメータαは1に設定され、パラメータδは10倍クロスバリデーションを用いて適合された。トレーニングサンプルの10倍クロスバリデーションによる分類精度は、AUC = 96%に等しかった。
データの利用可能性
データセット（実際の画像を除く）と結果の計算に使用したコードは https://osf.io/c58d3/ から入手できます。
参考文献
1. サントウ、E. AIユートピアからの出現。サイエンス 368, 9-9 (2020).
ADS | CAS | 論文 | Google Scholar
2. 顔を理解するためのディープラーニング：機械は人間と同じくらい、あるいは人間よりも優れているかもしれない。IEEE Signal Process. Mag. 35, 66–83 (2018).
ADS | 論文 | Google Scholar
3. このような状況下では、「顔の表情」「価 値」「覚醒度」「覚醒度」の計算を行うためのデータベースが必要となります。このような研究は、研究者の研究成果を反映したものであると考えられる。このように、顔の表情の変化に応じて、顔の表情を変化させることができる。Comput. 10, 18–31 (2019).
論文 | Google Scholar
4. Bond, C. F. Jr., Berry, D. S. & Omar, A. The Kernel of truth in judgments of deceptiveness. 基本的な Appl. Soc. Psychol. 15, 523–534 (1994).
論文 | Google Scholar
5. Wolffhechel, K. et al. 外見の解釈：顔の特徴が第一印象や性格に与える影響。PLoS ONE 9, e107721 (2014).
ADS | 論文 | Google Scholar
6. ゼブロウィッツ、L.A.、ホール、J.A.、マーフィー、N.A.とローズ、G.スマートに見えると良い見て：知性とその起源への顔の合図。個人的な。Soc. Psychol. 牡牛座. 28, 238–249 (2002).
論文 | Google Scholar
7. このような研究は、顔画像からの性的指向の検出において、ディープニューラルネットワークの方が人間よりも高精度であることを示している。J. Pers. Soc. Psychol. 114, 246–257 (2018).
論文 | Google Scholar
8. Rule, N. O. & Ambady, N. 民主党員と共和党員は顔で区別できる。PLoS ONE 5, e8733 (2010).
CAS | 論文 | Google Scholar
9. Samochowiec、J.、Wänke、M. & Fiedler、K.額面通りの政治的イデオロギー。Soc. Psychol. 個人的な。Sci. 1, 206-213 (2010).
論文 | Google Scholar
10. Jahoda, G. 他者の政治的態度と判断. J. Abnorm. Soc. Psychol. 49, 330–334 (1954).
CAS | 論文 | Google Scholar
11. 共和党員は共和党的なリーダーを好む：政治的な顔のステレオタイプは、右寄りの有権者の間で候補者の選挙の成功を予測する。Soc. Psychol. Personal. Sci. 3, 605-613 (2012).
論文 | Google Scholar
12. また、「顔の色」の違いは、「顔の色」の違いではなく、「顔の色」の違いであることを示している。このような研究は、政治家の政治家としての立場と政治家としての立場の違いを明らかにすることを目的としています。49, 156–160 (2013).
論文 | Google Scholar
13. 暴力の薄いスライス：一目で暴力的な性犯罪者と非暴力的な性犯罪者を区別する。暴力的な性犯罪者と非暴力的な性犯罪者を一目で見分ける。Behav. 31, 298–303 (2010).
論文 | Google Scholar
14. トドロフ、A.オリヴォラ、C.Y.、ドッチ、R. &メンデ-シエデルッキ、P.顔から社会的属性：決定要因、結果、精度、および機能的意義。Annu. Rev. Psychol. 66, 519–545 (2015).
論文 | Google Scholar
15. Tskhay, K. O. & Rule, N. O. 知覚的に曖昧なグループを分類する際の精度。個人的な。Soc. Psychol. Rev. 17, 72-86 (2013).
論文 | Google Scholar
16. Lecun, Y., Bengio, Y., & Hinton, G. ディープラーニング. Nature 521, 436-444 (2015).
ADS | CAS | 論文 | Google Scholar
17. Esteva, A. et al. 深層ニューラルネットワークを用いた皮膚がんの皮膚科医レベルの分類。Nature 542, 115-118 (2017).
ADS | CAS | 論文 | Google Scholar
18. LFW上での人間レベルの顔認証性能をGaussianFaceで凌駕する．第29回AAAI研究会講演論文集. 検定試験の結果を基にして、顔認証性能を向上させた。検定試験を実施しています。3811–3819 (2014).
19. Leuner, J. A Replication Study. 機械学習モデルは顔画像から性的指向を予測できる. CoRR abs/1902.1 (2019).
20. このような研究では、顔面画像を用いて、顔の特徴を評価することで、顔面の特徴を評価することが可能となり、顔面の特徴を評価することで、顔面の特徴を評価することが可能となる。このように、本研究では、顔面画像を用いて性格の特徴を評価することを目的としています。
ADS | CAS | 論文 | Google Scholar
21. セガリン、C.ら. What your Facebook Profile Picture Reveals about your Personality. 2017年ACM Multimed. Conf. - MM '17 460-468 (2017).
https://doi.org/10.1145/3123266.3123331.
22. ペントン-Voak、I.S.、パウンド、N.、リトル、A.C. & Perrett、D.I. 自然と合成顔画像からの性格判断：社会的知覚における「真実のカーネル」のためのより多くの証拠。このように、顔画像を用いた社会的知覚における「真実のカーネル」のより多くの証拠が得られる。24, 607–640 (2006).
論文 | Google Scholar
23. タシュマン、A. 私たちの政治性：私たちを分断するものの進化的起源（プロメテウス、ニューヨーク、2019年）。
Google Scholar
24. Cao, Q., Shen, L., Xie, W., Parkhi, O. M. & Zisserman, A. VGGFace2. A Dataset for Recognising Faces across Pose and Age. in 2018 13th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2018) 67-74 (IEEE, 2018). https://doi.org/10.1109/FG.2018.00020.
25. Sawilowsky, S.S.S. 新しい効果量の経験則。J. Mod. Appl.Stat. 方法 8, 597-599 (2009).
論文 | Google Scholar
26. ピュー・リサーチ・センター。広範なジェンダーギャップ、有権者の政党識別における教育格差の拡大（2018年）。
27. 脅威と政治的志向：脅威制約モデルのメタアナリシスとテスト。このような研究は、その研究成果を活用しています。46, 664–677 (2012).
論文 | Google Scholar
28. 国際的なパーソナリティ項目プールと公共領域のパーソナリティ測定の将来。J. Res. 40, 84–96 (2006).
論文 | Google Scholar
29. このような研究では、人間の行動のデジタル記録から個人的な形質や属性を予測することができる。このような研究は、人間の行動をデジタルで記録したものから予測することができます。このような研究を行っています。このような研究は、人間の行動をデジタル化することで、人間の行動をデジタル化することを可能にしています。
ADS | CAS | 論文 | Google Scholar
30. コンピュータベースの性格判断は人間が行うものよりも正確である。予測されていることは、人間の性格判断よりも正確であることを示している。Natl. Acad. Sci. 112, 1036-1040 (2015).
ADS | CAS | 論文 | Google Scholar
31. ソーシャルメディア言語を利用した自動性格評価 J. Personal. Soc. Psychol. 108, 934–952 (2014).
論文 | Google Scholar
32. Quercia, D. Kosinski, M. Stillwell, D. & Crowcroft, J. Our Twitter Profiles, Our Selves. ツイッターを使った性格の予測. このように、このような研究は、研究者にとっては非常に重要なものです。プライバシー、セキュリティ、リスク信頼 このように、このような研究は、「プライバシー、安全性、信頼性」の観点からも重要な意味を持っています。Soc. Comput. 180–185 (2011). https://doi.org/10.1109/PASSAT/SocialCom.2011.26.
- 検索ユーザーの人口動態を推定する。第22回国際学術講演会講演論文集（第22回）。討論会の様子。World Wide Web - WWW '13 131-140 (2013). https://doi.org/10.1145/2488388.2488401.
34. Kosinski、M、Bachrach、Y、コリ、P、Stillwell、D.J.＆Graepel、T.オンラインソーシャルネットワーク上でのウェブサイトの選択と行動におけるユーザーの人格のマニフェスト。マッハ。学ぶ。95, 357–380 (2014).
MathSciNet | 論文 | Google Scholar
35. このように、この研究では、デジタルマス説得への効果的なアプローチとしての心理的ターゲティングを行っています。このように、この研究では、このような問題を解決するための方法を提案します。米国国立科学アカデミー紀要。Sci. 114, 12714-12719 (2017).
CAS | 論文 | Google Scholar
36. フーバー、G.A. & Malhotra、N. 社会的関係における政治的な同性愛：オンライン・デート行動からの証拠。J. Polit. 79, 269–283 (2017).
論文 | Google Scholar
37. Face++. AI Open Platform. www.faceplusplus.com (2020)。
38. また、このような研究は、研究者の研究成果の一つであると考えられている。確率統計学研究会論文集（R. R. Stat. Soc. B Stat. 確率論の研究では、そのような研究者はいません。73, 273–282 (2011).
MathSciNet | 論文 | Google Scholar
著者情報
所属
スタンフォード大学、スタンフォード、カリフォルニア州スタンフォード、94305、米国
ミハエル・コシンスキー
貢献
ミハエル・コシンスキーが調査を行い、原稿を執筆しました。
対応する著者
ミハエル・コシンスキーへ問い合わせ
倫理宣言
競合他社との利害関係
著者は、競合する利害関係を宣言していません。
追加情報
発行者注
Springer Natureは、出版された地図や機関の所属機関における管轄権の主張に関しては中立的な立場を維持しています。
補足情報
権利と許可
オープンアクセス この記事はクリエイティブ・コモンズ表示4.0国際ライセンスの下でライセンスされており、原著者とソースに適切なクレジットを与え、クリエイティブ・コモンズライセンスへのリンクを提供し、変更があったかどうかを示す限り、いかなる媒体または形式での使用、共有、翻案、配布、複製を許可します。この記事に掲載されている画像やその他の第三者の素材は、素材へのクレジットラインに別段の記載がない限り、記事のクリエイティブ・コモンズ・ライセンスに含まれています。素材が記事のクリエイティブ・コモンズ・ライセンスに含まれておらず、あなたの意図する使用が法的規制によって許可されていない場合、または許可された使用を超えている場合は、著作権者から直接許可を得る必要があります。このライセンスのコピーを見るには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。
この記事について
(CrossMarkで通貨と真正性を検証)
この記事を引用する
顔認識技術は自然主義的な顔画像から政治的指向を暴くことができる。Sci Rep 11, 100 (2021). https://doi.org/10.1038/s41598-020-79310-1.
受取日2020年09月02日
承認日2020年12月7日
公開日2021年1月11日
DOI(自動読取指数)
https://doi.org/10.1038/s41598-020-79310-1
この記事をシェアする
以下のリンクをシェアすると、誰でもこの内容を読むことができます。
共有可能なリンクを取得する
コンテンツ共有イニシアチブ「Springer Nature SharedIt」によって提供されています。
対象者
コンピュータサイエンス 情報技術 心理学
翻訳元