Évaluation des traits de personnalité des Big Five avec des images faciales statiques de la vie réelle

Liste des titres des chapitres clés

1. Contexte de la recherche et fondements théoriques
2. Objectifs de la recherche et hypothèses
3. Échantillon et procédure de recherche
4. Approbation éthique
5. Sélection des données
6. Outils de mesure des Big Five
7. Sélection et prétraitement des images
8. Architecture du réseau neuronal
9. Résultats de la recherche
10. Discussion
11. Limites de l'étude
12. Déclaration sur la disponibilité des données

Présentation du document

De nombreuses études ont confirmé que les caractéristiques morphologiques et les indices sociaux du visage humain peuvent transmettre des signaux liés à la personnalité et au comportement. Bien que des recherches antérieures aient exploré le lien entre les images faciales synthétiques et les attributions de traits de personnalité, les études systématiques visant à prédire l'ensemble des cinq grands traits de personnalité à partir d'images faciales statiques de la vie réelle, pour les deux sexes, restent à perfectionner. Les recherches existantes présentent des problèmes tels que de petits échantillons, des différences méthodologiques importantes et une cohérence insuffisante des résultats. L'objectif central de cette étude est de combler cette lacune et de vérifier la faisabilité d'extraire des indices de personnalité à partir d'images faciales statiques à l'aide d'algorithmes d'apprentissage automatique.

L'étude a utilisé 31 367 images faciales réelles fournies par 12 447 volontaires anonymes. Tous les participants ont complété une mesure auto-rapportée des cinq grands traits de personnalité. Pour assurer la qualité des données, l'étude a exclu les questionnaires non valides, les images de faible qualité et les contenus falsifiés via un filtrage en plusieurs étapes. L'ensemble de données final a été divisé selon un ratio de 9:1 en un ensemble d'entraînement et un ensemble de test, utilisés respectivement pour l'entraînement et la validation du modèle. Compte tenu du dimorphisme sexuel des caractéristiques faciales et de certains traits de personnalité, tous les modèles de prédiction ont été entraînés et validés séparément pour les hommes et les femmes.

L'étude a adopté une architecture algorithmique à deux couches d'apprentissage automatique : premièrement, la construction d'un réseau neuronal de vision par ordinateur (NNCV) basé sur l'architecture ResNet pour extraire un vecteur de caractéristiques invariantes de 128 dimensions des images faciales statiques ; ensuite, l'entraînement d'un réseau neuronal de diagnostic de la personnalité (NNPD) utilisant ce vecteur de caractéristiques comme entrée pour prédire les scores des cinq grands traits de personnalité. Le traitement des données a strictement suivi la Déclaration d'Helsinki, a été approuvé par le comité d'éthique de la recherche de l'Université ouverte des sciences humaines et économiques, et tous les participants ont signé un formulaire de consentement éclairé.

Les découvertes clés de l'étude montrent que les prédictions des réseaux neuronaux artificiels pour les cinq grands traits de personnalité présentent une corrélation statistiquement significative avec les scores auto-rapportés, avec une taille d'effet moyenne de 0.243, dépassant les résultats des études précédentes utilisant des selfies. Parmi les traits, la conscience professionnelle a montré la corrélation de prédiction la plus élevée (hommes 0.360, femmes 0.335), tandis que l'ouverture à l'expérience a montré la précision de prédiction la plus faible. La prédiction de l'extraversion et du névrosisme était significativement meilleure pour les femmes que pour les hommes. L'analyse des corrélations inter-traits a indiqué que la structure de corrélation des scores prédits diffère partiellement de celle des échelles auto-rapportées, suggérant que le facteur général de personnalité (GFP) pourrait avoir une base biologique.

Cette étude confirme que même les images de la vie réelle prises dans des conditions non contrôlées peuvent être utilisées pour prédire efficacement les traits de personnalité via des algorithmes complexes de vision par ordinateur. Son avantage méthodologique réside dans le fait qu'elle ne nécessite pas de scanners 3D ou de marqueurs faciaux de haute précision, et peut être réalisée avec un simple ordinateur de bureau. Les résultats fournissent non seulement un nouveau support empirique pour l'association visage-personnalité, mais ouvrent également des scénarios d'application potentiels pour l'évaluation rapide de la personnalité, pouvant aider dans des domaines tels que l'appariement de produits et services, l'appariement dans les interactions interpersonnelles et la personnalisation de l'interaction homme-machine.

Il est important de noter que l'échantillon de cette étude était principalement composé d'adultes caucasiens russophones, présentant des limites géographiques et culturelles. De plus, des indices supplémentaires présents dans les images faciales réelles, tels que le maquillage ou l'angle de prise de vue, peuvent influencer les résultats de prédiction. Les recherches futures devront élargir la diversité des échantillons et mieux distinguer le rôle des caractéristiques morphologiques faciales de celui des autres indices présents dans l'image.