S+和S-分别倾向于褒义和贬义的标签,且在女性的支配力、可信赖度、单纯程度等内在个性上有不同程度的暗示,本文简单将这两组称为“褒义组”和“贬义组”.
然后,所有搜索结果又由中国男性研究生进行了人工排查,去掉一些由于复杂语义造成的错误搜索结果,比如有些照片带有反讽性质的标签。
研究团队最后得到了共3954张中国美女照片,其中“褒义组”2000张,“贬义组”1954张。
由于受访的研究生们无法指出他们做出判断的细节依据,武筱林团队采用了深度卷积神经网络(CNN)进行研究。在实验中,他们用数据集中的80%进行训练,10%用于验证,剩余10%进行测试。
实验的结果是,经过训练的机器鉴别“褒义组”和“贬义组”的准确率达到了80%.
接着,由于受访男性研究生普遍认为“贬义组”的照片“不自然”,研究者怀疑影响男性做出审美判断的重要依据是女性的化妆程度。但这个猜测很快被实验推翻了。当把所有照片调成灰阶图,重复上面的过程后,CNN分类器的识别准确率只下降了6%.
此外,浓妆还可能造成面部色彩的对比度和饱和度变高。这点得到了数据分析的证实。“褒义组”的色彩对比度比“贬义组”平均低了14%,饱和度平均低了5%.此外,“贬义组”照片在色彩对比度和饱和度上差异性更大。这与中国传统推崇的“自然美”一致。研究者猜测,这种色彩对比度和饱和度上的差异是机器做出判断的重要依据之一。