审美分歧不只是程度不同:同一批画换一群评分者,与人群相反的权重尾部明显缩小
核心概要
人们对面孔、照片和艺术品的判断差异,过去只被当作方差大小来测量。研究把三种可能的差异形状写成嵌套生成模型,用十个公开数据集约两万名评分者做留人预测:面孔判断只需对共享维度做同号加权,艺术品判断的权重则沿抽象—具象方向连续铺开,尾部越过人群共识。同一批画换一群评分者后,个体化增益和反向权重指标都明显变小,说明尾部大小属于评分者样本而非作品本身。
深度剖析
判断中的个体差异除了大小,还有形状:面孔判断的差异只是各人对共享评价维度赋予不同权重,而艺术品判断的差异还包括一部分人的权重方向与人群相反。 此前研究用方差分解和双生子设计量化个体差异占多大比例,机器学习模型则只报告评分能被预测得多准,都没有比较差异以何种形式存在。 在十个公开数据集、约两万名评分者上,模型只用每人10–20次判断估计其潜在表示,再预测此人在训练中未出现过的刺激上的判断;面孔数据在排列、评分和三选一任务上都停在同号加权这一层。
模型把每个人压缩成一个低维潜在表示,由编码器从少量判断中推断,再由解码器生成此人的判断函数,四个嵌套层级依次允许无个体差异、同号加权、线性变换和刺激特异偏移。 INDSCAL与IDIOSCAL早已提出加权和线性变换两种形状,但需要每人完整的相似性矩阵,只能在几十人样本上按拟合优度比较。 在Xu等人的面孔排列数据中,留出试验的Spearman相关从人群基线的0.295升到同号加权模型的0.338,超过该参与者自身估计试验的分半信度0.309;在London Set上,用20个评分把其余面孔的Pearson相关从0.590提高到0.622。
艺术品上的反向尾部是连续分布的一端,而不是一个离散的少数群体。 模型比较本身无法判断是否存在反向权重,因为学习基底的加权模型可以把部分反向吸收掉。 在LAPIS的553名评分者中,权重沿第一变异轴呈单峰分布,该轴解释64%的评分者间方差;人群权重距零点仅0.62个标准差,28%的评分者落在与人群相反的一侧,9.6%的权重与人群余弦为负。
启示与展望
结论建立在十个公开数据集的再分析上,覆盖面孔排列、面孔吸引力评分、面孔相似性三选一、艺术品与照片审美评分、笑话趣味评分和气味愉悦度评分;每人只需10–20次判断即可估计潜在表示,并可外推到未参与训练的刺激。作者明确说明这是对已有公开数据的再分析,而非预注册的验证性实验。
作者指出,假设层级是在分析第一个数据集之后才确定的,艺术品的结构解释也是在看到结果之后形成,模拟对照和第二个评分者样本检验了该解释但不能替代预注册。LAPIS中9.6%的负余弦和对应的约束损失不应被当作人群常数,因为同一批画在XPASS-Vis中负余弦为3.1%、约束损失也更小。两个照片数据集的结果出现分歧,其原因无法从现有数据判定;面孔之外,艺术品证据只来自一个数据集加一个额外评分者样本。
