Покажи аватарку — и я назову твою зарплату: ИИ научился предсказывать карьеру прямо по вашему лицу
NewsMakerКажется, мы нашли причину, почему вам не перезванивают после собеседования.
Исследователи проверили, можно ли по обычной фотографии лица автоматически оценить черты характера и связать их с карьерными результатами человека. Для работы они взяли крупную выборку портретов выпускников программ MBA из LinkedIn и пропустили снимки через модель машинного обучения, которая выдает показатели по психологической шкале «Большой пятерки». Речь идет об открытости опыту, добросовестности, экстраверсии, доброжелательности и нейротизме. Эти параметры давно используют в прикладной психологии и кадровой оценке.
Авторы сразу оговаривают ограничение такого подхода. По их мнению, попытка выводить личностные свойства по внешности по своей природе приводит к дискриминации . Они не предлагают применять такую технику в реальном отборе кандидатов. При этом команда указывает на другую сторону вопроса. Оценка характера уже давно используется приемными комиссиями и HR службами, а цифровые сервисы с автоматическим разбором интервью и тестов быстро выходят на рынок. Поэтому, как считают исследователи, академическая проверка подобных инструментов все равно нужна, иначе обсуждать регулирование будет просто нечего.
В основе анализа лежит алгоритм, описанный в научной публикации 2020 года. Там разработчики сопоставили особенности лиц на статичных фотографиях с результатами самоотчетов участников психологических опросов. В новой работе подчеркивается важная деталь. Модель пытается предсказать не то, какое впечатление человек производит на окружающих, а те ответы о собственном характере, которые он давал в анкетах. То есть система обучалась на связи между визуальными признаками и самооценкой, а не на субъективных суждениях наблюдателей.
Метод, на который опирались авторы, уже подвергался жесткой критике со стороны других ученых. В статье 2024 года его и ряд похожих направлений назвали примером псевдонаучных идей, которые получили вторую жизнь благодаря машинному обучению. Суть претензий сводится к тому, что статистическая обработка не делает сомнительные исходные гипотезы надежными. Несмотря на такую репутацию, исследователи решили проверить, даст ли модель измеримый результат на большой базе реальных профилей.
Исследователи проверили, можно ли по обычной фотографии лица автоматически оценить черты характера и связать их с карьерными результатами человека. Для работы они взяли крупную выборку портретов выпускников программ MBA из LinkedIn и пропустили снимки через модель машинного обучения, которая выдает показатели по психологической шкале «Большой пятерки». Речь идет об открытости опыту, добросовестности, экстраверсии, доброжелательности и нейротизме. Эти параметры давно используют в прикладной психологии и кадровой оценке.
Авторы сразу оговаривают ограничение такого подхода. По их мнению, попытка выводить личностные свойства по внешности по своей природе приводит к дискриминации . Они не предлагают применять такую технику в реальном отборе кандидатов. При этом команда указывает на другую сторону вопроса. Оценка характера уже давно используется приемными комиссиями и HR службами, а цифровые сервисы с автоматическим разбором интервью и тестов быстро выходят на рынок. Поэтому, как считают исследователи, академическая проверка подобных инструментов все равно нужна, иначе обсуждать регулирование будет просто нечего.
В основе анализа лежит алгоритм, описанный в научной публикации 2020 года. Там разработчики сопоставили особенности лиц на статичных фотографиях с результатами самоотчетов участников психологических опросов. В новой работе подчеркивается важная деталь. Модель пытается предсказать не то, какое впечатление человек производит на окружающих, а те ответы о собственном характере, которые он давал в анкетах. То есть система обучалась на связи между визуальными признаками и самооценкой, а не на субъективных суждениях наблюдателей.
Метод, на который опирались авторы, уже подвергался жесткой критике со стороны других ученых. В статье 2024 года его и ряд похожих направлений назвали примером псевдонаучных идей, которые получили вторую жизнь благодаря машинному обучению. Суть претензий сводится к тому, что статистическая обработка не делает сомнительные исходные гипотезы надежными. Несмотря на такую репутацию, исследователи решили проверить, даст ли модель измеримый результат на большой базе реальных профилей.