Lo que comenzó como una cena informal entre dos investigadores muy diferentes en 2016:uno, un científico de datos e ingeniero, el otro, experto en modelos económicos, se ha convertido desde entonces en un artículo de revista que cuantifica los efectos de la "prima de belleza, “La noción de que quienes son más atractivos físicamente tienden a tener mayores ingresos.

El ingeniero del equipo de investigación es Stephen Baek, profesor asociado de ciencia de datos en la Universidad de Virginia, mientras que el econométrico es Suyong Song, profesor asociado de economía y finanzas en la Universidad de Iowa. Hace cinco años, los dos encontraron que sus intereses de investigación se superponían más de lo que inicialmente se dieron cuenta, provocando que una idea inesperada se encienda.

Baek comenzó su colaboración con Song como investigador en Iowa antes de unirse a la facultad de UVA School of Data Science en agosto de 2021. En su trabajo anterior, Baek analizó y modeló las formas del cuerpo humano para aplicaciones de ingeniería como el diseño de productos, moda virtual, diseño de prendas y ergonomía. Canción, por otra parte, aportó experiencia en el estudio de modelos económicos que adolecen de errores de medición y notificación.

En comparación con publicaciones anteriores sobre la prima de belleza, Los métodos de investigación de Baek y Song son novedosos, debido a la naturaleza de su conjunto de datos, procedente del proyecto 2002 Civilian American and European Surface Anthropometry Resource, o CÉSAR. Además de las medidas de peso y altura autoinformadas, que se han utilizado en estudios anteriores, el proyecto también recopiló datos escaneados corporales en 3D, amplia información sobre ingresos demográficos y familiares, así como medidas corporales de cinta métrica y calibre de casi 2, 400 civiles. Con estos datos, los dos investigadores podrían proporcionar una historia más rica de la apariencia física y las variables socioeconómicas.

"El problema con los trabajos anteriores era que la gente simplificaba demasiado los parámetros para describir la forma del cuerpo, ", Dijo Baek." Los procesos tradicionales para determinar la apariencia física, como la estatura, peso e IMC, son procesos imperfectos, y por lo tanto no es capaz de capturar todas las dimensiones de la forma del cuerpo humano ".

Mediante un novedoso algoritmo de aprendizaje automático denominado "codificador automático gráfico" o "aprendizaje automático profundo, "Los escaneos 3D se ingresaron para codificar las características geométricas de la forma del cuerpo humano. Después de que la máquina se introdujo en miles de escaneos individuales, el algoritmo redujo la dimensionalidad de los datos, desde unos pocos cientos de miles de puntos hasta unas pocas características importantes, caracterizando cada forma del cuerpo humano utilizando valores numéricos. Luego, Baek y Song visualizaron las características para determinar a qué partes del cuerpo hacía referencia el algoritmo y estimaron sus relaciones con las variables socioeconómicas. Usando este enfoque científico, se podrían cuantificar los efectos causales de la apariencia física.

Para submuestras masculinas y femeninas, la estatura y la obesidad eran características importantes, mientras que la relación cadera-cintura era una característica adicional única en la apariencia física de las mujeres. Los resultados empíricos encontraron que una mayor estatura en los hombres se correlacionó con un mayor ingreso familiar, mientras que una mayor obesidad en las mujeres se correlacionó con menores ingresos familiares.

Además de sus hallazgos sobre la prima de belleza, La experiencia de Song en modelos económicos agregó otra capa a sus hallazgos:el papel negativo que juegan los errores de medición y encuestas en los estudios que utilizan mediciones corporales. Según sus cálculos, que fueron posibles por el hecho de que los datos de 2002 también incluían medidas corporales autoinformadas, Song descubrió que el error en los informes estaba altamente correlacionado con el peso y la estatura reales. De media, los individuos de peso más liviano tendían a reportar en exceso su peso, mientras que los individuos más pesados ​​tienden a reportar menos. Los hallazgos demostraron que los errores de la encuesta con respecto a estas mediciones son sustanciales, y que los estudios previos que utilizan datos de encuestas autoinformados probablemente se vean afectados por ello. Song explicó que cuando se ejecutan modelos de regresión en los que las variables económicas sufren errores de encuesta o de medición, la estimación se vuelve sesgada, difuminando la relación correcta.

"Para abordar el problema del error, muchos economistas asumen que estos errores son insignificantes o que son cero en promedio, Song dijo. Sin embargo, Nuestro estudio demostró que no son despreciables y no son cero en promedio, sino que demostró que están correlacionados con la altura o el peso reales, lo que alarma a muchos estudios que utilizan datos de encuestas ".

Inicialmente, Song anticipó una audiencia objetivo de economistas y estadísticos, pero con estos hallazgos, desde entonces se ha dado cuenta del impacto más amplio del tema en campos como la ingeniería, Ciencias de la Computación, biología y ciencias sociales.

Tres años después de su presentación inicial, el trabajo de investigación, "Body Shape Matters:Evidence from Machine Learning on Body Shape-Income Relationship, "se publicó en la revista de acceso abierto, Más uno .

Con mayor publicidad, Baek y Song no solo esperan presentar el alcance del error en estudios previos sobre la forma del cuerpo que se basaron en datos de encuestas autoinformados, sino también para concienciar sobre el tema de las primas de belleza.