Учёные показали, что алгоритмы машинного обучения способны выявлять личностные черты по фотографиям и использовать их для прогнозирования карьерных траекторий и уровня дохода. Авторы подчёркивают, что подобные методы являются этически проблемными и потенциально дискриминационными, однако считают необходимым их академическое изучение для формирования регуляторной политики.
Исследование личности по изображению
В работе «Extracting AI Personality from Faces: Implications for the Labor Market» исследователи проанализировали фотографии профилей LinkedIn более 96 000 выпускников MBA-программ. Алгоритм машинного обучения оценивал пять базовых личностных черт («Большую пятёрку»): открытость, добросовестность, экстраверсию, доброжелательность и невротизм.
Используемая модель основана на методологии, описанной в Scientific Reports (2020), где предлагалось прогнозировать личностные характеристики по статическим изображениям лица. Однако эта линия исследований подвергалась резкой критике и была включена в список примеров «ML-отмываемой мусорной науки» в работе 2024 года о псевдонаучных практиках в машинном обучении.
Прогнозы карьерных и зарплатных траекторий
Авторы утверждают, что извлечённые из внешности личностные параметры добавляют «значимую прогностическую силу» при анализе карьерных исходов. Алгоритм, по их данным, коррелировал с уровнем образовательных программ, стартовой зарплатой, динамикой дохода и сменой работодателей.
В теории подобные модели могут использоваться для оценки управленческого потенциала и прогнозирования успеха кандидатов на рынке труда. Однако исследователи прямо признают, что такие прогнозы будут системно предвзяты.
Реальное применение и регуляторная неопределённость
Соавтор исследования Марина Нисснер (Indiana University) отмечает, что банки и корпорации уже используют тесты личности при найме и продвижении, а некоторые AI-платформы анализируют личностные характеристики в видеоинтервью. Регуляторная среда при этом остаётся крайне неопределённой, что создаёт риск неконтролируемого внедрения дискриминационных алгоритмов.
Исследователи подчёркивают, что академическая оценка подобных методов необходима для разработки правил и ограничений, особенно учитывая, что человеческие решения при найме также часто основаны на внешности и подвержены субъективным искажениям.
Критика и научный контекст
Работы по «чтению личности по лицу» широко критикуются как возрождение физиогномики в цифровой форме. Современные исследования показывают, что подобные модели часто улавливают социальные и демографические корреляции, а не реальные психологические свойства, что делает их особенно опасными при применении в HR-процессах.
Авторы исследования подчёркивают, что не рекомендуют использовать такие системы на практике, но считают важным изучать их влияние для предотвращения злоупотреблений.
Перспективы и риски
История с прогнозированием зарплаты по фотографии иллюстрирует более широкую проблему генеративного и аналитического ИИ: технологии могут выявлять статистические закономерности, но их использование в социально значимых сферах — от найма до кредитования — требует строгого регулирования, прозрачности и аудита.
Эксперты предупреждают, что без нормативных ограничений подобные инструменты могут закреплять социальное неравенство, маскируя дискриминацию под «объективную аналитику».
Источник: https://www.theregister.com/2026/02/10/ai_face_analysis_mba_pay/
Больше интересного – на медиапортале https://www.cta.ru/