Perceiving female physical attractiveness and expressive traits from body features and body motion
Notice bibliographique
Résumé
BACKGROUND: The perception of female physical attractiveness is known to be predicted by body features(e.g. BMI). However, the role of body motion (e.g. postures) and the relative contribution of each type of cues are unclear. Little research reported how body cues modulate the perception of female expressive traits (e.g. warmth). METHODS: We photographed and filmed 15 female posers and recorded their anthropometric data. In picture stimuli, each poser adopted neutral, instructed attractive, or spontaneous attractive and unattractive postures. In video stimuli, posers introduced a place in neutral or passionate manner. Fifty-four perceivers watched these pictures and silent videos and rated their physical attractiveness and feminine expressive traits on 7-point scales. RESULTS: Lasso regression and proportion of variance explained analyses revealed that Body features demonstrated stronger predictive power for physical attractiveness than body motions across both picture and video stimuli. However, for feminine traits, body motions showed greater predictive validity in videos, whereas neither body features nor body motions effectively predicted feminine traits in static images. CONCLUSION: Different roles of body features and body motion play for perceiving different levels of personal characteristics in social perception. Perception of expressive traits appears to rely more substantially on body motions, whereas the judgment of physical attractiveness depends more fundamentally on body features.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».