Le problème de la diversité dans la recherche sur les visages

Photo de Vlad Hilitanu sur Unsplash.

Source : Photo de Vlad Hilitanu sur Unsplash.

Cet article a été co-écrit par Clifford I. Workman, Ph.D.

La psychologie et les disciplines connexes, comme les neurosciences sociales et cognitives, ont des problèmes avec l’étrangeté, c’est-à-dire qu’elles dépendent trop des participants des sociétés occidentales, éduquées, industrialisées, riches et démocratiques.

Joseph Henrich a exposé l’omniprésence de ce problème en 2010, arguant que « les scientifiques sont maintenant confrontés à un choix – ils peuvent soit reconnaître que leurs découvertes dans de nombreux domaines ne peuvent pas se généraliser au-delà [WEIRD subpopulations] (et en rester là), ou ils peuvent commencer à prendre les mesures difficiles pour construire une compréhension plus large, plus riche et mieux fondée de notre espèce. »

Les problèmes de WEIRD-ness peuvent commencer en laboratoire, bien avant que les chercheurs ne recherchent les premiers volontaires pour leurs études. Ce problème est particulièrement vrai pour la recherche sur les visages, qu’elle soit axée sur la description des mécanismes permettant la perception du visage, sous-tendant les jugements d’attractivité, sur l’extraction d’informations socialement pertinentes à partir d’indices faciaux, ou même sur la conception d’algorithmes d’apprentissage automatique pour créer et détecter des visages.

Les chercheurs en visages ont souvent besoin de photographies de visages à utiliser comme stimuli dans leurs expériences ou pour entraîner et tester des algorithmes d’apprentissage automatique. Heureusement, de nombreuses bases de données de visages disponibles gratuitement pour les chercheurs sont disponibles parmi lesquelles choisir. Malheureusement, bon nombre des bases de données les plus connues décrivent des personnes dont les données démographiques faussent WEIRD. La base de données FACES, par exemple, citée plus de 800 fois selon Google Scholar, ne comporte que des visages blancs (Ebner et al., 2010). À titre de comparaison, la base de données de visages « Multi-Racial Mega-Resolution » (MR2), qui comprend des visages européens ainsi qu’africains et asiatiques, compte moins de 80 citations (Strohminger et al., 2016).

Une surabondance de bases de données de visages comportant principalement (et parfois exclusivement) des visages blancs (par exemple, DeBruine & Jones, 2017 ; Ebner et al., 2010 ; Lundqvist et al., 1998) signifie que s’appuyer sur le bouche à oreille et même sur la littérature pour trouver de telles bases de données peut amener les chercheurs à se contenter d’images de visages ÉTRANGES malgré la disponibilité d’alternatives plus diverses comme le MR2. Des préoccupations similaires ont été soulevées concernant la composition par âge des bases de données disponibles, dont beaucoup ne contiennent que des images de jeunes visages (par exemple, Chelnokova et al., 2014 ; DeBruine & Jones, 2017b, 2017a ; Langner et al., 2010). Si nous devons prendre les « étapes difficiles pour construire une compréhension plus large, plus riche et mieux fondée de notre espèce », comme l’a exhorté Henrich, une première étape cruciale consiste pour les chercheurs en visages à choisir des visages divers en termes de race/ethnique. l’origine et l’âge.

Connecter les chercheurs à diverses bases de données de visages

Dans un article récent publié dans Méthodes en psychologie, nous décrivons un nouvel outil pour connecter les chercheurs de visages aux bases de données d’images les mieux adaptées à leur recherche : la « Méta-base de données d’images de visage » ou « fIMDb » en abrégé (Workman & Chatterjee, 2021). La fIMDb est une « méta-base de données » qui répertorie les bases de données de visages connues, leurs caractéristiques et comment y accéder. Le fIMDb permet aux utilisateurs de créer des recherches personnalisées qui, surtout, peuvent être utilisées pour filtrer les ensembles de stimuli avec une diversité limitée. La fIMDb permet également aux utilisateurs de soumettre de nouvelles bases de données et des révisions de bases de données existantes. À ce jour, la fIMDb renvoie à 127 sources différentes de visages qui contiennent ensemble plus de 4 millions d’images.

La race, l’origine ethnique et l’âge ne sont pas les seuls facteurs mal représentés dans la plupart des bases de données de visages. Jusqu’à présent, il n’y avait pas de bases de données de visages disponibles pour la recherche (dont nous sommes au courant) qui incluent des visages avec des différences visibles comme des cicatrices, des taches de vin de Porto et d’autres anomalies craniofaciales. Cette inclusion est importante car les personnes présentant des anomalies faciales sont, selon nos recherches, sujettes à un biais « anormal-est-mauvais » lié à l’activité neuronale dans une région du cerveau appelée l’amygdale liée à l’apprentissage affectif, au comportement prosocial et psychologique. tendances liées à l’empathie et aux croyances au sujet de la justice (par exemple, que les gens obtiennent ce qu’ils méritent ; Workman et al., 2021). Nous avons construit un outil appelé ChatLab Facial Anomaly Database (CFAD) pour combler cette lacune (Workman & Chatterjee, 2021). Le CFAD contient 4 351 images de 163 personnes présentant des anomalies faciales visibles avant et, le cas échéant, après une intervention chirurgicale pour limiter la saillance visuelle de toute anomalie (Jamrozik et al., 2019 & Workman et al., 2021).

En publiant le CFAD aux côtés de la fIMDb, nous espérons que les personnes qui font des recherches sur la psychologie et la neurobiologie du traitement du visage pourraient s’inspirer de la disponibilité du CFAD pour faire progresser notre compréhension des conséquences sociales de l’apparence différente. Nous espérons qu’ensemble, la fIMDb et le CFAD aident les chercheurs face à rendre leur recherche un peu moins ÉTRANGE.