сотрудник
Екатеринбург, Россия
Екатеринбург, Свердловская область, Россия
Екатеринбург, Свердловская область, Россия
Екатеринбург, Свердловская область, Россия
Екатеринбург, Свердловская область, Россия
УДК 159.9 Психология
ГРНТИ 12.09 Развитие науки
В статье рассматривается задача автоматизированного определения дихотомии экстраверсия/интроверсия (E/I) на основе анализа статических фотографий лица. Предложен и экспериментально исследован алгоритм, основанный на извлечении геометрических признаков лица с использованием фреймворка MediaPipe FaceMesh и последующей классификации с помощью алгоритма K-ближайших соседей (KNN). В качестве признаков использовались относительные расстояния между ключевыми анатомическими точками лица, что позволило минимизировать влияние масштаба изображения и условий съемки. Эмпирической базой исследования послужил авторский датасет, сформированный на основе фотографий респондентов с верифицированными результатами тестирования по методике MBTI. Проведена серия экспериментов с варьированием набора признаков, параметров классификатора и критериев отбора изображений. Показано, что качество и стандартизация фотографий (анфас, отсутствие экспрессии, макияжа и поворотов головы) оказывают критическое влияние на точность распознавания. Максимальная достигнутая точность классификации составила около 72% на отобранной выборке. Полученные результаты подтверждают наличие статистически значимой связи между морфологическими характеристиками лица и дихотомией E/I.
экстраверсия, интроверсия, датасет, фото, mediapipe
1. Naz A., Khan H.U., Bukhari A., Alshemaimri B., Daud A., Ramzan M. Machine and deep learning for personality traits detection: a comprehensive survey and open research challenges. Artificial Intelligence Review. 2025;58:239. DOIhttps://doi.org/10.1007/s10462-025-11245-3.
2. Capraro R.M., Capraro M.M. Myers-Briggs Type Indicator Score Reliability Across: Studies a Meta-Analytic Reliability Generalization Study. Educational and Psychological Measurement. 2002;62(4):590–602. DOIhttps://doi.org/10.1177/0013164402062004004.
3. Cae L., Liu X. Identifying Big Five personality traits based on facial behavior analysis. Frontiers in Public Health. 2022; 10:1001828. DOI:https://doi.org/10.3389/fpubh.2022.1001828.
4. Kachur A., Osin E., Davydov D., Shutilov K., Novokshonov K. Assessing the Big Five personality traits using real-life static facial images. Scientific Reports. 2020;10(1):8487. DOI:https://doi.org/10.1038/s41598-020-65358-6.
5. Li J., Tian M., Fang H., Xu M., Li H., Liu J. Extraversion predicts individual differences in face recognition. Communicative & Integrity Biology. 2010;3(4):295–298. DOIhttps://doi.org/10.4161/cib.3.4.12093.
6. Pittenger D.J. The utility of the Myers-Briggs type indicator. Review of Educational Research 1993;63(4):467–488. DOIhttps://doi.org/10.3102/00346543063004467.
7. Salsabila G.D., Setiawan E.B. Semantic approach for Big Five personality prediction on Twitter. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi). 2024;5(4):1–10. DOIhttps://doi.org/10.29207/resti.v5i4.3197.
8. Joksimovic S., Ifenthaler D., Marrone R., De Laat M. Siemens G. Opportunities of artificial intelligence for supporting complex problem-solving: Findings from a scoping review. Computers and Education: Artificial Intelligence. 2023;4:100138. DOIhttps://doi.org/10.1016/j.caeai.2023.100138.
9. Zhang B., Huang Y., Cui F., Zhang H., Shang J. PsyAttention: Psychological attention model for personality detection from facial images. Findings of the Association for Computational Linguistics: EMNLP 2023. 2023, p. 3398–3411. DOIhttps://doi.org/10.18653/v1/2023.findings-emnlp.222.
10. Полозов А.А., Штарк М.П., Полозова К.А. и др. Определение типа характера личности сверточной нейронной сетью на примере методики MMPI // Модели, системы, сети в экономике, технике, природе и обществе. 2023. № 1(45). С. 149-163. DOIhttps://doi.org/10.21685/2227-8486-2023-1-10. EDN DEWGQQ.
11. Полозов А.А. Психологические портреты персонала спортивного клуба // Спортивный психолог. 2005. №3. С. 6-9.
