Cross Domain Consistency of Aesthetic Preference-driven Social Behavior

Die Studie zeigt, dass ästhetische Präferenzen über verschiedene Domänen hinweg konsistent sind und auf einem gemeinsamen, domänenübergreifenden Mechanismus basieren, der durch eine neuartige kollaborative Filterungsmethode nachgewiesen wurde und potenziell auf neuronale Netzwerke wie den orbitofrontalen Kortex zurückzuführen ist.

Das Wesentliche

🎨 Wenn dein Geschmack für Kunst auch deinen Geschmack für Gesichter erklärt

Eine einfache Erklärung der Studie von Pham und Chikazoe

Stell dir vor, dein Geschmack ist wie ein unsichtbarer Fingerabdruck. Die Forscher haben herausgefunden, dass dieser Fingerabdruck nicht nur für eine Sache gilt (z. B. nur für Bilder), sondern sich durch fast alles zieht, was wir sehen – von Gemälden über Gesichter bis hin zu Landschaften.

Hier ist die Geschichte der Studie, erzählt wie ein Abenteuer:

1. Die große Frage: Ist unser Geschmack ein "Einheitsmodell"?

Bisher dachten viele, dass unser Geschmack sehr spezifisch ist. Man könnte sagen: "Ich liebe abstrakte Kunst, aber ich hasse es, wenn Menschen auf Fotos lächeln." Oder umgekehrt.
Die Forscher stellten sich jedoch eine mutige Frage: Gibt es eine Art "Master-Datei" in unserem Gehirn, die unseren gesamten ästhetischen Geschmack steuert?
Die Hypothese war: Wenn du ein bestimmtes Muster in deiner Liebe zu Kunst hast, dann solltest du dieses gleiche Muster auch bei der Bewertung von Gesichtern oder Landschaften zeigen. Dein Geschmack ist also wie ein roter Faden, der durch alle Bereiche deines Lebens läuft.

2. Das Experiment: 37 Menschen, drei Welten

Um das zu testen, luden die Forscher 37 Menschen (meist Frauen, einige Männer) in ein Labor. Sie mussten drei völlig verschiedene Dinge bewerten:

• Kunst: Echte Gemälde (wie bei einer Auktion).
• Gesichter: Fotos von Männern und Frauen.
• Szenerien: Landschaftsbilder.

Die Aufgabe:

• Bei den Gemälden sollten sie einen Preis festlegen (Wie viel Geld würdest du dafür ausgeben?).
• Bei den Gesichtern und Landschaften sollten sie eine Reihenfolge erstellen (Welches Bild ist das Schönste? Welches das Zweitbeste?).

3. Die geniale Idee: Der "Schwarm-Verstärker"

Das Schwierige war: Wie vergleicht man den Preis für ein Bild mit der Rangliste für ein Gesicht? Das ist wie zu versuchen, Äpfel mit Orangen zu vergleichen.

Die Forscher hatten eine clevere Lösung, die sie "Collaborative Filtering" nennen (ein Begriff, den Netflix oder Spotify nutzen).
Stell dir vor, du bist in einer riesigen Gruppe von Freunden. Du magst Pizza, dein Freund Tom mag Pizza, aber dein Freund Lisa mag sie nicht.

• Der Trick: Anstatt zu fragen, warum du Pizza magst, schauen wir nur darauf, wer dir ähnlich ist.
• Wenn du und Tom in allen Dingen (Kunst, Gesichter) fast identisch ticken, dann können wir vorhersagen: Wenn du ein neues Landschaftsbild magst, wird Tom es wahrscheinlich auch mögen – auch wenn er das Bild noch nie gesehen hat.

Die Forscher bauten ein Computer-Modell, das genau das tat: Es verglich, wie ähnlich sich die Teilnehmer untereinander waren. Wenn Teilnehmer A und Teilnehmer B bei Kunst fast identisch reagierten, schaute das Modell: "Reagieren sie auch bei Gesichtern ähnlich?"

4. Das Ergebnis: Der "Geschmacks-Fingerabdruck" ist echt!

Das Ergebnis war überraschend und stark: Ja, es funktioniert!
Das Modell konnte die Vorlieben einer Person in einem Bereich (z. B. Kunst) nutzen, um ziemlich genau vorherzusagen, wie diese Person in einem völlig anderen Bereich (z. B. Gesichter) reagieren würde.

• Die Metapher: Stell dir vor, dein Geschmack ist wie eine Musik-Playlist. Egal ob du Rock, Jazz oder Pop hörst – dein Gehirn hat einen bestimmten "Vibe" oder eine Stimmung, die du magst. Wenn du Rock magst, magst du wahrscheinlich auch bestimmte Jazz-Stücke, weil sie dieselbe innere Frequenz haben. Die Studie zeigt, dass unser Gehirn diese "Frequenz" über alle Bildwelten hinweg beibehält.

5. Ein kleiner Haken: Männer vs. Frauen

Es gab eine interessante Ausnahme. Bei den Männern funktionierte das Modell etwas schlechter, wenn es darum ging, Gesichter zu bewerten, die sie vorher nicht so gut mochten.

• Die Erklärung: Vielleicht ist der "Attraktivitäts-Halo" bei Männern stärker. Das bedeutet: Wenn Männer ein sehr attraktives Gesicht sehen, überstrahlt das vielleicht ihren eigentlichen ästhetischen Geschmack. Bei Frauen war dieser Effekt weniger stark.
• Wichtig: Da es nur wenige männliche Teilnehmer gab, ist das noch eine vorläufige Beobachtung, keine endgültige Regel.

6. Was passiert im Gehirn? (Die Brücke zur Biologie)

Die Forscher vermuten, dass dieser "Master-Code" in zwei speziellen Bereichen unseres Gehirns sitzt:

1. Der Orbitofrontale Kortex (OFC): Das ist wie das Finanzamt für Gefühle. Es bewertet, wie viel "Wert" oder "Gefallen" etwas hat.
2. Das Default Mode Network (DMN): Das ist wie der Träumer im Kopf, der unsere inneren Gedanken und persönlichen Erinnerungen verarbeitet.

Wenn wir etwas Schönes sehen, laufen die Signale von den Augen durch verschiedene Spezialisten (für Gesichter, für Landschaften) und treffen sich dann in diesen beiden Zentren. Dort wird alles zu einem einzigen, abstrakten Gefühl von "Schönheit" zusammengefasst. Das erklärt, warum unser Geschmack so konsistent ist.

7. Warum ist das wichtig?

Diese Entdeckung ist wie ein Schlüssel für die Zukunft:

• Für Apps: Stell dir vor, eine App weiß, dass du bestimmte Landschaften magst. Dann könnte sie dir automatisch Kunstwerke empfehlen, die du lieben wirst, ohne dass du sie je gesehen hast. Das wäre ein riesiger Schritt für personalisierte Werbung und Empfehlungssysteme.
• Für uns: Es zeigt, dass unser Geschmack ein stabiler Teil unserer Persönlichkeit ist. Wir sind nicht so unberechenbar, wie wir denken. Wir haben einen inneren Kompass, der uns durch die Welt der Bilder führt.

Zusammenfassung in einem Satz

Unsere ästhetischen Vorlieben sind wie ein einzigartiger, unsichtbarer Rhythmus, der in unserem Gehirn spielt und sich durch Kunst, Gesichter und Landschaften zieht – und wenn wir diesen Rhythmus kennen, können wir vorhersagen, was wir als Nächstes lieben werden.

Technische Zusammenfassung

Titel: Cross Domain Consistency of Aesthetic Preference-driven Social Behavior (Kreuzdomänen-Konsistenz ästhetisch präferenzgesteuerten sozialen Verhaltens)

Autoren: Trung Quang Pham und Junichi Chikazoe

---

1. Problemstellung und Motivation

Ästhetische Präferenzen sind ein primärer Treiber sozialen Verhaltens im digitalen Zeitalter (z. B. Engagement in Online-Bewertungen). Bisherige Forschung hat sich fast ausschließlich auf die „Kunst"-Domäne konzentriert oder kulturelle Unterschiede untersucht. Eine fundamentale, aber unbeantwortete Frage bleibt jedoch: Sind ästhetische Urteile domänenübergreifend konsistent?
Das heißt: Wenn eine Person eine bestimmte ästhetische Präferenz in einem Bereich (z. B. Kunst) zeigt, lässt sich daraus ihr Verhalten in scheinbar unzusammenhängenden Bereichen (z. B. Gesichter oder Landschaften) vorhersagen? Die Autoren hypothesieren, dass ästhetische Urteile von einer domäneninvarianten latenten Struktur gesteuert werden, die über spezifische Stimulusmerkmale hinausgeht.

2. Methodik

Experimentelles Design

• Teilnehmer: 37 Personen (9 männlich, 28 weiblich, alle japanischer Nationalität).
• Domänen: Drei distinkte ästhetische Domänen wurden evaluiert:
  1. Kunst: 400 Bilder (von LiveAuctioneers).
  2. Gesichter: 160 Bilder (80 männlich, 80 weiblich; aus Printmedien, ohne Prominente).
  3. Szene (Landschaften): 400 Bilder (zufällig aus dem AVA-Datensatz).
• Aufgaben:
  • Kunst: Subjektive monetäre Bewertung (Preisschätzung zwischen 100 und 10.000.000 JPY).
  • Gesichter & Szenen: Ordinales Ranking (Platzierung in einem 8x10-Gitter von 1 bis 80), da monetäre Bewertungen für Gesichter unangemessen sind.
• Datenaufbereitung: Z-Score-Normalisierung der Rohdaten pro Domäne zur Sicherstellung der Vergleichbarkeit. Aufteilung in Trainings- (75%) und Testdaten (25%).

Computationaler Ansatz: Kollaboratives Filtern

Statt direkter Merkmalsabbildung (die aufgrund unterschiedlicher Skalierung und Natur der Domänen schwierig ist), wurde ein nutzerbasiertes kollaboratives Filtern (User-Based Collaborative Filtering) entwickelt.

• Kernidee: Die relative Beziehung eines Teilnehmers zur Gesamtgruppe (Inter-Subject-Similarität) bleibt über Domänen hinweg stabil.
• Modellierung:
  • Berechnung einer Ähnlichkeitsmatrix ($sim_{uv}$) zwischen Teilnehmern $u$ und $v$ basierend auf Pearson-Korrelation ihrer Antworten in einer Quell-Domäne.
  • Vorhersage der Antwort $\hat{r}_{ui}$ eines Teilnehmers $u$ für ein Item $i$ in einer Ziel-Domäne basierend auf den Antworten ähnlicher Teilnehmer $v$ in der Quell-Domäne.
  • Formel (vereinfacht): $\hat{r}_{ui} = \bar{r}_u + \sum \frac{sim_{uv}(r_{vi} - \bar{r}_v)}{\sum |sim_{uv}|}$.
• Optimierung: Verwendung des Sparse Linear Method (SLIM) Algorithmus (ElasticNet) zur Lernung der Aggregationskoeffizienten ($W$) unter Regularisierung ($L_1$ und $L_2$ Normen).
• Evaluation: Mean Squared Error (MSE) und Pearson-Korrelation zwischen vorhergesagten und tatsächlichen Antworten im Testset.

3. Wichtige Beiträge

1. Neues Framework: Erste Anwendung des kollaborativen Filterns zur Modellierung ästhetischer Präferenzen über verschiedene visuelle Domänen hinweg.
2. Domäneninvarianz: Nachweis, dass ästhetische Präferenzen nicht rein stimulusabhängig sind, sondern durch eine abstrakte, domänengenerische latente Struktur vermittelt werden.
3. Gender-Modulation: Untersuchung des Einflusses des Geschlechts auf die Kreuzdomänen-Vorhersage, insbesondere im Hinblick auf die Reaktion auf männliche vs. weibliche Gesichter.
4. Neurophysiologische Hypothese: Verknüpfung der behavioralen Ergebnisse mit bekannten Hirnnetzwerken (OFC, DMN) als potenzielle Träger dieser domäneninvarianten Signale.

4. Ergebnisse

• Kreuzdomänen-Konsistenz: Das Modell konnte Teilnehmerantworten in einer Ziel-Domäne (z. B. Kunst) erfolgreich basierend auf deren Profil in einer Quell-Domäne (z. B. Gesichter) vorhersagen.
  • Kunst-zu-Kunst (Ground Truth): Hohe Korrelation ($r \approx 0.55$).
  • Gesicht-zu-Kunst (Cross-Domain): Immer noch signifikante Korrelation ($r \approx 0.35$), was die Existenz einer gemeinsamen latenten Struktur belegt.
• Domänenunterschiede: Die stärkste Korrelation zwischen den Ähnlichkeitsmatrizen wurde zwischen „natürlichen" Domänen (Gesichter und Szenen) beobachtet ($r=0.39$), während die Verbindung zur „künstlichen" Kunstdomäne schwächer, aber dennoch vorhanden war.
• Geschlechtsspezifische Effekte:
  • Bei männlichen Teilnehmern führte die Nutzung von Antworten auf weibliche Gesichter zur Vorhersage von Kunst- oder Szenenpräferenzen zu einer signifikanten Verschlechterung der Modellleistung (höherer MSE, niedrigere Korrelation) im Vergleich zur Nutzung von Antworten auf männliche Gesichter.
  • Bei weiblichen Teilnehmern war kein signifikanter Unterschied zwischen „selbstgleichem" und „gegenüberliegendem" Geschlecht in den Trainingsdaten feststellbar.
  • Interpretation: Dies könnte auf einen „Gender-Attraktivitäts-Gap" hindeuten, bei dem männliche Teilnehmer auf weibliche Gesichter systematisch überhöhte Bewertungen abgeben, die nicht ihre intrinsische ästhetische Präferenz widerspiegeln.

5. Bedeutung und Diskussion

• Theoretische Implikation: Die Ergebnisse stützen die Theory of Aesthetic Preferences (TAP) und erweitern sie von einem kulturellen auf einen domänenübergreifenden Rahmen. Sie deuten darauf hin, dass das menschliche Gehirn ästhetischen Wert als abstraktes Signal kodiert.
• Neurophysiologische Grundlage: Die Autoren schlagen vor, dass diese Konsistenz durch die Konvergenz domänenspezifischer Pfade (z. B. Amygdala für Gesichter, PPA für Szenen, LOC für Kunst) in zentralen Integrationszentren wie dem orbitofrontalen Cortex (OFC) und dem Default Mode Network (DMN) entsteht. Diese Regionen verarbeiten subjektiven Wert domänenunabhängig.
• Praktische Anwendung: Die Erkenntnisse bieten eine Grundlage für fortschrittliche, cross-modale Empfehlungssysteme. Wenn ein System die „latente Signatur" des Geschmacks eines Nutzers in einer Domäne (z. B. Kunst) kennt, kann es dessen Präferenzen in anderen Domänen (z. B. Gesichtsauswahl in sozialen Medien oder Landschaftsfotografie) präzise vorhersagen.
• Limitationen: Die Studie beschränkt sich auf visuelle Modalitäten und eine homogene japanische Stichprobe (hauptsächlich weiblich). Zukünftige Forschung sollte auditorische/taktile Domänen und diverse kulturelle Hintergründe sowie soziale Kontexteffekte (Peer-Druck) einbeziehen.

Fazit: Das Paper liefert den empirischen Beleg dafür, dass ästhetische Präferenzen eine stabile, übergeordnete Eigenschaft der menschlichen Persönlichkeit sind, die sich mathematisch modellieren und über verschiedene visuelle Kategorien hinweg nutzen lässt.