Покажи аватарку — и я назову твою зарплату: ИИ научился предсказывать карьеру прямо по вашему лицу

Исследователи проверили, можно ли по обычной фотографии лица автоматически оценить черты характера и связать их с карьерными результатами человека. Для работы они взяли крупную выборку портретов выпускников программ MBA из LinkedIn и пропустили снимки через модель машинного обучения, которая выдает показатели по психологической шкале «Большой пятерки». Речь идет об открытости опыту, добросовестности, экстраверсии, доброжелательности и нейротизме. Эти параметры давно используют в прикладной психологии и при найме.

Авторы отдельно подчеркивают ограничения такого подхода и не предлагают использовать его как практический инструмент отбора. Попытка выводить черты личности по внешности, по их оценке, неизбежно ведет к дискриминации, потому что решения начинают зависеть от биологических признаков, а не от реальных навыков и опыта. При этом исследователи обращают внимание на уже существующую практику. Приемные комиссии и HR подразделения давно применяют личностные опросники и поведенческие тесты, а сервисы с автоматическим анализом видеоинтервью и анкет быстро распространяются. Проверка таких технологий в академической среде, по их логике, нужна для того, чтобы обсуждение возможных ограничений и правил опиралось на измеримые данные, а не на догадки.

Технической основой послужил алгоритм из научной публикации 2020 года. В той работе исследователи обучили модель на связке двух типов данных. С одной стороны использовались обычные портретные фотографии, с другой — результаты самооценки личности по психологическим анкетам. Нейросеть искала статистические соответствия между особенностями изображения лица и тем, как сами участники описывали свой характер. В новой статье специально уточняется логика метода. Система пытается восстановить именно анкетные ответы человека о себе, а не впечатление сторонних наблюдателей. То есть по сути речь идет о прогнозе самоотчета по шкале «Большой пятерки», а не о субъективной визуальной оценке со стороны.

Сам подход уже вызывал серьезные споры в научной среде. В статье 2024 года похожие работы отнесли к направлению, где методы машинного обучения накладываются на слабые исходные гипотезы и создают видимость надежности. Критики указывают, что даже сложная статистическая модель не исправляет проблемы базовых допущений, если они изначально сомнительны. Авторы нового исследования учитывают эту позицию, но все равно проводят проверку на большой выборке реальных профилей, чтобы количественно оценить, появляется ли у такого алгоритма измеримая прогностическая сила в задачах, связанных с образованием и карьерой.

Исследователи собрали базу из более чем 96 тысяч фотографий выпускников бизнес школ из LinkedIn. Каждый снимок прогнали через модель, которая оценивает черты личности по шкале «Большой пятерки», а затем эти оценки связали с данными из профилей, образованием, первым окладом, дальнейшей динамикой дохода и переходами между работами. Оказалось, что такие расчетные характеристики дают дополнительный ориентир при прогнозе карьерных показателей. С ними модель точнее угадывала уровень учебного заведения, стартовую зарплату и последующие изменения в доходах, чем при анализе без этого параметра.

Авторы отдельно разбирают, как подобные инструменты могли бы использоваться при отборе управленцев. Если HR служба подключит такой анализ изображений, на выходе получится формальный прогноз того, как кандидат может проявить себя в карьере. Исследователи предупреждают, что такие оценки неизбежно будут перекошены и затронут разные группы неравномерно. При этом элементы подобных решений уже начинают появляться в сервисах для автоматизации найма.