美容偏见的长期动态：来自MBA毕业生的证据

"这篇研究论文深入探讨了美容溢价（Beauty Premium），即在个人营销、选举投票和职场中，面部吸引力如何影响个体的社会经济地位。研究发现，吸引力在多个层面上确实能带来回报，并且这种回报主要源于两种类型的偏见：基于信念的偏见和基于偏好的偏见。在长达15年的职业生涯中，吸引力与2.4%的收入差距相关，这主要是由基于偏好的偏见造成的，每年相当于0.52%的差距。然而，信念偏见在MBA毕业后的工作生涯中并不显著。文章利用了一个包含43,533名MBA毕业生的大型档案纵向数据集，进行了详尽的分析。 在研究方法上，由于只能观察到个人职业生涯后期的照片，研究人员利用生成式深度学习模型（Generative Deep Learning）对个体年轻时的面部特征进行预测，以模拟雇主的早期看法。同时，通过构建工作偏好顺序（Work Ladder），考虑个人在不同工作、公司和地点之间的转移，以评估其职业进步。这一过程涉及文本挖掘（Text Mining），用于基于职位描述的相似性分析。 研究的关键挑战包括：一是如何处理单张照片的时间滞后问题，二是如何在个体职业路径复杂的情况下进行有效比较。通过图像变形（Image Morphing）技术，研究人员能够生成更接近求职初期的面部图像，以研究吸引力如何影响早期职业选择。此外，通过分析工作转换和职位文本，他们创建了一个工作等级系统，以便量化和比较不同个体的职业轨迹。 论文结论指出，尽管通过表现信息可以减轻基于信念的偏见，但基于偏好的偏见更为根深蒂固，更难以消除。这项研究对于理解美容溢价的长期影响和减少职场歧视提供了新的视角，也为未来的研究提供了方法论上的启示，特别是在如何处理非结构化数据和模拟真实世界情境方面。"