审美作为结构性伤害：文本到图像生成与分类中的算法外貌主义

本文研究了算法外貌主义——即基于外貌的系统性优待——在文本到图像（T2I）生成式 AI 及下游性别分类任务中的表现。通过对使用 Stable Diffusion 2.1 和 3.5 Medium 生成的 26,400 张合成人脸的分析，我们展示了生成式 AI 模型如何系统地将面部吸引力与积极属性相关联，反之亦然，这反映了社会建构的偏见而非基于证据的相关性。此外，我们在三种性别分类算法中发现了显著的性别偏见，这些偏见取决于输入人脸的属性。我们的发现揭示了三个关键伤害：（1）T2I 模型中吸引力与积极属性关联的系统性编码；（2）分类系统中的性别差异，女性人脸，特别是那些带有负面属性生成的人脸，其误分类率显著高于男性；（3）较新模型通过年龄同质化、性别化暴露模式和地理简化论加剧了审美约束。这些趋同模式揭示了算法外貌主义是跨 AI 视觉系统运作的系统性基础设施，通过表征和识别加剧了现有的不平等。免责声明：本工作包含反映外貌与社会建构属性（包括性别、种族以及与社会期望相关的特征）之间刻板关联的视觉和文本内容。本研究中发现的任何此类关联均源于生成式 AI 系统中固有的偏见，而非经验事实或作者的观点。