Berdasarkan studi tentang wajah dan hasil pemilu oleh Alexander Todorov dan rekan-rekannya.
Tes Prediksi Pemilu
Dapatkah penampilan memprediksi pemilu?
Dapatkah Anda menebak siapa yang memenangkan pemilu hanya dengan melihat para kandidat? Setiap pasangan menampilkan dua lawan dari satu pemilihan Senat AS. Pilih yang tampak lebih kompeten, dan pada akhirnya Anda akan melihat seberapa sering wajah yang Anda pilih adalah wajah pemenangnya.
Ada 28 pasangan dan tidak ada batas waktu. Jika Anda mengenali salah satu kandidat, pilih Saya mengenali seseorang: pasangan itu dikeluarkan dari skor Anda.
Tes Wajah Dark Core mengkaji apa yang Anda baca pada sebuah wajah, Tes Politik Amerika mengkaji posisi Anda dalam isu-isu AS, dan Tes Otak Sosial vs. Logis mengkaji bagaimana konteks mengubah cara Anda memeriksa suatu aturan.
Pasangan 1 dari 28
Cara menjawab
Lihat kedua foto dan pilih Orang A atau Orang B, lalu tekan Berikutnya. Tidak ada batas waktu: foto-foto tetap terlihat selama Anda memutuskan. Pilih Saya mengenali seseorang jika salah satu wajahnya familiar.
Misalnya, jika orang di sebelah kiri tampak lebih kompeten, pilih Orang A. Gunakan Kembali untuk melihat lagi pasangan sebelumnya dan mengubah jawaban Anda jika Anda mau.
Mulai tes
Siapa yang tampak lebih kompeten?
Kembali Selanjutnya
Kesan pertama dan hasil pemilu
Bayangkan melihat dua kandidat yang tidak Anda ketahui apa pun tentangnya: tanpa nama, tanpa partai, tanpa kebijakan. Salah satu dari mereka mungkin tetap langsung terkesan lebih cakap bagi Anda. Alexander Todorov dan rekan-rekannya di Princeton menanyakan apakah kesan seperti ini sejalan dengan pemilu nyata. Mereka menunjukkan kepada sekitar 40 orang wajah para pemenang dan peringkat kedua pemilihan Senat dan DPR AS dan menanyakan siapa yang tampak lebih kompeten. Ketika pilihan mereka digabungkan, kandidat yang dinilai lebih kompeten oleh sebagian besar dari mereka memenangkan 71,6% pemilihan Senat tahun 2000, 2002, dan 2004, serta 66,8% pemilihan DPR.
Angka 71,6% itu adalah skor kerumunan, bukan skor satu orang. Menggabungkan pilihan banyak orang meniadakan kesalahan masing-masing orang; jika sendirian, orang memilih pemenang sekitar 56% dari waktu, sedangkan peluang kebetulan adalah 50% (Olivola & Todorov, 2010). Dalam eksperimen lanjutan, orang melihat setiap pasangan hanya selama satu detik dan tetap memilih pemenang lebih sering daripada peluang kebetulan. Tampaknya, kesan cepat tentang kompetensi dapat berperan dalam cara orang memilih, meskipun sebuah wajah hanya sedikit berbicara tentang seberapa baik seseorang akan menjalankan tugasnya.
Siapa lagi yang telah mencobanya?
Para peneliti telah mengajukan pertanyaan yang sama kepada penilai lain. Mahasiswa Korea di Seoul memilih pemenang pemilihan gubernur dan Senat AS 62% dari waktu berdasarkan wajah para kandidat, sedikit lebih sering daripada yang dilakukan mahasiswa Amerika (60%) (Na et al., 2015), meskipun sebuah studi yang lebih baru di California hanya menemukan sekitar 54% untuk penilai Korea dan 55% untuk penilai Amerika (Lin et al., 2017). Anak-anak Swiss berusia 5 hingga 13 tahun, setelah memainkan permainan komputer tentang berlayar dari Troya ke Ithaca, memilih wajah mana dari dua wajah yang mereka inginkan sebagai kapten perahu mereka; pilihan mereka cocok dengan pemenang putaran kedua pemilihan parlemen Prancis 64% dari waktu (Antonakis & Dalgas, 2009). Tiga monyet rhesus, yang diamati dengan pelacak mata, memandang lebih lama ke yang kalah daripada ke yang menang; dengan menghitung wajah yang lebih sedikit dipandang monyet sebagai pilihannya, mereka cocok dengan pemenang 54,6% dari waktu (Jiang et al., 2024, pracetak yang belum diterbitkan di jurnal). Sebuah komputer yang dilatih dengan kesan orang terhadap wajah memilih pemenang dalam 65,5% pemilihan Senat AS (Joo, Steen & Zhu, 2015). Dan mahasiswa yang melihat setiap wajah hanya selama 1/30 detik tetap menilai pemenang sebagai yang lebih kompeten di antara keduanya 55% dari waktu (Mattes et al., 2010).
Dua temuan menunjukkan bahwa wajah itu sendiri berperan lebih kecil daripada yang tampak. Mahasiswa yang diperlihatkan foto dengan wajahnya dihilangkan, hanya menyisakan rambut, pakaian, dan latar belakang, memilih pemenang 65% dari waktu, dibandingkan 52% pada mahasiswa yang diperlihatkan wajahnya saja (Spezio et al., 2012). Dan dalam 30 pemilihan, kandidat yang dianggap lebih menarik oleh mahasiswa kalah 77% dari waktu (Mattes et al., 2010).
Cara kerja skor Anda
Tes ini menggunakan 28 dari 95 pemilihan Senat dalam studi aslinya. Skor Anda adalah persentase pilihan Anda yang menang, dengan hanya menghitung pasangan yang kedua kandidatnya tidak Anda kenali. Memilih secara acak akan memberi Anda sekitar 50%. Batang lain pada grafik adalah skor penilai lain, masing-masing dari studinya sendiri dan dari rangkaian pemilu nyatanya sendiri, sehingga itu merupakan tolok ukur kasar, bukan perbandingan yang setara.
Foto-foto ini bukan foto yang digunakan dalam studi tersebut. Ini adalah foto publik dari kandidat yang sama, beberapa diambil bertahun-tahun setelah pemilu, dan foto yang berbeda dari orang yang sama dapat mengubah kesan yang diberikannya. Skor versi ini belum dibandingkan dengan skor studi aslinya, dan memenangkan pemilu tidak mengatakan apa pun tentang kompetensi sebenarnya seorang kandidat: partai, status petahana, dan iklim politik lebih menentukan.
Kredit dan sumber foto
Foto-foto dari Wikimedia Commons, ditampilkan dalam bentuk terpotong dan skala abu-abu. Para pembuatnya tidak mendukung tes ini.
- Dianne Feinstein: United States Congress, US Senate Photo.
- Tom Campbell: United States Congress.
- Debbie Stabenow: Unknown author.
- Spencer Abraham: Department of Energy..
- Mark Dayton: United States Congress.
- Rod Grams: United States Congress.
- Conrad Burns: Unknown.
- Brian Schweitzer: Office of Governor Brian Schweitzer.
- Rick Santorum: Biographical Directory of the United States Congress.
- Ron Klink: Unknown author.
- Mark Pryor: Unknown author.
- Tim Hutchinson: United States Senate.
- Saxby Chambliss: Unknown author.
- Max Cleland: Unknown.
- Tom Harkin: US Congress.
- Greg Ganske: Office of Congressman Greg Ganske.
- Susan Collins: Unknown author.
- Chellie Pingree: U.S. House of Representatives.
- Jim Talent: Unknown author.
- Jean Carnahan: Unknown.
- Lamar Alexander: Unknown author.
- Bob Clement: U.S. House of Representatives.
- Jay Rockefeller: Unknown author.
- Jay Wolfe: D. D. Meighen.
- Lisa Murkowski: United States Senate.
- Tony Knowles: Gillfoto.
- Blanche Lincoln: Unknown author.
- Jim Holt: Goodolclint.
- Barbara Boxer: Office of Senator Barbara Boxer.
- Bill Jones: Secretary of State of California.
- Chris Dodd: Unknown.
- Jack Orchulli: Jack_Orchulli_MilfordCT_October2010.jpg : Sgt. R.K. Blue derivative work: Jerzeykydd ( talk ).
- Mel Martinez: United States Department of Housing and Urban Development.
- Betty Castor: Unknown.
- Johnny Isakson: Unknown.
- Denise Majette: U.S. House of Representatives.
- Jim Bunning: Unknown author.
- Dan Mongiardo: Gage Skidmore.
- Barbara Mikulski: Unknown.
- E. J. Pipkin: Marylandstater.
- Kit Bond: United States Senate.
- Nancy Farmer: Missouri State Archives from Jefferson City, Missouri, United States.
- Richard Burr: Unknown author.
- Erskine Bowles: Official White House photo by Pete Souza.
- Tom Coburn: U.S. Senate Historical Office.
- Brad Carson: unknown, credited to US Congress.
- Arlen Specter: Unknown.
- Joe Hoeffel: Congressional Employee.
- Jim DeMint: United States Congress.
- Inez Tenenbaum: Consumer Product Safety Commission.
- John Thune: United States Senate.
- Tom Daschle: United States Senate.
- Patty Murray: United States Senate.
- George Nethercutt: United States House of Representatives.
- Russ Feingold: United States Senate.
- Tim Michels: Michael J. Rockett (Original) - Aaaccc (Derivative work).
Referensi
- Todorov, A., Mandisodza, A. N., Goren, A., & Hall, C. C. (2005). Inferences of competence from faces predict election outcomes. Science, 308(5728), 1623–1626. doi:10.1126/science.1110589
- Antonakis, J., & Dalgas, O. (2009). Predicting elections: Child’s play! Science, 323(5918), 1183. doi:10.1126/science.1167748
- Jiang, Y., Huttunen, A., Belkaya, N., & Platt, M. L. (2024). Monkeys predict US elections. bioRxiv preprint. doi:10.1101/2024.09.17.613526
- Joo, J., Steen, F. F., & Zhu, S.-C. (2015). Automated facial trait judgment and election outcome prediction: Social dimensions of face. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 3712–3720. doi:10.1109/ICCV.2015.423
- Mattes, K., Spezio, M., Kim, H., Todorov, A., Adolphs, R., & Alvarez, R. M. (2010). Predicting election outcomes from positive and negative trait assessments of candidate images. Political Psychology, 31(1), 41–58. doi:10.1111/j.1467-9221.2009.00745.x
- Lin, C., Adolphs, R., & Alvarez, R. M. (2017). Cultural effects on the association between election outcomes and face-based trait inferences. PLoS ONE, 12(7), e0180837. doi:10.1371/journal.pone.0180837
- Na, J., Kim, S., Oh, H., Choi, I., & O’Toole, A. (2015). Competence judgments based on facial appearance are better predictors of American elections than of Korean elections. Psychological Science, 26(7), 1107–1113. doi:10.1177/0956797615576489
- Olivola, C. Y., & Todorov, A. (2010). Elected in 100 milliseconds: Appearance-based trait inferences and voting. Journal of Nonverbal Behavior, 34(2), 83–110. doi:10.1007/s10919-009-0082-1
- Spezio, M. L., Loesch, L., Gosselin, F., Mattes, K., & Alvarez, R. M. (2012). Thin-slice decisions do not need faces to be predictive of election outcomes. Political Psychology, 33(3), 331–341. doi:10.1111/j.1467-9221.2012.00897.x
- Todorov, A., & Porter, J. M. (2014). Misleading first impressions: Different for different facial images of the same person. Psychological Science, 25(7), 1404–1417. doi:10.1177/0956797614532474
Pertanyaan yang Sering Diajukan
Apa yang saya pilih?
Dalam setiap pasangan, pilih kandidat yang tampak lebih kompeten bagi Anda, hanya dengan menilai dari fotonya.
Siapa orang-orang dalam foto-foto itu?
Setiap pasangan menampilkan dua kandidat utama dalam pemilihan Senat AS tahun 2000, 2002, atau 2004. Nama mereka ada di kredit foto di bagian bawah halaman ini, jadi Anda mungkin ingin membacanya setelah selesai.
Bagaimana jika saya mengenali seseorang?
Pilih Saya mengenali seseorang. Pasangan itu dikeluarkan dari skor Anda.
Apakah ada batas waktu?
Tidak. Luangkan waktu sebanyak yang Anda suka pada setiap pasangan. Kembali membawa Anda ke pasangan sebelumnya jika Anda ingin mengubah jawaban.
Apa arti batang-batang pada grafik?
Batang Anda adalah persentase pilihan Anda yang menang. Batang lainnya adalah seberapa sering pilihan penilai lain cocok dengan pemenang dalam studi yang telah diterbitkan, satu penilai pada satu waktu: komputer yang dilatih dengan wajah, anak-anak berusia 5 hingga 13 tahun yang memilih kapten kapal, mahasiswa Korea yang menilai politisi Amerika, orang dewasa pada umumnya, monyet rhesus (studi yang belum diterbitkan di jurnal), orang-orang yang melihat setiap wajah selama 1/30 detik, dan lemparan koin. Gambar-gambarnya adalah ilustrasi, bukan peserta studi. Setiap studi menggunakan rangkaian pemilu nyatanya sendiri, jadi anggaplah itu sebagai tolok ukur kasar.
Mengapa angka 71,6% dari studi aslinya tidak ada di grafik?
Karena itu bukan skor satu orang. Itu adalah seberapa sering kandidat yang dinilai lebih kompeten oleh sebagian besar dari sekitar 40 orang memenangkan pemilu. Menggabungkan pilihan banyak orang meniadakan kesalahan masing-masing orang, sehingga kerumunan mengalahkan salah satu anggotanya: jika sendirian, orang memilih pemenang sekitar 56% dari waktu.
Bisakah saya mengulanginya?
Bisa, tetapi mengerjakannya untuk kedua kalinya bukan tes yang baru: Anda sudah pernah melihat wajah-wajah itu.
English
Español
Português
Deutsch
Français
Italiano
Polski
Українська
Русский
Türkçe
العربية
日本語
한국어
ไทย
汉语
Tiếng Việt
Bahasa 