BERLIN / LONDON (IT BOLTWISE) – Eine neue Meta-Analyse mit Daten aus 76 Ländern bestätigt den alten Eindruck: Weibliche Gesichter werden in Befragungen durchgehend attraktiver bewertet als männliche. Besonders stark fällt der Effekt bei weiblichen Ratern aus, während Männer im Schnitt deutlich strenger urteilen. Die Studie zeigt zudem, dass biologische Formenunterschiede nur einen Teil erklären und gesellschaftliche Erwartungen den Rest treiben. Damit rückt nicht nur die Evolutionsdebatte in den Fokus, sondern auch die Frage, wie Dating-Plattformen und Empfehlungsmodelle mit solchen Wahrnehmungs-Bias umgehen.
Wie attraktiv jemand wirkt, entscheidet sich im Alltag oft in Sekundenbruchteilen – und offenbar regelmäßig entlang eines Geschlechtermusters. Eine groß angelegte Auswertung von Gesichtsbewertungen über viele Kulturen hinweg kommt zu einem Ergebnis, das selbst Skeptiker überrascht: In nahezu allen untersuchten Gruppen erhalten weibliche Gesichter höhere Attraktivitätswerte als männliche. Die Datengrundlage ist dabei ungewöhnlich breit. Statt einzelner Experimente aggregieren die Forschenden Studien, in denen Menschen standardisiert Fotos beurteilt haben. Das macht den Befund nicht automatisch „universell“, aber deutlich stabiler als viele frühere, kleiner angelegte Tests.
Die historische Debatte dazu reicht weit zurück. In vielen sexuell reproduzierenden Arten sind es typischerweise die Männchen, die besonders auffällige Merkmale ausbilden – von prunkvollen Gefiederstrukturen bis zu elaborierten Signalen wie Gesang. Aus evolutionsbiologischer Sicht folgt daraus: Weibchen investieren stärker in die Nachkommen und setzen damit den Selektionsdruck, der männliche Ornamentik begünstigt. Übertragen auf Menschen wurde daraus häufig die Vermutung abgeleitet, dass Attraktivität im Kontext von „Partnerwahl“ und biologischem Fitnesssignal gelesen werden müsse. Doch genau diese Schlusskette lässt sich nur schwer sauber prüfen, weil Attraktivität mehr ist als ein einzelnes biologisches Signal.
Um den Kern der Frage systematisch zu testen, führen die Autorinnen und Autoren eine mathematische Metaanalyse durch: 52 Studien der letzten zehn Jahre, insgesamt etwa 28.500 Rater, die auf ungefähr 17.000 unterschiedliche Gesichtsfotos schauen. Die Forschenden ziehen knapp 1,5 Millionen Einzelbewertungen zusammen und standardisieren die Scores so, dass sich Ergebnisse aus verschiedenen Experimentdesigns auf eine gemeinsame Skala abbilden lassen. Entscheidend ist dabei, dass der Effekt nicht an einer einzigen kulturellen Stichprobe hängt. Die höheren Werte für weibliche Gesichter zeigen sich unabhängig von Alter, sexueller Orientierung oder kulturellem Hintergrund – zumindest innerhalb der untersuchten Studiendaten. Proceedings of the Royal Society B veröffentlicht genau diese Auswertung.
Was die Arbeit zusätzlich hervorhebt, ist ein zweiter Musterkomplex: die Rolle des Raters selbst. Zwar bewerten sowohl Männer als auch Frauen männliche Gesichter insgesamt relativ niedrig im Attraktivitätsscore, aber der Abstand zu weiblichen Gesichtern ist bei weiblichen Ratern am stärksten. Frauen zeigen damit eine Art „Same-Sex-Generosität“: Sie bewerten Gesichter ihres eigenen Geschlechts im Mittel deutlich höher, wodurch der Gap zwischen Frauen- und Männergesichtern größer wird. Die Forschenden ordnen das plausibel in soziale Normen ein. In vielen Gesellschaften werden ästhetische Standards stark über Peers vermittelt, was zu Solidaritätseffekten oder stärkerer Beachtung gleichgeschlechtlicher Merkmale führen kann.
Männliche Rater zeigen dagegen eine andere Eigenheit: Ihre Bewertungen liegen im Durchschnitt generell niedriger als die von Frauen. Dieser sogenannte „stringency bias“ erinnert an Befunde aus anderen Rating-Umfeldern, etwa bei Online-Konsumentenbewertungen oder Filmbewertungen, in denen Männer häufig zurückhaltender bewerten. In der Metaanalyse wird zudem sichtbar, dass männliche Rater mit zunehmendem Alter strenger urteilen als weibliche. Solche Interaktionen sind wichtig, weil sie zeigen, dass die Attraktivitätslücke nicht nur ein „Frauen sind schöner“-Stereotyp ist, sondern auch in Wahrnehmungs- und Bewertungsstilen zwischen Personengruppen steckt. Für die praktische Interpretation heißt das: Ein Algorithmus, der nur Durchschnittswerte nutzt, verfehlt möglicherweise den Mechanismus.
Um die biologische Komponente zu prüfen, greifen die Forschenden zu geometrischen Computer-Modellen. Sie messen die physischen Unterschiede zwischen typischen männlichen und typischen weiblichen Gesichtsstrukturen und isolieren dabei das Konzept der „sexual shape dimorphism“ – also der ganzheitlichen Formdifferenzen, die sich aus Entwicklungs- und Genetikmustern ergeben. Nach dem mathematischen Entfernen von Effekten durch durchschnittliche Gesichtszüge und wahrgenommene „Jugendlichkeit“ zeigt sich: Strukturunterschiede erklären bei weiblichen Ratern ungefähr ein Drittel der Attraktivitätslücke und bei männlichen Ratern fast die Hälfte. Das ist beträchtlich, aber eben nicht vollständig. Der Rest bleibt offen für kulturelle Erwartungen, Lernprozesse und ästhetische Sozialisierung.
Genau dieser Befund macht die Studie besonders relevant für technische Anwendungen. Wenn eine biologische Komponente nur einen Teil erklärt, dann sind reine „Face-Shape“-Heuristiken zu kurz gegriffen. Selbst nachdem die Forschenden männlich/weiblich wirkende Formvarianten kontrollieren, bewerten Frauen weibliche Gesichter weiterhin höher als männliche. Gleichzeitig verschwindet der Gap in einem wichtigen Gegencheck: Bei Studien, in denen Teilnehmende ihre eigene Attraktivität bewerteten, berichten Männer und Frauen etwa gleichwertige Scores. Der Unterschied manifestiert sich also vor allem beim Beurteilen anderer Menschen. Für Entwicklerinnen und Entwickler bedeutet das: Trainingsdaten, in denen Selbstbilder oder Selbstbewertungen dominieren, können das Signal verwischen, während fremdbezogene Ratings den Bias klarer abbilden.
Gleichzeitig liefern die Autorinnen und Autoren mehrere Grenzen, die man in der Praxis ernst nehmen sollte. Erstens: Die Studienbasis nutzt vor allem neutrale Mimik und zweidimensionale Fotos; Make-up oder Schmuck sind zwar meist reduziert, aber die Realität ist komplexer. Körperhaltung, dynamische Gesichtsausdrücke, Hauttextur, Stimme und Konversationskontext können den wahrgenommenen Geschlechtereffekt verstärken oder abschwächen. Zweitens: Ein Attraktivitäts-Score im Labor ist nicht automatisch ein Proxy für reale Reproduktions- oder Dating-Outcome. Drittens: Es gibt Unterschiede je nach Population: Beispielsweise finden männliche Rater keinen messbaren Attraktivitäts-Gap bei Black-Faces; bei weiblichen Ratern bleibt zwar die Präferenz für Black-Frauen gegenüber Black-Männern bestehen, verschwindet aber nach Kontrolle der Formunterschiede. Damit wird klar: „Gender Bias“ ist nicht überall gleich stark, und Modellierung braucht Subgruppenbewusstsein.
Hier lohnt der Blick auf die Marktseite. Dating- und Empfehlungsplattformen wie Tinder oder traditionelle Dating-Ökosysteme verarbeiten ständig Nutzersignale, aber selten offen die zugrundeliegenden Bewertungsmechanismen. Wenn Nutzergruppen unbewusst systematisch anders reagieren (wie in der Studie für Männer und Frauen), kann das zu Feedback-Loops führen: Ein Ranking-System lernt aus Interaktionen, die wiederum durch Wahrnehmungs-Bias beeinflusst sind. Marktexperten warnen deshalb seit Jahren vor „Proxy-Metriken“: Sobald ein Modell Attraktivität als Zielgröße indirekt über Klicks oder Likes approximiert, kann es kulturelle und psychologische Verzerrungen verstärken. Solche Muster werden besonders relevant, wenn Visual-Ranking-Modelle in neue Interfaces integriert werden, etwa in KI-gestützten Fotoanalysetools für Profile.
Für Unternehmen ergibt sich daraus eine doppelte Aufgabenstellung: Qualitätssicherung im Modelltraining und Governance im Datenhandling. Technisch sollte man Testen nach Ratergruppen, Ethnien und Bildbedingungen als Standard betrachten, nicht als Ausnahmefall. Regulatorisch steht das vor dem Hintergrund von Datenschutz- und Diskriminierungsvorgaben in Europa: Gesichtsbezogene Daten sind hochsensibel, und jede automatisierte Bewertung kann unter strengere Pflichten fallen, je nachdem, wie Einwilligung, Zweckbindung und Risikobewertung gestaltet sind. Konkret heißt das: Minimierung von Eingriffstiefe, Transparenz für Nutzer und robuste Auditierbarkeit von Modellen, die mit Gesichtsmetriken arbeiten. Die Studie liefert dafür zwar keinen Rechtstext, aber einen technischen Hinweis, warum „faire“ Trainingspipelines nicht nur auf Klassenlabels, sondern auf Wahrnehmungsmechanismen zielen müssen.
Ausblickend dürfte die Forschung in zwei Richtungen laufen. Erstens werden Folgearbeiten untersuchen müssen, wie sich die Effekte unter realistischeren Bedingungen verschieben: etwa in 3D, bei temporären Ausdrucksänderungen, in dynamischen Videos oder in Kontexten mit Sprache und Gestik. Zweitens werden Datenwissenschaft und Behavioral Science stärker zusammenarbeiten müssen, um die Trennung von biologischer Form, gelernter Ästhetik und sozialen Normen statistisch sauberer zu modellieren. Wenn Plattformen und Toolanbieter diese Dynamik ernst nehmen, entstehen auch Chancen: Bessere Erklärbarkeit, feinere Personalisierung und weniger riskante Bias-Verstärkung. Für die KI-Entwicklung heißt die Botschaft: Nicht nur die Gesichtsgeometrie zählt – sondern auch, wie Menschen Bedeutungen in diese Geometrie hineinlesen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Geschlechterunterschied bei Gesichtsattraktivität: Frauen wirken fast überall attraktiver" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Geschlechterunterschied bei Gesichtsattraktivität: Frauen wirken fast überall attraktiver" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Geschlechterunterschied bei Gesichtsattraktivität: Frauen wirken fast überall attraktiver« bei Google Deutschland suchen, bei Bing oder Google News!