Le Biais de Beauté au Cinéma : Protocole Expérimental

: Le Biais de Beauté au Cinéma : Protocole Expérimental et Visualisation STaRS-ESE 🎬📊 Auteur : Kevin Fradier — Chercheur indépendant 🇫🇷Licence : CC BY-NC-ND 4.0Date : Janvier 2026 Résumé De nombreuses études montrent que les héros de films sont souvent “au-dessus de la moyenne” en attractivité. Ce biais cognitif (halo effect) influence la perception du rôle, de la sympathie et de la moralité des personnages. Ce protocole expérimental testable en 5 minutes permet de : Quantifier l’impact de l’esthétique sur la perception des rôles (héros, secondaire, méchant). Mesurer l’effet de la beauté sur l’affection du public. Visualiser les résultats avec le graphique STaRS-ESE. Objectif : mesurer les effets, sans interprétation causale, pour un diagnostic scientifique et ludique. 1. Contexte scientifique Halo effect : La beauté influence la perception de compétence et moralité (Dion et al., 1972). Données empiriques : 87 % des héros ont des traits “classiquement attractifs” (USC Annenberg, 2020). 63 % des méchants ont des traits atypiques (cicatrices, asymétrie). Hypothèse testable : “Un personnage perçu comme ‘beau’ sera systématiquement jugé plus héroïque, sympathique et compétent, indépendamment de son rôle réel.” 2. Protocole expérimental 2.1 Matériel 10 images de personnages : 5 “beaux” et 5 “atypiques”. Tableau de notation (Google Form ou papier). Temps estimé : 5 minutes par participant. 2.2 Méthode Montrer chaque image pendant 3 secondes. Noter pour chaque personnage : Rôle perçu : Héros / Secondaire / Méchant. Sympathie : 1 (déteste) → 5 (adore). Beauté perçue : 1 (atypique) → 5 (très beau). Répéter pour toutes les images. 2.3 Analyse Test χ² : distribution des rôles perçus vs rôles réels. Corrélation Pearson : beauté perçue vs sympathie. Graphique STaRS-ESE : scatterplot couleur selon rôle perçu. 3. Résultat type (STaRS-ESE) import numpy as np import pandas as pd import matplotlib.pyplot as plt from hurst import compute_Hc # ------------------------------ # Jeu de données exemple # ------------------------------ data = { "Personnage": ["Capitaine America", "Thanos", "Black Widow", "Joker", "Iron Man", "Hulk", "Wonder Woman", "Bane", "Thor", "Loki"], "Beauté": [5, 2, 4, 1, 5, 3, 5, 1, 5, 3], "Rôle Perçu": ["Héros", "Méchant", "Héros", "Méchant", "Héros", "Secondaire", "Héros", "Méchant", "Héros", "Méchant"], "Sympathie": [4, 1, 4, 1, 5, 3, 5, 1, 4, 2] } df = pd.DataFrame(data) # ------------------------------ # Graphique STaRS-ESE # ------------------------------ plt.figure(figsize=(10,6)) scatter = plt.scatter(df["Beauté"], df["Sympathie"], c=pd.factorize(df["Rôle Perçu"])[0], cmap="viridis", s=120, edgecolor="k") plt.colorbar(scatter, label="Rôle Perçu") plt.xlabel("Score de Beauté (1-5)") plt.ylabel("Score de Sympathie (1-5)") plt.title("Biais de Beauté au Cinéma : Corrélation Esthétique / Sympathie") plt.grid(alpha=0.3) plt.savefig("figures/bias_beaute_cinema.png", dpi=300, bbox_inches="tight") plt.show() # ------------------------------ # Calcul Hurst pour illustration ESE # ------------------------------ df["Hurst"] = df["Personnage"].apply(lambda x: compute_Hc(np.array([ord(c) for c in x]), kind='change')[0]) print(df) Observation attendue : Corrélation positive beauté ↔ sympathie. Héros → cluster haut à droite (beau + sympathique). Méchants → cluster bas à gauche (atypique + antipathique). 4. Discussion L’esthétique influence fortement la perception du rôle, même sans contexte narratif. Implications : Casting → les acteurs attractifs jouent davantage de rôles positifs. Narration → le public anticipe le rôle par l’apparence. Culture → renforce le stéréotype “beau = bien, atypique = mal”. Question ouverte : Inverser l’esthétique des héros/méchants modifie-t-il la perception ? 5. Kit pratique (dépôt Zenodo/Reddit/Partage) BIAS_BEAUTE_CINEMA_2026/ │ ├── BIAS_BEAUTE_CINEMA_2026.pdf # Article finalisé ├── analyse_bias.py # Script Python complet ├── exemple_donnees.csv # Jeu de données test ├── figures/ │ ├── bias_beaute_cinema.png # Graphique STaRS-ESE │ └── protocole_experimental.png # Schéma du protocole └── README.md # Instructions pour reproduire README.md # 🎬 Biais de Beauté au Cinéma : Protocole Testable Testez en 5 minutes comment la beauté influence votre perception des personnages ! ## Matériel - 10 images de personnages - Tableau de notation (Google Form ou papier) ## Étapes 1. Montrer chaque image 3 secondes 2. Noter : rôle perçu, sympathie, beauté 3. Exécuter `analyse_bias.py` pour visualiser les résultats 4. Partager vos données avec #BiasBeauteCinema ## Résultat attendu - Corrélation beauté ↔ sympathie - Héros → beau + sympathique - Méchants → atypique + antipathique 6. Diffusion Zenodo / Figshare → dépôt officiel avec PDF + code + données Twitter/Reddit/LinkedIn : #BiasBeauteCinema, visuels attractifs, appel à tester Podcasts / YouTube : segment ludique avec mini-expérience live 7. Conclusion Simplicité : 5 min pour participer Rigueur scientifique : analyse statistique + visualisation STaRS-ESE Aspect viral : graphique intuitif + hashtag + partage Ce protocole rend visible le biais inconscient de beauté, tout en restant scientifiquement neutre et testable. Licence : CC BY-NC-ND 4.0