PLOS ONE 的一項新研究使用機器學習分析了 4,438 名嬰兒的“氣質”數據，試圖按性別和年齡對嬰兒進行分類。

結果表明，計算機算法根據嬰兒出生后 48 周內的氣質數據，確定嬰兒的年齡要比來破譯嬰兒的性別容易得多。然而，一旦嬰兒超過 48 周大，考慮到性別分類算法得到改善，嬰兒期的性別差異在這段時間變得更加突出。

該研究的主要作者、華盛頓州立大學心理學教授 Maria Gartstein 說：“這至少暗示了一幅圖景，即在一歲左右，新生兒的性情開始以更強大的方式因性別而有所不同。

以前的研究已經調查了嬰兒的年齡和基于性別的氣質差異，但很少有研究將這兩個變量放在一起。Gartstein 說，這主要是由于單個實驗室難以收集足夠的嬰兒行為數據，以使他們的發現在統計上可靠并與足夠廣泛的人群相關。

為了克服這一挑戰，Gartstein 和她的同事聯系了更多科學家，匯總了 2006-2019 年間收集的嬰兒行為問卷數據。該問卷是一種家長報告的氣質測量方法，要求家長記錄他們的孩子從 3 到 12 個月大時表現出的 191 種不同行為的頻率。然后，這些數據可用于根據 14 個不同的氣質維度對嬰兒進行評分，例如微笑、活動水平、憤怒/沮喪和恐懼。

盡管已經開發了許多用于測量兒童氣質的方法，包括各種觀察程序和生理技術，但總體而言，父母報告仍然是最廣泛使用的。

目前，羅斯巴特的心理生物學模型通常被認為是目前最廣泛接受的氣質理論或框架。這種方法將氣質視為基于體質的反應和自我調節的個體差異，體質指的是個體相對持久的生物構成，受遺傳、發育和經驗的影響;反應性是指情緒、運動和注意力反應的可喚醒性，通過閾值、潛伏期、強度、達到峰值強度的時間和反應的恢復時間來評估;自我調節體現了可用于調節反應性的過程，例如舒緩性和抑制性控制。

最終，Gartstein 及其同事收集了 2,298 名男孩和 2,093 名女孩的數據。為進行分析，愛達荷大學的合著者 Erich Seamon 使用機器學習算法將 0-24 周齡、24-48 周齡、超過 48 周的嬰兒按照男性或女性，根據 14 個氣質維度進行評分。準確率隨著年齡的增長而增加，從年齡組 1 的 38% 到年齡組 3 的 57% 不等。

Gartstein 表示，“這是一個很酷的機會，可以使用這些機器學習技術進行演示研究，這些技術需要非常大的數據集，并且在社會情感發展研究中并不常見，它讓我們第一次有機會真正考慮性別差異在多大程度上受到嬰兒年齡的影響。”

研究人員的分析結果表明，恐懼是區分年齡最小和中等年齡組男孩和女孩的最重要特征。隨著嬰兒年齡的增長，反應能力下降，或者能夠從高壓力情況中迅速恢復，表現出更多的主動互動和與人和物體接觸的意愿，變得更有影響力。

對于 48 周以上的嬰兒，低強度的娛樂或享受熟悉的平靜活動(例如與父母玩躲貓貓)是區分男孩和女孩的最有影響的變量。總體而言，女孩在恐懼、反應下降和低強度快感方面表現更高，而男孩在對外接觸方面表現更高。

有趣的是，某些氣質特征降低了機器學習算法在按性別對嬰兒進行分類時的準確性，特別是最小年齡組的可愛、聲音反應、微笑和笑聲，以及最大年齡組的微笑、笑聲、感知敏感性(例如注意到非常細微的變化)和活動。

盡管許多因素可能會影響研究人員的結果模式，但他們的工作與之前的研究結果一致，即社會化的影響確實在一歲左右開始發揮作用。

Gartstein 表示， “母親對他們的兒子和女兒采取不同的社會化方法，隨著時間的推移，這種差異會導致在氣質方面的不同軌跡。具體來說，父母可能會優先考慮女兒的關系取向，而優先考慮兒子的能力和自主權。”

展望未來，Gartstein 表示，接下來她和她的合作者將用當前研究開發的機器學習方法，來調查其他關于嬰兒社會情緒發展的難以回答的問題。

Gartstein 說，“我現在真正感興趣的是，看看是否可以根據孩子的大腦活動來預測看護質量的差異。我們為這項研究開發的分析方法在回答依賴多個輸入變量來解決分類問題的問題時特別強大。”