美似乎是人类普遍关注的焦点（Grammer et al., 2003; Zangwill, 2005, 2018; Scruton, 2011, 2018; Sartwell, 2017）。我们渴望拥有美，被美好的事物环绕，并创造美好的事物（Bloch and Richins, 1992; Chatterjee, 2014; Redies, 2014）。美被赋予自然事物（例如，面孔、风景、动物等）以及文化产物（例如，艺术和建筑设计；Menninghaus et al., 2019）。尽管我们如此关注美，但我们对美的含义以及它与不同事物之间的联系却知之甚少。各种价值判断。根据关联性来考察这个难以捉摸的概念，可以让我们了解人们是如何理解美的（Chatterjee，2014；Chatterjee 和 Vartanian，2014；Menninghaus 等人，2019）。

根据审美三元框架（Chatterjee 和 Vartanian，2014，2016），审美体验（例如美）由三个组成部分构成：感觉运动成分、情感评价成分和意义知识成分。认知理论和研究已将概念的意义与其语义邻域联系起来，例如，与其直接相关的概念（Klimesch，1987；Landauer 和 Dumais，1997；Günther 等，2019）。因此，美的概念空间可以从与其相关的概念中推断出来。

在本研究中，我们通过分析参与者的自然语言，聚焦于审美三元组中的意义-知识成分。美也与其他类型的价值判断相关，例如善的判断（Dion et al., 1972; Eagly et al., 1991）和健康观念（Koskinen et al., 2017）。本研究还探讨了健康概念及其与美的关系。我们运用计算网络科学方法分析自然语言，以确定人们对美和健康概念的理解在不同年龄段和性别群体中的异同。进化心理学研究强调，美的概念反映了人们在择偶时对外貌吸引力强的人的偏好（Grammer et al., 2003）。

估值美的概念延伸到其他类型的价值判断中，例如道德判断，这种延伸通常被称为“美即善”（Dion et al., 1972; Eagly et al., 1991）的刻板印象。根据这种刻板印象，外表出众的人被认为具有积极的个人特质；长相好的人也被认为是好的。在另一项研究中，与没有缺陷的面孔相比，参与者会将带有疤痕等缺陷的面孔评为具有负面特征（Hartung et al., 2019; Workman et al., 2020）。这项研究表明，我们的价值判断系统并不精确。除了将美与善混为一谈之外，对美的价值判断还延伸到健康方面。与进化心理学的观点一致，吸引力表明配偶是健康的，从而确保后代的健康（Grammer）。等，2003）。因此，美丽与健康之间的联系可能有着深厚的进化根源。

人们对健康的关注由来已久。例如， 亚里士多德探讨了幸福感与享乐主义（hedonia）之间的关系（即追求幸福）。 为了享乐）和为了幸福（美德的培养；胡塔 （以及 Waterman，2014）。在当代物质发展中社会（Chen 等人，2015；Koskinen 等人，2017），健康经常 指的是强调健康自我利益的整体健康理念， 自我意识和自我提升（Mueller 和 Kaufmann， 2001）。追求身心健康是有意义的生活的一部分。 生活方式（Chen et al., 2015; Valentine, 2016; Lee et al., 2019）。

然而，就像美丽一样，健康也难以定义，而且 意义是可塑的（Corbin 和 Pangrazi，2001；Koskinen）。 等，2017）。除了健康和医学之外，健康还与以下方面相关： 通过冥想和运动等积极主动的练习（陈）。等，2015），注重自我实现，以及追求 快乐（Ryan 和 Deci，2001；Diener 和 Biswas-Diener，2011； Ryff，2018）。这种追求健康的文化趋势体现在以下方面： 蓬勃发展的健康产业（Lee et al., 2019），具有全球价值2017 年为 4.2 万亿美元（全球健康研究所，2017 年）。

 因此，健康也是消费的目标之一（Featherstone， 2010）。鉴于健康与美德之间存在广泛的关联， 健康与休闲（Koskinen等人，2017），人们如何看待这些问题？ 关于这个概念用自然语言表达的方式？ 美容行业经常将产品宣传为能够反映…… 健康和内在美，表明他们利用了这一点 这两个概念之间存在心理联系。这种逻辑 如上所述，营销策略得到了以下方面的支持： 进化心理学。性选择理论提出： 姣好的容貌和身材是健康和生育能力的象征潜在伴侣，预计最有吸引力的人将胜出 成为最健康、最有生育能力的人（Buss 和 Schmitt，1993 年； 格拉默等人，2003；赫内科普等人，2007；库切等人， 2009；Stephen 和 Tan，2015）。根据这些理论，美健康与身体健康都密切相关，而且 繁殖成功率。这种关系可能仍然与以下方面有关： 我们的大脑，即使最初的健康信号因素 （例如，免疫能力或对寄生虫的易感性） 生殖成功在21^世纪可能不再那么重要。 世纪（Chatterjee，2014）。

考虑到美的概念和健康与身体健康及其可塑性有关。也就是说，它们如何随年龄和性别而变化？随着年龄的增长，人们……积累更多经验，从而积累知识。这些结构可能会继续发展（Park等人，2002； Chatterjee 和 Vartanian，2014）。然而，我们对这方面知之甚少。衰老对美感和健康认知的影响。例如，Koskinen等人（2017）采访了中年人针对50至65岁人群的健康话题，作者们进行了调查。研究发现，与健康相关的活动并非直接针对……对抗衰老带来的不良影响，但重点在于维持……幸福充实的日常生活（Koskinen 等人，2017）。研究关于美的概念空间是如何形成的。健康状况随年龄而异，我们需要纵向或交叉研究。横断面研究（Wulff等人，2019）。一种方法是对年龄不同的群体进行横断面研究，并与以下方面相关：不同世代（Costanza等人，2012，2017；Rudolph）等，2020a）。年龄组指的是个体群体。根据共同出生年份被归为一类的人，特定重大事件，年龄也可以反映出两者之间的差异与因生理和文化因素导致的衰老相关的个体成熟（Costanza 等人，2012）。

为了检验这些表征方面的潜在差异为了区分不同年龄组的概念，我们采用了年龄队列研究。方法。具体而言，我们针对四个队列，定义如下：皮尤研究中心（Dimock，2019）：Z世代（人群） （1997-2012 年出生；9-24 岁）；千禧一代（1981-1996 年出生；25-40 岁）；X 世代（1965-1980 年出生； 41-56 岁）；以及婴儿潮一代（1946-1964 年出生的人； 57-75岁）。尽管不同年龄段的个体之间存在差异，这些世代被认为在内部相似又彼此不同。彼此之间（Costanza 和 Finkelstein，2015；Rickes，2016； Rudolph等人，2020b）。虽然个体之间肯定会存在差异。他们被归类为特定群体，通常是婴儿潮一代。被描述为理想主义的乐观主义者和受过良好教育的人；X世代被视为愤世嫉俗、脱离现实且务实的怀疑论者；千禧一代现实主义者、受过良好教育的人、精通科技的人；以及Z世代适应能力强，精通社交媒体（Rickes，2016）。最后，关于美丽和健康含义的任何差异也可能与性别差异有关，即男性和女性的差异。对这些概念及其关系的理解各不相同。例如，女性对身体美的重视程度低于男性。在对吸引力的重要特质进行排序时，美感至关重要。市场也在重塑性别刻板印象以及男性与女性的关系。对美容产品。当代男性更关注这些产品。他们拥有自己的外貌，并且更愿意使用与那些接受传统男性性别规范的男性相比，使用化妆品的男性更多刻板印象（Ostapenko，2015；Khan 等，2017）。这种文化这些变化引发了人们对当前性别差异的疑问。对美和健康的认知。

综合来看，这些构造人们对美丽和健康的理解并不透彻，而且它们的含义可能因年龄和性别而异。我们探究了以下方面的关联： 美丽与健康，它们之间的关系，以及通过分析自然 语言学研究年龄和性别如何影响这些概念。 我们运用自然语言来审视美的策略 健康理念的驱动力源于知识发挥重要作用的假设。 在审美体验中的作用（Chatterjee 和 Vartanian，2014， 2016）。通过计算机分析口头反应可以测量， 区分并描述心理的主观体验 构造（John 等人，1988；Kjell 等人，2019；Coburn 等人， 2020；Hayn-Leichsenring 等人，2020）。多项研究已使用 利用词汇语料库分析美学的语义（Kuehnast） 等，2014；细谷等人，2017； Menninghaus 等人，2019）。词汇 语料库分析——识别概念的“语义空间”—— 是一种通过以下方式间接揭示概念关联的方法： 代表构成此类结构的概念空间 （Günther等人，2019）。概念的“语义邻域”即使概念难以理解，也能阐明其含义。直接定义。Kuehnast等人（2014）分析了自由缔合。对与“感动”概念相关的各种情感词汇的反应。作者将喜悦和悲伤确定为关键情绪。与被感动的体验相关，并展示了如何绘制“被感动”的语义空间图，提供了洞见分解为该空间的组成部分（Kuehnast等人，2014）。在最近的Menninghaus等人（2019）的一项研究调查了美容与……的关系对应三个相似的美学概念：优雅、高贵和性感。运用自由联想、问卷调查和语义差异法根据评分（Menninghaus等人，2019），他们发现优雅和优雅与性感不同，但这三个概念却有重叠之处。更广泛的“美”的概念（Menninghaus等人，2019）。这份报告体现了人们对代表……日益增长的兴趣。美学概念（例如美）的语义空间。

一种从语言数据估计语义空间的方法网络科学（Siew等人，2019）提供利用定量方法研究复杂系统网络（纽曼，2010；巴拉巴西，2016）。网络由以下部分组成节点代表系统的基本单元（例如，概念）。在语义记忆中）以及表示链接或边缘的链接或边缘它们之间的关系（例如，语义相似性）。过去二十年来，已有数项研究运用了计算科学。将认知系统表示为网络并进行研究（Borge- Holthoefer 和 Arenas，2010；Baronchelli 等人，2013；Karuza）。等，2016；Siew 等，2019）。具体而言，此类方法已应用于研究语义记忆——认知系统它以语义网络的形式存储事实和知识（Siew）。等，2019；Kumar，2021）。例如，网络科学已经检验心理学假设，即高创造力个体具有更灵活的语义记忆结构（Kenett等人， 2018；Kenett 和 Faust，2019），确定了语言机制发展（Steyvers 和 Tenenbaum，2005；Hills 等人，2009），阐明了统计学习（Karuza等人，2017），展示了如何特定的语言网络属性会影响记忆提取（Vitevitch等人，2012，2014），并提供了对以下方面的见解：双语者第二语言语义记忆的结构（Borodkin 等人，2016 年）。除了这些针对认知的研究之外，网络科学可以研究年龄群体对语义的影响记忆（Zortea 等人，2014；Dubossarsky 等人，2017；Wulff等，2018、2019；科斯格罗夫等人，2021）。

这些研究发现老年人语义记忆中的概念更有条理。 （即，概念的语义邻域较为稀疏，这这意味着网络中的概念之间的联系较少）更加隔离（网络中任何一对概念都是“进一步的”与年轻成年人相比，他们的差距更大”。例如，杜博萨斯基等（2017）分析了自由关联的网络结构从横断面队列样本中获得以估计针对青年、中年和老年人群体的语义网络成年人。作者发现语义记忆呈U形变化。生命周期中的属性：语义记忆最初是稀疏的，中年时期密度增加，随后逐渐增加随着年龄增长，种群数量逐渐减少（Dubossarsky 等人，2017）。

我们应用语义网络方法来检验以下问题：（1）什么是语义邻域？ （2）美丽和健康这两个概念有何区别？美容和健康之间有联系吗？（3）这些概念不同年龄段人群对美容和健康的看法有何变化？此外，还有一个探索性问题。(4) 美的概念是否与此相关？男性和女性的健康生活方式有何不同？

为了解答这些问题，我们开展了一项在线调查。我们收集了受试者对提示词的自由联想反应。与美容、健康和美容+健康相关（描述）稍后）来自四个年龄段的人群（Z世代、千禧一代、 X世代和婴儿潮一代）。如前所述，免费联想已被用于对美学进行实证研究。概念（Kuehnast 等人，2014 年；Hosoya 等人，2017 年；Menninghaus等，2019）。这项任务利用了自然的概念结构。在语义记忆中（Deese，1965；Nelson等人，2000；De Deyne等人（2016a）。自由联想反映了词汇知识通过经验获得，因此可以用来表示语义网络中概念的组织（Siew等人， 2019）。作为一项次要的探索性分析，我们也考察了性别通过合并不同年龄段的数据来分析差异并将数据按性别（男性和女性）划分。

如果美容和健康是不同的概念，我们预期它们会有所不同。并区分围绕每个概念的“语义邻居”。如果这些概念相互重叠，我们预期它们之间的界限会越来越模糊。社区，而且这两个概念在很大程度上是相关的。属于美容+健康类别的术语。此外，基于先前对“老龄化词汇”的研究（Wulff等人，2019），我们预期会发现隔离程度增加。老年人的语义网络连接性下降。世代群体。最后，如果男性和女性代表美丽和健康这两个概念有所不同，这些差异这一点在其相应的语义网络中会很明显。例如，男性和女性是否更看重身体特征谈到美容或健康时，你的想法是否有所不同？

材料与方法

研究设计

我们的研究采用受试者间年龄世代队列设计。我们收集了自由联想反应以估计语义美容和健康概念网络及其运作方式在不同群体之间相互关联。我们使用计算语言学方法（Mikolov等人，2013）确定候选术语（使用来自过去十年的 1 亿个单词）。 （来自谷歌新闻的已发布内容）与美的概念相关以及健康（每个概念的前 15 个最常用词汇）。为了研究美丽与健康之间的关系，我们确定了以下几点：与结合了这两个概念的类别相关的术语（美容+健康，15个术语）。此类计算方法已被广泛应用于心理语言学研究（曼德拉）。等，2015，2017）作为一种识别类别相关的方法然后，我们收集了对这些词语的自由联想回答。 45 个术语以及来自“美容与健康”的术语我们针对目标四个年龄段的参与者样本接下来，我们应用了一种已开发的计算方法。 Kenett等人（2011）提出了一种表示语义网络的方法。基于这些自由联想，我们估计了一个一般语义。所有术语的网络，按条件折叠（以解决）问题 1 和 2）；每个年龄段的语义网络队列（用于回答问题 3）；以及语义网络这些用于指代男性和女性的术语，在所有情况下都被合并了。 （针对问题 4）。然后我们测量了不同的属性。在这些网络中，重点关注语义邻居美容与健康的概念及其融合程度彼此之间。

参与者

参与者是通过亚马逊机械平台在线招募的。 Turk（AMT；Buhrmester 等人，2011）。我们的目标是招募参与者来自我们的四个年龄组，但并不过度限制参与者的随机选择。因此，参与者被分配到近似 Z 世代（GenZ；20 岁及以上）的年龄段。 30岁及以上），千禧一代（千禧一代；31-40岁），世代X世代（41-50岁）和婴儿潮一代（61-50岁）。 70岁及以上人群队列。数据以50人为一批进行收集。每次只允许特定年龄段的参与者参加。特定年龄组达到100名参与者后，各组人数均达到100人。所有参与者均为美国公民，英语水平为英语。他们的母语。为了解决AMT可能出现的问题。数据质量（Chmielewski 和 Kucker，2020），我们手动仔细审查了原始关联反应数据（见下文）。排除标准为：（1）未作答的参与者在自由联想中，超过10%的提示词与目标词相关。排除任务；（2）平均生成每个提示词对应的联想反应数量为排除低于组平均值两个标准差的数据； （3）将非词语作为联想词输入的参与者部分回复被排除在外。8名Z世代和3名婴儿潮一代。由于参与者人数过少，部分参与者被排除在外。每个提示词的联想反应数（例如，一个联想反应） （回应）。另有四名Z世代参与者被排除在外。因为他们没有遵守任务指示。表1列出所有组别参与者的基本信息。

各队列组之间未发现统计学差异。 受教育年限或平均社团数量 由不同提示词分组生成。 本研究已获得宾夕法尼亚大学的批准。 机构审查委员会。

措施

刺激构建

我们首先从与美容和健康相关的词汇入手，连接这两个概念的术语。为了识别这些术语，我们研究了英语中自然语言的使用模式。 （Chowdhury，2003）采用计算语义方法， word2vec（Mikolov等人，2013）。我们特别关注基于词级文本语料库，使用包含 1000 亿个单词的语料库进行训练。关键词抓取自谷歌新闻，时间跨度为10年。该模型包含 300 万个不同单词的 300 维向量以及短语。我们关注的是个人的语境。文字，并通过深度神经网络预测模型该方法通过对密切相关的词语样本进行分析，预测目标词。出现的词语（即上下文词语）。以往的研究报告该方法优于传统的计算语义学例如潜在语义分析模型（Mikolov 等人，2013）。我们通过自然语言工具包实现了它。 （Edward 和 Steven，2002）和 Gensim（Rehurek 和 Sojka， 2010 年）Python 包。我们计算了排名前 10% 的包（30 万个）。出现频率最高的词语，然后计算出约700个。此列表中与以下词向量最相似的词向量（余弦相似度）词向量“美丽”、“健康”和通过将“美”的词向量相加得到的词向量以及健康。

我们从这些术语列表中选择了15个术语。仅出现在一个列表中。我们通过选择术语来实现这一点。根据词条在语料库中出现频率降序排列，与这些向量相关的词向量是基于谷歌新闻文章十年的数据，并且已经……他认为，它从广义上捕捉到了心理活动。 （Mikolov等人，2013；Mandera等人，2017）。因此，我们假设这些项描述了我们的多维向量。感兴趣的领域（美容、健康以及美容+健康）。最后，这些与向量相关的术语作为基于语料库的类别提供了一个可以用来与我们的经验进行比较的基准收集数据。使用以下方法检查提示词的具体性： 40,000 个已知英语词条的具体性评级规范（Brysbaert等人，2014）。未发现显著差异。针对三个组别中词语的具体性进行评级（所有 p's ns）。

连续自由联想任务

参与者会看到一个提示词，然后有 1 分钟的时间。为了尽可能多地引发联想反应，他们可能用于提示词。参与者生成单个词对包含47个提示词的列表进行自由联想。这47个提示词词语由与“美丽”相关的前15个词语组成。健康、美容+健康，以及其他相关概念以“美丽”和“健康”为核心关键词（附录表A1）。持续自由联想任务已被证明是更优的。在离散自由联想任务中，揭示了较弱的联想能力关系（Hahn，2008；Kenett 等人，2011；De Deyne 等人， 2013）。连续自由联想任务在数量上有所不同参与者所需回复的时间或次数（Kenett等人，2011）。在此，我们遵循之前的研究。让参与者生成不受限制数量的联想每个提示词的反应时间为 1 分钟（Kenett 等人，2011；Kenett） （以及 Thompson-Schill，2020）。数据经过预处理为规范回复并修正拼写错误，例如，复数形式。回答被转换为单数形式，非词语被……删除了，并将大写字母改为小写字母。此外，任何生成的联想提示词回复也被删除了。

语义网络估计

我们使用Kenett等人（2011）开发的计算方法计算并比较了各种语义网络。该方法的核心思想是将语义网络中概念之间的连接定义为对这些概念产生的联想反应的重叠。这一概念与Collins和Loftus（1975）对语义相似性的定义相符（Kenett等人，2011）。目前，越来越多的证据表明联想关系和语义关系之间存在很强的耦合性（McRae等人，2012）。我们估计的语义网络由47个节点（来自自由联想任务的提示词）组成，这些节点映射到三个基于语料库的类别。我们使用Pearson相关系数计算任意两个提示词之间的关联相关性。结果得到一个47×47的矩阵，其中每个单元格表示节点i和节点j之间的关联相关性。许多边的关联相关性值较小。
或者弱关联，代表网络中的噪声。为了最大限度地减少噪声并去除可能的虚假关联，我们应用了平面最大滤波图滤波器（Tumminello 等人，2005；Kenett 等人，2014；Christensen 等人，2018）。

这种方法保持各组之间边的数量相同，避免了因边数不同而导致的网络结构差异（van Wijk et al., 2010; Christensen et al., 2018）。因此，采用这种方法构建的网络可以直接比较，因为它们具有相同数量的节点和边。为了检验网络结构，边被二值化，所有边的权重都统一为1。虽然可以使用加权边（权重等于相似度）来分析网络，但这种方法可能会给网络结构引入噪声。此外，Abbott et al. (2015) 发现加权和非加权语义网络分析的结果相似。因此，网络被分析为非加权（所有权重均相等）且无向（节点间存在双向关系）的网络。
针对不同群体（年龄世代语义网络）构建的语义网络，如果由相同的节点（47 个提示词）和相同数量的边（270 条边）组成，则可以进行比较。此外，平均度，
所有网络中每个节点的平均边数相等（平均每个节点 5.74 条边）。

使用 Matlab 的 Brain Connectivity Toolbox（Rubinov 和 Sporns，2010）进行网络分析。计算了聚类系数 (CC)（衡量网络连接性）和平均最短路径长度 (ASPL)（衡量全局距离）（Siew 等，2019）。最后，计算了模块度 (Q) 指标（Newman，2006）。CC 指的是一个节点的两个邻居节点本身也是邻居节点的程度（即，邻居节点是指通过边连接到节点 j 的节点 i），该值在网络中所有节点上取平均值。因此，CC 值越高，网络的整体连接性就越高。在语义网络中，这种连接性表示概念之间的相似性。ASPL 指的是连接任意两个节点所需的平均最短路径长度（即边数），例如，ASPL 值越高，网络的分布就越分散。以往的语义层面研究表明，语义网络中概念之间的 ASPL 与……相关。
参与者判断两个概念是否相互关联（Kenett et al., 2017; Kumar et al., 2020）。网络的CC和ASPL通过与具有相同节点和边数的随机网络中的等效参数（分别为CCrand和ASPLrand）进行定性评估。Q值估计网络如何分解（或划分）成更小的子网络或社群（Newman, 2006; Fortunato, 2010）。它衡量网络中同一社群内节点之间连接的密集程度以及不同社群间节点之间连接的稀疏程度。因此，Q值越高，网络越容易被划分成子社群。这些子社群可以被视为网络内部的子类别。
语义记忆网络。先前的研究表明，语义网络的模块化程度与网络的灵活性呈反比关系（Kenett等人，2016，2018）。

基于组的网络分析针对不同的网络，计算每个网络指标的单一值。为了统计比较不同时间点和不同组别的语义网络，我们应用了自助法（Efron，1979）从经验数据中模拟网络指标的大分布，并比较每种条件下的部分网络。自助法过程包括随机选择构成网络的一半节点。针对这些选定的节点，分别构建每个语义网络的部分网络。这种方法被称为不放回自助法（Bertail，1997）。最后，对于每个部分网络，我们计算了CC、ASPL和Q指标。
计算过程通过 1000 次模拟实现。然后使用 t 检验（针对性别网络）或单因素方差分析（针对生成）检验每个网络指标上自举部分网络之间的差异。
网络）分析。

为了考察网络中与“美丽”和“健康”相关的概念组织方式的差异，我们开展了多项互补分析：首先，我们对每个网络中“美丽”和“健康”节点的邻居（直接连接的节点）进行了定性识别和比较。这使得我们能够考察每个网络中与这些概念相关的关键术语。其次，我们进行了社群检测分析，以考察网络中的术语（节点）如何聚类成定义明确的社群（Hayn-Leichsenring et al., 2020）。为此，我们采用数据驱动的方法来确定所有网络中每个节点的社群归属（Betzel et al., 2017）。我们应用模块化最大化方法将网络划分为不同的社群。该方法采用 Louvain 模块化方法，这是一种贪婪随机方法（Lancichinetti and Fortunato, 2009）。鉴于该方法的随机性，Louvain模块度方法重复应用1000次（Bassett等人，2011）。为了解决1000次迭代中社群划分的变异性，采用共识分析来确定能够概括所有划分分布共性的最优社群划分（Lancichinetti和Fortunato，2012；Betzel等人，2017）。该过程的结果是：基于数据驱动的共识，识别出每个网络的社群，以及网络中每个节点的社群分配。
针对特定社群。然后，我们将这些数据驱动的划分与我们基于语料库定义的类别进行比较，该类别是基于 word2vec 分析得出的。

我们对这些数据驱动型分析进行了两种类型的分析。
分区：首先，我们计算了 Rand 相似度指数。
分别对基于语料库的分区和每个数据驱动的分区进行划分。
（Rand，1971；Traud 等，2011）。兰德相似性指数
衡量两个分区之间的相似性，对应
以相同方式识别的节点对的比例
分区（可以在两个分区中一起分区，也可以在两个分区中分别分区）。
其次，我们测量了不同提示词的分布情况。
将不同类别归入不同的数据驱动型社区
分别对每个网络进行计算。然后我们计算了标准
这些分布的偏差作为衡量它们程度的指标
存在差异（Hayn-Leichsenring等人，2020）。较低的标准差表明
词语提示类别广泛分布于不同的领域
社区。较高的标准差表明词线索类别
聚集在一个或少数几个社区中。这些
分析可以检验基于语料库和数据的方法的效果如何。
驱动分区对齐。

程序

参与者签署了知情同意书，然后完成了所有任务。
使用 Qualtrics1。参与者被要求生成，
1分钟，尽可能多的不同单字联想反应
可以想到一个提示词。在每次试验中，提示词
屏幕中央显示一个带有响应框的界面。
下方是参与者输入答案的地方。
响应框中出现了一个计时器，从 60 秒开始倒计时。之后
60秒后，新的试验立即开始。提示词是
随机呈现，在25个提示词之后，参与者会……
短暂休息。最后，参与者被问及一些人口统计学问题。
问题。参与者被要求自行填写年龄。
（“你多大了？”），性别（“你出生时被指定的性别是什么？”）
出生日期？），以及受教育年限（“受教育年限有多少年？”）
你完成了吗？”

结果

为了解答我们的四个研究问题，我们开展了三项分析：全局网络分析、语义邻域分析和语义社群分析。这些分析分别针对三种不同类型的网络进行：通用网络（包含所有参与者的数据）、基于世代年龄队列的语义网络和基于性别的语义网络。

全球网络分析

我们首先基于整个网络估计了一个语义网络。
收集的数据。这种估计的通用语义网络
为我们提供了一个基准，以便与不同的
我们进一步分析了基于群体的网络（性别和世代）。
接下来，我们计算了这些网络的度量值。
一般网络（表 2）。为了可视化网络（图 1），
我们应用了力导向布局（Fruchterman 和 Reingold，
Cytoscape 软件（Shannon 等人，2003 年）的 1991 年版本。
在这些二维可视化图中，节点分别由以下元素表示：
图像及其之间的边缘用线条表示。
由于这些网络是无向且带权重的，因此边
表达两个之间对称（即双向）的相似性
节点。对网络进行可视化检查表明，该线索
“美丽”和“健康”这两个词是分开的，各自独立。
被相应类别的提示词包围，而
来自美容+健康类别的提示词已分发
跨越两个“语义邻域”。

中期观察

美容与健康的概念空间可分为两部分。
社群。将美容+健康联系起来的术语
word2vec 选择标准似乎无法弥合两者之间的差距。
概念。这些假定的组合术语似乎与以下概念相关：
更接近于美的概念。最后，诸如此类的术语
天赋、异域风情、独特性和个性，与此相反
word2vec 分析显示，与健康相关的词汇比其他词汇与健康相关的词汇更紧密。
美丽。

基于年龄世代队列的网络

接下来，我们估计了Z世代、Mill等人的语义网络，
X世代和婴儿潮一代。与一般情况类似
我们计算了网络指标（表3），并
使用 Cytoscape 软件对网络进行可视化（图 2A）。

网络分析为每个网络计算一个单一值。
针对不同网络进行测量。为了从统计学角度检验
我们观察到四个队列的网络指标存在差异。
应用自举部分网络分析（Bertail，1997；
Kenett等人（2014）生成每个值的分布
从经验数据中获取网络度量。这种方法
随机选择构成整个网络的一半节点
（47 个节点中的 23 个）。接下来，构建了部分网络。
对于这两个组，针对该节点子集。网络度量
对每个部分网络进行计算，该过程是
重复1000次。由此得到样本分布为
所有四个指标（CC、ASPL 和 Q）均采集了 1000 个样本。
我们通过对组进行单因素方差分析来检验网络。
各项网络指标的影响（图 2B）。

CC——聚类系数；ASPL——平均最短路径长度；Q——模块度
度量；CCrand——随机图的聚类系数；ASPLrand——平均值
随机图的最短路径长度。配对样本t检验分析表明，这种效应是由不同年龄世代网络CC变化差异驱动的：Z世代的CC显著低于千禧世代，t(1998) = 3.22，p < 0.001，d = 0.13；千禧世代的CC显著低于X世代，t(1998) = 6.38，p < 0.001，d = 0.29；最后，X世代与婴儿潮一代的CC之间未发现显著差异，p > 0.20，d = 0.06。

ASPL

一代人（Z世代、千禧世代、X世代和婴儿潮一代）单向
方差分析显示年龄世代存在显著的主效应。
在 ASPL 上，F(3, 3996) = 15.40，p < 0.001，η 2 = 0.01。事后
配对样本t检验分析表明，这种效应是由以下因素驱动的：
按年龄世代间 ASPL 变化差异
网络：Z世代的平均每千次观看次数显著增加
对 Mill 小组，t(1998) = −2.52，p < 0.01，d = 0.12；A
与之前相比，Mill 集团的 ASPL 显著增加。
GenX组，t(1998) = −3.37，p < 0.001，d = 0.16；最后，无
GenX 的 ASPL 存在显著差异。
与婴儿潮一代相比，p > 0.85，d = 0.01。

问

一代人（Z世代、千禧世代、X世代、婴儿潮一代）单向
方差分析显示年龄世代存在显著的主效应。
在 Q 上，F(3, 3996) = 13.37，p < 0.001，η 2 = 0.01。事后
配对样本t检验分析表明，这种效应是由以下因素驱动的：
不同年龄世代网络中 Q 值变化的差异：
与GenZ群体相比，GenZ群体的Q值显著增加。
Mill组，t(1998) = −3.83，p < 0.01，d = 0.15；无显著性差异
Mill组与GenX组的Q值差异，
p > 0.66，d = 0.03；最后，Q 存在边缘显著差异。

中期观察

我们的研究结果与之前的研究（Dubossarsky et al., 2017; Wulff et al., 2018）相似，表明老年群体拥有更有序、更分离的语义网络（CC值较低，ASPL值和Q值较高）。此外，在老年群体中，“美容”和“健康”这两个语义邻域之间的分离度也更高。

基于性别的网络

最后，为了进行探索性分析，我们估计了不同年龄段的女性和男性语义网络。然后，我们计算并比较了它们的网络指标（表 4），并使用 Cytoscape 软件（Shannon 等人，2003）的力导向布局以类似的方式可视化了这些网络，绘制了图表（图 3A）。

为了从统计学角度检验不同网络间网络指标的可能差异，我们同样采用了自举分析方法。然后，我们对每个网络指标（CC、ASPL 和 Q；图 3B）的性别效应进行 t 检验分析。对……进行独立 t 检验分析

中期观察

总体而言，这些发现表明，男性语义网络的结构性低于女性语义网络（CC值更高，ASPL值和Q值更低）。围绕“美丽”和“健康”的社群在女性中比在男性中更加隔离。作为观察到的定性差异的代表，女性将教育与美丽联系起来，而男性则将才能与健康联系起来。

语义邻域分析

接下来，我们对直接
提示词“美”的邻居（直接连接的节点）。
以及我们所考察的七个网络中的健康状况
（一般、女性、男性、Z世代、千禧世代、X世代和婴儿潮一代；
图 4）以识别它们的相似之处和不同之处
邻居们。具体来说，对于“美”这个词，指的是优雅、女性化等。
华丽、可爱、性感、时尚，这些词都紧挨着。
在所有网络中。对于健康领域，术语包括有氧运动、健身、
健康、整体、生活方式、医疗、营养和茁壮成长
在所有网络中的直接邻居。此外，还有一些术语
最初分配到美容或健康部门，最终却直接负责其他事务。
与另一个概念相邻的术语：教育（最初是
被归类为健康类别）是……的直接邻居
（在女性和婴儿潮一代的社交网络中）美丽；
“美味”、“异域风情”和“才华”这几个词（最初被赋予）
美容类商品）在某些健康类商品中是直接相邻的。
网络（补充表 1、2）。最后，我们考察了
与“美丽”直接相邻的类别
健康（补充表 1、2）。我们发现直接
Beauty 的邻居来自美容 + 健康类别
（8/16 邻居）和美容类别（7/16 邻居）
邻居）。相比之下，Wellness 的直接邻居是
由整个健康类别（15/22）组成，仅
来自美容+健康类别的三个直接邻居
（3/22）。这一发现表明美容+健康类别
根据 word2vec 分析得出的结果，它与上述结果关系更为密切。
与美的概念以及健康相关的术语
类似推导出来的类别与该概念更直接相关。
健康。

语义社群分析

最后，我们进行了数据驱动的社区检测分析。
计算七个区域中每个区域的共识分区。
网络。我们计算了兰德相似性指数来衡量……
每个数据驱动分区与语料库的相似性
基于分区（图 5）。兰德相似性指数越高
也就是说，数据驱动的分区与语料库越相似。
基于分区。该分析表明，虽然一般
网络与基于语料库的划分高度相似（Rand）。
指数为 0.68），基于性别的网络最为相似。
基于语料库的划分（两者的兰德指数均为 0.73）
网络）。此外，这项分析表明，随着年龄的增长，
随着队列规模的扩大，共识之间的总体相似性也随之提高。
划分到基于语料库的划分的程度有所降低（从 Rand 开始）。
Z世代的指数为0.72，而婴儿潮一代的兰特指数为0.67。
这一发现与我们关于不同网络的研究结果相符。
不同世代的属性：在老一代
群体和网络更加隔离。

接下来，我们考察了基于语料库的分类效果如何。
将地图映射到每个数据驱动的已识别社区
我们分析了这些网络。对于每个网络，我们测量了……
特定类别的许多类别成员映射到
该特定网络中识别出不同的社群。然后
我们计算了分布的标准差
这些社区中不同的类别词汇（表 5）。
较低的标准差值表明该类别分布较为均匀。
各个社区之间，较高的 SD 分数表明
类别通常对应于一个或几个类别。
（Hayn-Leichsenring等人，2020）。该分析表明，在所有
网络总是将“美丽”和“健康”这两个关键词映射到
不同的社区（导致标准差为 0）。此外，在所有
在社交网络中，与健康相关的词汇最为热门。
分散在各个社区（标准差最低）。最后，
在所有网络中，美容+健康类别拥有
标准差最高，表明此类提示词大多与预期相符。
少数几个簇（2-3个），其中大部分是线索
在一个社区中出现的词语。这一发现可能与我们
研究发现，该类别中的大多数提示词都与概念相关。
美丽。

讨论

人们过分关注美丽和健康的概念。
（Grammer 等人，2003 年；Koskinen 等人，2017 年）。作为混凝土
这种关注的体现，即商业世界。
在产品和服务的销售中，美容与健康紧密相连。
全球健康研究所报告称，美容是最大的
商业部门占10亿美元，占总额4.2万亿美元的绝大部分。
美元健康市场（全球健康研究所，2017）。
在这项研究中，我们提出了这样一个问题：人们如何看待美？
健康？这些概念之间有联系吗？它们会因年龄而异吗？
还有性？

为了解决这些问题，我们应用了计算网络
用于分析自由联想反应的科学方法
收集自大量与美容和健康相关的词汇
参与者样本在性别和年龄方面各不相同（Kenett等人，
2011；Siew 等人，2019）。这种方法使我们能够提出问题
这些问题在不同分辨率下都适用：一个通用网络，
由全部数据构成，用作基准；年龄
基于世代队列的网络，用于比较差异
不同年龄段的人群；以及基于性别的网络，进行比较
男女之间的差异。

我们的通用网络揭示了两种截然不同的语义
围绕着“美丽”和“街区”这两个词的街区
健康是两个独立的概念。因此，这两个概念在概念上是不同的。
可分离的，但有相关的术语将它们联系起来。我们的工作是
与先前基于词汇的美学概念分析相一致
（Kuehnast 等人，2014 年；Hosoya 等人，2017 年；Menninghaus 等人，
例如，Menninghaus等人（2019）发现，
优雅、风度和性感这些词语在很大程度上是重叠的
概念上的美，但在其他方面也彼此不同。
赋予它们独特的意义。我们的方法扩展了对它们的研究，具体如下：
考察与美相关的更广泛的术语（参见 Sabb）。
等，2008； Sabb 等人，2009 年有类似的论点）。

我们发现美丽与优雅密切相关。
女性化、美丽动人、可爱迷人、性感时尚。这些发现
这表明，某些与美相关的联想在不同性别中是一致的。
年龄，并融入生理和共同的文化观念。
健康、有氧运动、健身、健康、整体健康、生活方式等术语
医疗、营养和健康成长在所有方面也都有直接联系。
网络。这些关联表明，健康与……有关。
通过积极实践来促进健康和蓬勃发展；后者
这暗示了一种更抽象的发挥我们潜能的意义。

我们的队列网络分析显示，老年群体
语义网络组织性更强，划分更细致（较低）
CC；ASPL 和 Q 值较高）。这些发现与之前的研究结果相似。
不同世代心理词汇结构的研究
（Zortea 等人，2014 年；Dubossarsky 等人，2017 年；Wulff 等人，2018 年，
2019；Cosgrove 等人，2021）。此外，我们发现了两种效应。
在“美丽”语义邻域中的年龄群体
健康：首先，对于年龄较大的群体而言，语义邻域
美容和健康领域之间的界限更加模糊。
其次，婴儿潮一代的语义网络是
隔离程度最高，导致形成许多次级社区，
这可能表明需要进行更细致、更深入的剖析。
这些概念。有两种可能的假设可以解释这些概念。
世代效应：第一种效应基于更丰富的生活经验——老年人
成年人积累了更多知识，这导致认知能力增强。
语义记忆网络中的分离。第二点是
基于社会文化动态——老年人越来越
意识到与美丽和健康相关的刻板印象
对年轻、健康的身体而言，意识的培养至关重要。
这些概念导致了他们之间日益加剧的隔离。
语义记忆网络。我们的研究结果无法区分。
在这两个相互竞争的假设之间，需要进行选择。
需要直接审查其他后续研究。

通过对基于性别的语义网络进行比较，我们发现
女性和男性对这些概念的看法存在差异。
女性语义网络的组织性更强。
美容和健康的概念更加鲜明，而男性
语义网络有两个语义邻域，用于美的语义邻域。
以及健康。女性和男性语义网络均有
语义邻域（术语的“社群”）
美丽与健康的概念。女性语义网络
然而，还有第三个规模较小的中间社区。
在美容和健康社区之间，服务于
作为美容与健康之间的“桥梁”社区
语义社群（图 3）。这个“桥梁”社群
包括那些侧重于外表和个性的术语
（异域风情、美味可口、独一无二、个性鲜明）。

接下来，我们考察了哪些术语构成了语义
各个区域的美容和健康中心
网络（综合网络、性别网络、世代网络）。这项分析
这使我们能够识别与这些难以定义的术语相关的术语。
概念并探讨它们如何随年龄和性别而变化
（补充表 1、2）。总体而言，我们发现了相似之处和
这些语义邻域在不同方面存在差异
在比较男性和女性的社交网络时，
男性美貌语义邻域包含更多来自该语义邻域的术语
与外在形象相关的美容+健康类别
（例如，诱人、吸引力）。至于健康，男性语义
社区的范围也更大，并且包含了更多一般性术语。
（例如，教育、卫生）。

千禧一代的“美”的语义邻域
X世代群体有一些与外貌相关的独特词汇。
（例如，吸引力、曲线美），与其他两组相比。
此外，婴儿潮一代是唯一一个
将“教育”视为“美”这一语义邻域的一部分。
至于语义邻域中的年龄世代差异
健康，健康的语义邻域
各年龄段人群大多相似，但也存在差异。
Z世代（美味）、千禧一代的独特词汇
（慈善事业）、X世代（教育、精神层面）和婴儿
婴儿潮一代（个性鲜明，充满活力）。人们可能会推测：
千禧一代关注社会和社区福祉，
老年人更关注自身的健康福祉。

我们证明，网络科学的方法可以
可用于研究抽象概念，例如美和
健康。人们对这些术语的理解可能千差万别。
然而，他们似乎有着共同的理解。我们的方法
分析提供了一个了解所占据的概念空间的窗口
这些术语是人们思考方式的共同特征，也是人们思考方式的共同特征。
它们因人口统计变量而异。至关重要的是，我们的方法
提供了一种定量、经验驱动的分析方法。
对概念分析的哲学研究（维特根斯坦，
1953；罗什，1975；莱考夫和约翰逊，1980；拉姆齐，1992）。一个
概念分析的基本假设——对……的分析
通过哲学探究来理解概念的意义——
也就是说，知识存在认知表征，正如……
由柯林斯和洛夫图斯（1975）提出。概念方法之一
分析是由哲学家们提出和否定各种观点来进行的。
基于直觉和逻辑主义的概念定义
（Ramsey，1992）。相比之下，我们的方法结合了经验性
利用语义计算表示进行数据收集
内存作为网络，并使用语义邻域
将概念作为一种定义方式。这提供了一种量化方法。
这可以促进此类概念分析。此外，我们的
这种方法与分布假设相呼应，即
一个概念的特征“取决于它所处的群体”。
（Harris，1970）。

回避哲学和概念上的挑战
对这些术语进行定义（Corbin 和 Pangrazi，2001；Scruton，
2011；雷迪斯，2014； Menninghaus 等人，2019），我们接近
这项挑战源于一项实证的、数据驱动的研究。
该方法侧重于美的语义邻域和
健康，并使我们能够审视这些社区的情况。
彼此关联。我们的方法让我们了解稳定性。
以及对美和健康的理解存在差异
年龄和性别。重要的是，它肯定了现代对……的刻画。
这两个概念都反映了生理、心理和文化方面的内容。
属性。事实上，我们的研究结果表明，美在于……
既优雅又性感；健康就是保持健康。
同时兼具精神层面。我们的研究结果表明，核心
这两个概念的含义，通过它们的语义来操作化
社区，在年龄和性别方面保持稳定。

这些概念的文化重要性体现在：
美容和健康产业蓬勃发展的事实。
热衷于追求和消费美容及健康相关产品
（Koskinen等人，2017）。光顾健身中心和美容院，
服用维生素，阅读自助书籍和健康博客，去
无论是参加户外活动假期，还是在静修营中放松身心，都是不错的选择。
当今各种健康生活方式的例子
年龄（Crawford，2006；Koskinen 等，2017）。

我们的研究结果揭示了关于美丽和健康的深刻见解。
可以应用于实际应用中。鉴于目前大规模的
美容和健康产业（全球健康研究所，2017 年），
这些概念之间的关系具有巨大的商业价值。
针对不同性别和年龄的潜在消费者（Chen et al., 2015;
奥斯塔彭科，2015；情人节，2016 年；可汗等人，2017；李等人，
2019）。我们关于哪些术语保持稳定或发生变化的研究结果
作为美丽和健康概念的直接邻近概念，
可用于识别术语与特定事物的关联性
人口。仔细查看图 1-3 和补充材料
表1、表2提供了丰富的概念化过程资料。
这些术语因人口统计特征而异。例如，在女性群体中
语义网络中，美容和健康社区是
通过一个相关的中间术语子社区连接起来
与身体特征和食物带来的愉悦感有关。女性与此相关
教育与美貌相关，而男性则将才能与健康联系起来。

我们的发现也可能对哲学美学产生影响。
美丽与健康概念的形成
（Zangwill，2005，2018；Scruton，2011，2018；Sartwell，2017）。
例如，关于美的主要哲学争论或许是……
美是否是主观的，例如“情人眼里出西施”，
或者它是否是美好事物的客观特征（Sartwell，
2017）。我们发现，语义上与……相邻的术语
“美丽”一词在所有网络比较中都保持稳定。
所进行的研究或许有助于这场哲学辩论。
稳定的语义邻居可能表明客观方面
美，是不同年龄和性别的人们所共有的。
因此，网络科学方法论的应用
经验性的人类数据可以为哲学讨论提供信息，
相关的讨论可以追溯到古希腊时期。
（Sartwell，2017）。

我们的研究存在一些局限性。其中一个局限性是我们
无法区分我们的年龄世代效应是否由……引起
这可能与群体效应有关，或者反映了生命周期中的变化。
这项限制也适用于其他类似的“衰老”研究（Dubossarsky）。
等，2017；武尔夫等人，2018；科斯格罗夫等人，2021）。纵向
需要开展研究来检验衰老对进化的影响。
关于美丽和健康的概念（Costanza等人，
2012年、2017年；Costanza和Finkelstein，2015年；Rudolph等人，
2020a）。而横断面年龄世代队列分析是
在老龄化研究中很常见（Costanza等人，2012），纵向研究
以及研究个体差异的时变方法
与汇总群体相比，年龄因素应在以下情况下应用：
此类后续研究是对我们当前研究的补充（Costanza）。
等，2017）。鉴于此，这种基于个体的研究至关重要。
这种年龄世代分类因文化而异，
个人的自我认同。

第二个局限性在于，我们的语义网络是
规模较小（47 个节点），且仅由以下术语组成：
被认为与“美容”、“健康”等词语密切相关
或者美容+健康。也许我们在其中找到的稳定感
美容和健康相关的语义邻域由此产生
对心理词汇的“采样不足”。此外，虽然我们
我们发现网络指标在不同的研究之间存在显著差异。
不同的分析结果显示，效应量非常小。如此之小
效应量较小可能是由于这些网络规模较小造成的。
针对更多术语和类别进行进一步研究
需要进行重复实验以推广我们的研究结果。

第三个局限性在于，我们的分析是在……进行的。
群体层面，汇总不同参与者的信息
我们考察了各种条件。因此，进行了类似的分析。
在我们的研究中，个体层面的分析将有所帮助。
目前这仍然是一个挑战，已经提出了一些方法。
估计基于个体的语义网络（Morais等人，
2013年；泽姆拉等人，2016；贝内德克等人，2017；他等人，
2020；Wulff 等人，2021）。因此，需要开展后续研究。
估计与以下方面相关的基于个体的语义网络：
美丽与健康的理念，旨在复制和扩展我们的
最新研究成果。

第四个局限性与我们如何识别和选择有关
我们在语义网络分析中使用的不同术语，
通过对谷歌新闻语料库进行 word2vec 分析。研究已
这表明语义空间模型的性能，例如
word2vec 很大程度上依赖于文本的选择和范围。
所使用的语料库，可能成为决定如何进行研究的决定性因素。
该模型很好地捕捉了人类的表现（Recchia 和 Jones，
2009）。关于我们的研究，具体的报纸来源和
从谷歌新闻语料库中分析文章以提取
与美容和健康相关的词汇向量可能存在偏差。
这种偏见可能与相关含义的狭隘范围有关。
这些条款可能存在偏见，或者受到作者特定年龄的影响。因此，
还需要开展更多研究来验证和扩展我们的研究结果。
通过使用基于其他文本语料库的语义空间，
将有助于验证和推广我们的研究结果。

第五个局限性与我们收集的样本有关。在我们的样本中，
本研究仅关注居住在……的以英语为母语的人。
美国。因此，语言和方面肯定存在重要的差异。
与感知和理解相关的文化差异
跨越不同语言和文化的美容与健康。

例如，Jackson等人（2019）对174种语言的情感词汇进行了大规模的计算语言学分析。他们发现，情感语言空间中既存在语言和文化差异，也存在潜在的普遍结构（Jackson等人，2019）。Jackson等人（2019）的研究为我们未来的研究提供了一个有前景的方向，即可以开展类似的大规模语言学分析，以识别美容和健康领域的通用术语，然后复制我们目前采用的实证语义网络分析方法。

最后，我们基于性别的语义网络分析属于探索性研究。虽然我们的分析揭示了男性和女性在理解美和健康概念方面存在的差异，并得出了一些有趣的初步结果，但我们并未在研究中刻意匹配四个年龄段的男性和女性样本数量。因此，需要开展更多研究来检验这些基于性别的差异，这些差异应基于假设，并在男性和女性样本中保持匹配。

我们语义邻域和语义社群分析的一个关键方面是基于我们从 word2vec（Chowdhury，2003；Mikolov 等，2013）提取的语料库类别和术语。我们发现，与健康相关的术语构成了一个围绕“健康”一词的紧密语义邻域，而“美容+健康”相关的术语则主要与“美容”相关。此外，一些通过 word2vec 识别为与“美容/健康”类别相关的术语实际上位于“健康/美容”类别的语义邻域中。这些发现也进一步说明了使用基于语料库的方法（例如 word2vec）来捕捉心理思维所面临的挑战（De Deyne 等，2016b；Kenett 等，2017；Hayn-Leichsenring 等，2020；Kumar 等，2020）。因此，我们的研究结果与计算语义学中一个公开的辩论有关，并表明基于语料库的方法（如 word2vec）在预测人类行为方面存在局限性（Griffiths 等人，2007；Hutchison 等人，2008；Mandera 等人，2015、2017；Vankrunkelsven 等人，2018；Kenett，2019；Kumar，2021）。

总之，我们运用计算网络科学方法研究了美和健康的语义结构、它们之间的关系以及它们在不同年龄和性别群体中的差异。我们的方法提供了一种实证途径，阐明知识在审美体验中的作用，因为我们运用语言而非感知来探究人们如何看待美和健康（Chatterjee 和 Vartanian，2014，2016）。我们发现，美和健康的语义邻域在不同年龄和性别群体中基本保持稳定。然而，我们也发现了这些比较中的独特差异，并发现了世代效应，表明这些概念的细微关联会随年龄而变化。绘制表征美、健康及其关联的概念空间图谱，有助于我们更好地理解这些具有社会意义的概念。