编辑推荐：
当前研究多将整容手术视为单一整体，忽略其内部差异。为填补这一空白，研究人员开展 “A laypeople’s typology of cosmetic surgeries using cluster analysis” 主题研究。通过聚类分析，得出大众能区分六种整容手术类型的结果。该研究为整容手术研究提供新视角，意义重大。
在当今社会，人们对美的追求日益强烈，整容手术越来越受到大众的关注。据统计，2022 年美国人就进行了约 150 万例整容手术，创造了 118 亿美元的收入。然而，尽管 “整容手术” 这个术语涵盖范围广泛，但目前的研究大多将其看作一个单一、同质化的概念，忽视了不同手术之间的细微差别。这不仅导致对大众认知的研究出现偏差，还可能影响到相关领域的进一步发展，比如在制定公共传播策略、改进心理测量量表以及提升从业者服务质量等方面。因此，深入探究大众对整容手术的认知差异，构建更合理的分类体系迫在眉睫。
为了解决这些问题，来自荷兰阿姆斯特丹自由大学（Vrije Universiteit Amsterdam）的研究人员 Fabienne Krywuczky、Michail Kokkoris、Mirella Kleijnen 和 Kobe Millet 开展了一项研究。他们的研究成果发表在《Scientific Reports》上，为整容手术的研究带来了新的视角和突破。
在这项研究中，研究人员主要运用了聚类分析（Cluster analysis）这一关键技术方法。首先，他们从多个专业机构网站筛选出 24 种常见的整容手术，并对这些手术的名称进行细化处理，确保参与者对每种手术有清晰一致的理解。然后，通过文献回顾确定了 12 个用于聚类分析的手术特征，如侵入性（Invasive）、可见性（Visible）等。研究采用计划缺失数据设计（planned missing-data design），招募了 875 名美国女性作为参与者，最终得到有效样本 827 人。参与者需对随机分配的三种手术的各项特征、预期结果和行为意向进行评价。
研究结果主要分为以下几个部分：
- 数据准备：通过重复测量方差分析（ANOVA），发现 12 个特征在不同手术间均存在显著差异，且各特征之间相关性较低，这表明这些特征都能为聚类分析提供有意义的贡献。
- 聚类分析：采用层次聚类分析（hierarchical cluster analysis）确定最佳聚类数量，再通过 k-means 聚类分析（k-means cluster analysis）将 24 种整容手术分为六类：手术增强类（如隆胸手术）、手术调整类（如鼻部手术）、手术缩减类（如抽脂手术）、微创缩减类（如疤痕治疗）、微创增强类（如唇部填充）和隐蔽手术缩减类（如阴唇整形手术）。研究还通过模拟测试验证了聚类结果的稳定性，结果显示 96% 的手术在多次模拟中仍保持在原聚类中。
- 关键发现：不同类型的整容手术在特征、预期结果和行为意向方面存在明显差异。例如，手术增强类被认为是最具材料添加性、最人工、最具侵入性和风险的，参与者对这类手术的接受度较低；而微创缩减类则被认为是侵入性最低、最不人工、风险最小的，参与者接受度较高。同时，研究还发现大众对整容手术的分类存在一些总体模式，如区分手术和非手术或微创手术，以及根据手术目的（矫正或增强）和方向（添加或去除材料）进行分类。
研究结论和讨论部分指出，该研究揭示了大众能够区分六种不同类型的整容手术，强调了避免对所有整容手术进行一概而论的重要性。从理论贡献来看，研究突破了以往将整容手术视为单一实体的观点，揭示了大众认知的细微差别，丰富了对手术特征的理解，为研究人们的治疗相关认知提供了依据。从实践意义上讲，研究结果有助于整容手术提供者调整分类方式，更好地理解和满足消费者期望，提升整体消费体验。
然而，该研究也存在一些局限性。样本仅包含美国女性，可能受到特定社会文化因素的影响，男性的分类方式以及不同文化背景下的差异尚不清楚；研究未纳入已接受过整容手术人群的观点，且未考虑非认证专业人员进行的常见手术。未来研究可扩大样本范围，涵盖不同性别、文化背景和手术经历的人群，进一步完善整容手术的分类体系，为整容手术领域的发展提供更全面的理论支持和实践指导。
