Reproducing or challenging dominant constructions of sexuality?: An exploratory study of AI-generated images representing disability and sexuality
Notice bibliographique
Résumé
With AI’s integration into creative domains, concerns about reinforcing biases, particularly related to disability and sexuality, have arisen. This study examined if AI perpetuates existing stereotypes or fosters more nuanced representations that challenge societal perceptions. Historically, media narratives have often desexualized or infantilized disabled individuals, contributing to a narrow and stigmatized view of disability. However, advocacy by disabled activists and scholars has been gradually transforming this narrative towards inclusivity. Our exploratory analysis involved collecting images from leading AI platforms using the prompt “a couple with a disability kissing,” revealing the underlying biases of AI in portraying disabled individuals. We found that AI-generated images typically reinforced heteronormative and racially homogenous narratives, with a significant underrepresentation of 2SLGBTQ+ and non-white individuals. We also noted a distinction between the portrayal of visible versus invisible disabilities, reflecting a limited understanding of disability. The research underscores the need for inclusive AI practices and active engagement with disabled communities to ensure authentic and respectful representations. As AI technology continues to evolve, it is crucial to ensure it complements rather than replaces the voices and visions of disabled individuals. This study provides some preliminary insights regarding the representation of disability and sexuality, highlighting the importance of ethical considerations and the inclusion of more diverse representations in AI-generated content.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».