Collective Agency in Art-making: Towards Community-centric Design of Text-to-Image (T2I) AI Tools
Notice bibliographique
Résumé
Text-to-image (T2I) AI tools are trained on vast datasets of existing images and artworks. We identify that existing ethical standards and regulatory safeguards for these tools largely lie within the Western neoliberal realm. They assume that artistic creativity originates from individuals rather than in collectives or social environments, ownership is an individual concern rather than shaped by communities and shared cultural traditions, and compensation should be based on individual claims rather than acknowledging collective contributions to artistic knowledge. In this paper, we counter these assumptions by theorizing ‘collective agency’ as a critical conceptual lens to rethink artists’ community-centric roles in relation to these tools. Drawing from our nine-month-long qualitative interventions with diverse Bangladeshi artist groups, we find that these artists manifest cultural resonance, co-creation, and sense of recognition through their art-making practices which fosters collective agency among them. This empirically grounded account of collective agency in our study posits practical design and policy implications, such as incorporating artists’ solidarity, community-centric data stewardship, and collective bargaining mechanisms in ethical development of T2I AI tools to reclaim artists' control over their creative practices in the AI age.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,015 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».