Generative AI Image Tools for Creative Work: Social and Ethical Perspectives in Japan from Computer Science Graduate Students and Experts
Notice bibliographique
Résumé
The growing interest to incorporate generative artificial intelligence (GenAI) image tools into creative workflows has raised concerns about the social and ethical implications it may have on Japan’s creative industries. This exploratory study is the first to discuss what oversights may emerge on such issues from prospective Japanese generative AI researchers- computer science (CS) graduate students studying in Japan. From June 2023 to August 2023, nine CS graduate students studying in Tokyo were interviewed to understand how CS graduate students in Japan discuss GenAI image tools’ 1) technical aspects, 2) social and ethical aspects, and 3) cultures in AI research, as well as three experts to investigate the 4) legal, social, and cultural impacts of using GenAI image tools for creative work in Japan. The results indicate that CS graduate students do discuss various ethical and social aspects with GenAI image tools, but many neglected to see how widespread industry usage in Japan has the ability to further marginalize artists in creative workplaces and jeopardize critical aspects of workplace pedagogy in creative industries. This study provides insight into the mindsets of prospective GenAI researchers in Japan and indicates areas of future work that can better prepare them as future knowledge holders and innovators in the field. AI researchers from Canada, Japan, and around the world are encouraged to adopt participatory AI design practices to involve stakeholders throughout the planning, design, and evaluation processes of GenAI image research so they respond to the needs, values, and concerns of artists and creative professionals.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».