Tekoälykuvageneraattorien omaksuminen visuaalisten taiteilijoiden keskuudessa
Notice bibliographique
Résumé
Tutkimuksessa tutkittiin visuaalisten taiteilijoiden asenteita tekoälykuvageneraattoreita kohtaan. Tekoälykuvageneraattorit automatisoivat luovuutta, ja tutkimuksessa selvitettiin, millä tavalla tämä puoltaa tai epää teknologian omaksumista. Visuaalinen taide on ensimmäisiä aloja, joilla tekoäly osallistuu luovaan prosessiin ihmisen rinnalla tai sijasta, mikä tekee aiheesta kiinnostavan ja tutkimuksen tulokset voivat jakaa ymmärrystä vastaavista tekoälyn ja ihmisen yhteyksistä laajemmin. Tutkimus toteutettiin perehtymällä tekoälyä, taidetta ja teknologian omaksumista koskevaan kirjallisuuteen, rakentamalla taiteen kontekstiin soveltuva versio teknologian omaksumisen viitekehyksestä ja tämän viitekehyksen nojalla toteutetuista puolistrukturoiduista haastatteluista. Haastatteluista tunnistettiin diskursseja, joiden perusteella tekoälykuvageneraattorit eivät sovi nykyisellään yhteen taiteilijoiden taiteen teon prosessiin eikä niiden käyttö tunnu taiteilijoista palkitsevalta. Teknologiaan liittyy myös omaksumista epääviä tekijänoikeusongelmia. Ratkaisuina ongelmiin suhteessa taiteen teon prosessiin sekä palkitsevuuteen esitettiin kuvageneraattoreihin parempaa tukea iteratiiviselle taiteen teolle sekä suurempaa mahdollisuutta käyttäjälle osallistua prosessiin sekä vaikuttaa tekoälyn päätöksentekoon. Tulosten perusteella tekoälykuvageneraattoreita voidaan kehittää vastaamaan paremmin vakavan käytön tarpeisiin. Generaattorien käyttö lisää uusia toimijoita luovaan prosessiin, ja tämän tutkimuksen myötä ymmärretään paremmin tekoälyn vaikutusta työn palkitsevuuteen.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
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 ».