The ‘Ideal’ Body According to AI: Body Image Implications for Athletes and Non-Athletes
Notice bibliographique
Résumé
Exposure to media images depicting ‘ideal’ bodies is a long-standing precursor to negative body image, and with advancements in artificial intelligence (AI) guiding creative media processes, it is necessary to explore the ways in which AI learns and generates ideal bodies. This study is a content analysis of images generated using three common AI platforms (Dall-E, MidJourney, Stable Diffusion) whereby comparisons across athlete and non-athlete images were examined. 48 images (50% athlete, 50% female) were generated using consistent prompts across AI platforms, which were then systematically analyzed for body image features. Comparisons across athlete and non-athlete images for females and males were conducted. Deductive coding suggested that the majority of images depicted low or very low body fat (athletes: 100%, non-athletes: 95.6%, p = .43 for group difference) and high muscularity (athletes: 91.7%, non-athletes: 37.5%, p < .001 for differences between the groups). Images of males were significantly more muscular (p < 0.05) and wearing less revealing clothing than females (p < 0.05). Among athletes, female images were coded as more objectified than males (p < 0.05). The results suggest that current body ideals represent unrealistic standards, specifically in their promotion of low body fat and greater than average muscularity in both groups, despite obvious differences in activity levels and sport type. The results also suggest that female athletes are more objectified than their male counterparts. This research offers insight on the body ideals perpetuated in the media which emphasize unrealistic standards that may damage mental well-being.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».