Athletes’ Experiences of AI-Generated Images in Qualitative Research
Notice bibliographique
Résumé
Qualitative visual methods include approaches such as photo elicitation, photovoice, autophotography, and drawing, which can be used to build rapport, generate discussion within interviews, or as sources of data for analysis in qualitative studies. AI-generated images present a new frontier in visual qualitative methods: using images generated with AI programs can provide an innovative approach to creating images that represent participants’ experiences, but these have not been widely used or critically examined. The purpose of this study was to examine athletes’ perceptions of creating AI-generated images about their experiences of success and adversity in sport. The study included 10 participants between 20-61 years of age (8 women, 2 men) from various high performance sports (basketball, hockey, judo, rowing, running, swimming, track and field, ultramarathon). Athletes participated in qualitative interviews about their experiences of success and adversity in sport. During the interviews they worked with the researcher to generate images about their experiences using the AI program Midjourney, and athletes reflected on the images that were generated. Thematic analysis of the interviews generated the following themes: (a) Inaccuracies and mis-representation; (b) Misembodiment and disconnection with images; (c) Over-representation of emotional experiences; (d) Generating diverse representations of athletes; and (d) Re-creating important moments. Athletes also discussed challenges and limitations, as well as potential positive uses for AI-generated images in qualitative research. This study demonstrates how AI-generated images are different from other visual qualitative methods, and the results provide insights for exploring athletes’ experiences using AI-generated images in qualitative studies.
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 | 0,144 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,008 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».