How to Read a Generative AI Image System: Diffusion models as a techno-social entanglement
Notice bibliographique
Résumé
Generative media synthesis tools have quickly gathered the public’s attention through products such as ChatGPT for text, or DALL-E 2, Midjourney and Stable Diffusion for images. However, the design of these systems is typically obscured through interfaces (buttons labelled “imagine” or “dream”) and through the misleading label of “intelligence,” with commentators likening these systems’ behaviours to human creativity and ingenuity. Until now, the functions of these systems have focused on machine learning white papers, narrowly addressing internal technical processes. As policymakers, educators and the public grapple with these black boxes, this paper offers a systems-level analysis to clarify the entanglement of these technical systems within a broader context of data collection practices, generative models, user interfaces, generated and source images, and the broader media and cultural spheres in which they circulate. Ecological impacts and human labour concerns are also acknowledged. This paper maps out a systemic analysis of generative AI using a particular AI image generation system, Stable Diffusion, intended as a model and means to provide a common language for discussing and addressing these entanglements. Revealing the structures and relationships between the “systems within AI systems” is a means to engage with ethical controversies and techno-social possibilities more thoughtfully.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,010 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».