Tekoälykuvageneraattorien omaksuminen visuaalisten taiteilijoiden keskuudessa
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.041 | 0.014 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".