論文の概要: Deepfakes and Higher Education: A Research Agenda and Scoping Review of Synthetic Media
- arxiv url: http://arxiv.org/abs/2404.15601v1
- Date: Wed, 24 Apr 2024 02:40:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-25 14:43:50.841455
- Title: Deepfakes and Higher Education: A Research Agenda and Scoping Review of Synthetic Media
- Title(参考訳): ディープフェイクと高等教育
- Authors: Jasper Roe, Mike Perkins,
- Abstract要約: 本研究は、現実人の先進的生成AI(GenAI)偽物であるディープフェイクに焦点を当てる。
説得力のある合成メディアを生み出すソフトウェアが利用できることは、第三次教育に脅威と恩恵をもたらす。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The availability of software which can produce convincing yet synthetic media poses both threats and benefits to tertiary education globally. While other forms of synthetic media exist, this study focuses on deepfakes, which are advanced Generative AI (GenAI) fakes of real people. This conceptual paper assesses the current literature on deepfakes across multiple disciplines by conducting an initial scoping review of 182 peer-reviewed publications. The review reveals three major trends: detection methods, malicious applications, and potential benefits, although no specific studies on deepfakes in the tertiary educational context were found. Following a discussion of these trends, this study applies the findings to postulate the major risks and potential mitigation strategies of deepfake technologies in higher education, as well as potential beneficial uses to aid the teaching and learning of both deepfakes and synthetic media. This culminates in the proposal of a research agenda to build a comprehensive, cross-cultural approach to investigate deepfakes in higher education.
- Abstract(参考訳): 説得力のある合成メディアを生み出すソフトウェアが利用できることは、第三次教育に脅威と恩恵をもたらす。
この研究は、他のタイプの合成メディアが存在する一方で、現実人の高度な生成AI(GenAI)偽物であるディープフェイクに焦点を当てている。
本論文は182冊の査読論文の初回スコーピングレビューを行うことにより,複数の分野にわたるディープフェイクに関する現在の文献を評価するものである。
このレビューでは、検出方法、悪意のあるアプリケーション、潜在的な利益の3つの主要な傾向が明らかになったが、第三次教育の文脈におけるディープフェイクに関する具体的な研究は見つからなかった。
これらの傾向の議論に続いて、本研究では、高等教育におけるディープフェイク技術の主要なリスクと潜在的な緩和戦略を仮定し、ディープフェイクと合成メディアの両方の教育と学習を支援するための潜在的有用性について考察する。
このことは、高等教育におけるディープフェイクを調査するための包括的かつ異文化的なアプローチを構築するための研究課題の提案に終止符を打つ。
関連論文リスト
- A Representative Study on Human Detection of Artificially Generated
Media Across Countries [28.99277150719848]
最先端の偽造品は「本物の」メディアとほとんど区別がつかない。
大多数の参加者は、いつ人間や機械が生成したと評価するかを単に推測している。
さらに、AIによって生成されたメディア受信は、あらゆるメディアタイプとすべての国で、より人間らしく投票される。
論文 参考訳(メタデータ) (2023-12-10T19:34:52Z) - The Age of Synthetic Realities: Challenges and Opportunities [85.058932103181]
我々は、有害な合成生成を識別し、それらを現実と区別することのできる法医学的手法の開発における重要な必要性を強調した。
我々の焦点は、画像、ビデオ、オーディオ、テキストなどの様々なメディアの形式にまで及んでいる。
この研究は、AI生成技術の急速な進歩と、法科学の基本原理に対する影響により、最も重要である。
論文 参考訳(メタデータ) (2023-06-09T15:55:10Z) - Leveraging Deep Learning Approaches for Deepfake Detection: A Review [0.0]
ディープフェイク(Deepfakes)は、AIによって生成されたメディアであり、実際のメディアから切り離すことが難しい。
本稿では,コスト効率のよいモデルを実現するために,様々な手法を検討することを目的とする。
論文 参考訳(メタデータ) (2023-04-04T16:04:42Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳(メタデータ) (2022-11-07T16:19:42Z) - Deepfake: Definitions, Performance Metrics and Standards, Datasets and
Benchmarks, and a Meta-Review [1.697342683039794]
AIの最近の進歩、特にディープラーニングは、新しい現実的な合成メディアの作成に大きく貢献している。
本稿では,1) 異なる定義,2) 一般的に使用されているパフォーマンス指標と標準,3) ディープフェイクに関連するデータセット,課題,コンペティション,ベンチマークなど,新しい概念の複数の重要な側面について概説する。
我々は,本論文が深層ケーキを網羅的に網羅したレビューであり,まず英語と中国語の両方の文献と資料を網羅したレビューであると考えている。
論文 参考訳(メタデータ) (2022-08-21T17:31:31Z) - Using Deep Learning to Detecting Deepfakes [0.0]
ディープフェイク(Deepfakes)とは、ある人物の顔を別のコンピュータが生成した顔に置き換えるビデオまたは画像である。
このオンライン脅威に対抗するために、研究者たちはディープフェイクを検出するモデルを開発した。
本研究では、ディープラーニングアルゴリズムを用いて、この略奪的な脅威に対処する様々なディープフェイク検出モデルについて検討する。
論文 参考訳(メタデータ) (2022-07-27T17:05:16Z) - Robust Deepfake On Unrestricted Media: Generation And Detection [46.576556314444865]
近年のディープラーニングの進歩は、ディープフェイク生成の大幅な改善につながっている。
この章では、ディープフェイクの生成と検出の進化と課題について論じる。
論文 参考訳(メタデータ) (2022-02-13T06:53:39Z) - Threat of Adversarial Attacks on Deep Learning in Computer Vision:
Survey II [86.51135909513047]
ディープラーニングは、予測を操作できる敵攻撃に対して脆弱である。
本稿では,ディープラーニングに対する敵対的攻撃におけるコンピュータビジョンコミュニティの貢献を概観する。
この領域では、非専門家に技術的な用語の定義を提供する。
論文 参考訳(メタデータ) (2021-08-01T08:54:47Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳(メタデータ) (2020-08-02T00:09:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。