論文の概要: Labeling Synthetic Content: User Perceptions of Warning Label Designs for AI-generated Content on Social Media
- arxiv url: http://arxiv.org/abs/2503.05711v1
- Date: Fri, 14 Feb 2025 10:35:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-16 10:18:20.455892
- Title: Labeling Synthetic Content: User Perceptions of Warning Label Designs for AI-generated Content on Social Media
- Title（参考訳）: ラベリング合成コンテンツ:ソーシャルメディア上のAI生成コンテンツのための警告ラベルデザインのユーザ認識
- Authors: Dilrukshi Gamage, Dilki Sewwandi, Min Zhang, Arosha Bandara,
- Abstract要約: 我々は,感情,色彩・色調,位置,ディテールの程度によって異なる10種類のラベルデザインサンプルを考案し,評価した。
実験では、これらの10のラベルにランダムに割り当てられた911人の被験者と、ソーシャルメディアの内容を評価する制御グループについて検討した。
その結果、ラベルの存在は、コンテンツがAIによって生成されたり、ディープフェイクされたり、編集されたりする、というユーザの信念に重大な影響を及ぼした。
- 参考スコア（独自算出の注目度）: 16.5125333136211
- License:
- Abstract: In this research, we explored the efficacy of various warning label designs for AI-generated content on social media platforms e.g., deepfakes. We devised and assessed ten distinct label design samples that varied across the dimensions of sentiment, color/iconography, positioning, and level of detail. Our experimental study involved 911 participants randomly assigned to these ten label designs and a control group evaluating social media content. We explored their perceptions relating to 1. Belief in the content being AI-generated, 2. Trust in the labels and 3. Social Media engagement perceptions of the content. The results demonstrate that the presence of labels had a significant effect on the users belief that the content is AI generated, deepfake, or edited by AI. However their trust in the label significantly varied based on the label design. Notably, having labels did not significantly change their engagement behaviors, such as like, comment, and sharing. However, there were significant differences in engagement based on content type: political and entertainment. This investigation contributes to the field of human computer interaction by defining a design space for label implementation and providing empirical support for the strategic use of labels to mitigate the risks associated with synthetically generated media.
- Abstract（参考訳）: 本研究では,ソーシャルメディアプラットフォーム上でのAI生成コンテンツに対する各種警告ラベル設計の有効性について検討した。
我々は,感情,色彩・色調,位置,ディテールの程度によって異なる10種類のラベルデザインサンプルを考案し,評価した。
実験では、これらの10のラベルにランダムに割り当てられた911人の被験者と、ソーシャルメディアの内容を評価する制御グループについて検討した。
私たちは彼らの認識を探求した
1.AI生成コンテンツに対する信念
2. ラベル及び信用
3.コンテンツに対するソーシャルメディアの関与感
その結果、ラベルの存在は、コンテンツがAIによって生成されたり、ディープフェイクされたり、編集されたりする、というユーザの信念に重大な影響を及ぼした。
しかし、ラベルへの信頼はラベルのデザインによって大きく異なる。
特に、ラベルを持つことは、コメントや共有といったエンゲージメントの振る舞いを大きく変えなかった。
しかし、コンテンツタイプに基づくエンゲージメントには、政治的、エンターテイメントという大きな違いがあった。
この研究は、ラベル実装のための設計空間を定義し、合成メディアに関連するリスクを軽減するためにラベルの戦略的利用を実証的に支援することで、人間のコンピュータインタラクションの分野に寄与する。
関連論文リスト
- Mixed Blessing: Class-Wise Embedding guided Instance-Dependent Partial Label Learning [53.64180787439527]
部分ラベル学習(PLL)では、各サンプルは、基底トラスラベルと複数のノイズラベルからなる候補ラベルセットに関連付けられている。
初めて、各サンプルに対してクラスワイドな埋め込みを作成し、インスタンス依存のノイズラベルの関係を調査できるようにします。
ラベルの曖昧さを低減するため,グローバルな特徴情報を含むクラスプロトタイプのコンセプトを紹介した。
論文 参考訳（メタデータ） (2024-12-06T13:25:39Z) - Human Bias in the Face of AI: The Role of Human Judgement in AI Generated Text Evaluation [48.70176791365903]
本研究では、偏見がAIと人為的コンテンツの知覚をどう形成するかを考察する。
ラベル付きおよびラベルなしコンテンツに対するヒトのラッカーの反応について検討した。
論文 参考訳（メタデータ） (2024-09-29T04:31:45Z) - The impact of labeling automotive AI as "trustworthy" or "reliable" on user evaluation and technology acceptance [0.0]
本研究は,AIを「信頼できる」あるいは「信頼できる」とラベル付けすることが,自動車AI技術のユーザ認識と受容に影響を及ぼすかどうかを考察する。
この研究は、一方的なオブジェクト間の設計を用いて、478人のオンライン参加者を巻き込み、信頼できるAIまたは信頼できるAIのガイドラインを提示した。
AIを「信頼できる」とラベル付けすることは、特定のシナリオにおける判断に大きな影響を与えなかったが、使用の容易さと人間のような信頼、特に善意が増した。
論文 参考訳（メタデータ） (2024-08-20T14:48:24Z) - Leveraging Label Information for Multimodal Emotion Recognition [22.318092635089464]
マルチモーダル感情認識(MER)は、音声とテキスト情報を組み合わせることで、与えられた表現の感情状態を検出することを目的としている。
ラベル情報を利用した新しいMER手法を提案する。
我々は,ラベルを意識したテキストと音声表現を融合して感情分類を行うための新しいラベル誘導注意融合モジュールを考案した。
論文 参考訳（メタデータ） (2023-09-05T10:26:32Z) - Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。
我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文 参考訳（メタデータ） (2023-05-22T04:50:28Z) - Privacy-Aware Crowd Labelling for Machine Learning Tasks [3.6930948691311007]
クラウドソーシングに基づく各種アプリケーションのためのプライバシ保護テキストラベリング手法を提案する。
我々は、異なるレベルのプライバシーでテキストを変換し、ラベルの相関と一貫性に関する変換の有効性を分析する。
論文 参考訳（メタデータ） (2022-02-03T18:14:45Z) - Learning to Aggregate and Refine Noisy Labels for Visual Sentiment
Analysis [69.48582264712854]
本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。
本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。
公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
論文 参考訳（メタデータ） (2021-09-15T18:18:28Z) - A Study on the Autoregressive and non-Autoregressive Multi-label
Learning [77.11075863067131]
本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。
したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
論文 参考訳（メタデータ） (2020-12-03T05:41:44Z) - Exploiting Context for Robustness to Label Noise in Active Learning [47.341705184013804]
本稿では,どのラベルが間違っているのかをシステムがどのように識別するか,ラベルノイズの負の影響を最小限に抑えるために,マルチクラスアクティブラーニングシステムをどのように適用できるか,といった課題に対処する。
我々は、これらの関係を符号化し、ノイズラベルが利用できる場合にグラフ上の新しい信念を得るために、ラベルなしデータのグラフィカルな表現を構築した。
これはシーン分類、アクティビティ分類、文書分類の3つの異なる応用で実証されている。
論文 参考訳（メタデータ） (2020-10-18T18:59:44Z) - Modeling Label Semantics for Predicting Emotional Reactions [21.388457946558976]
イベントがストーリーのキャラクターの感情をいかに引き起こすかを予測することは、通常、標準的なマルチラベル分類タスクと見なされる。
感情ラベルのセマンティクスは、入力ストーリーを表現する際のモデルの注意を導くことができる。
ラベル埋め込みを通じてラベルクラスを明示的にモデル化し、トレーニング中と推論時にラベルとラベルの相関を追跡するメカニズムを追加します。
論文 参考訳（メタデータ） (2020-06-09T20:04:02Z)
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。