論文の概要: Generative AI Literacy Training Improves Intelligence Analysts' Discrimination of Real and AI-Generated Images
- arxiv url: http://arxiv.org/abs/2606.28510v1
- Date: Fri, 26 Jun 2026 18:05:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.586207
- Title: Generative AI Literacy Training Improves Intelligence Analysts' Discrimination of Real and AI-Generated Images
- Title（参考訳）: ジェネレーティブAIリテラシートレーニングは、インテリジェンスアナリストによる実画像とAI生成画像の識別を改善する
- Abstract要約: 2024年、米国政府が採用した情報アナリストに対する短期訓練介入の有効性について検討する。
トレーニングでは,ベースライン72%から9ポイント(95% CI: [2.7, 15.4])の総合的精度が向上した。
この改善は、実際の画像の精度が14.2ポイント向上することによる。
- 参考スコア（独自算出の注目度）: 16.768244153862213
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Across social and online platforms, people are increasingly exposed to AI-generated images. As a consequence, the task of distinguishing AI-generated from authentic images is becoming a central challenge for information ecosystems. While humans perform better than chance, accuracy falls short of many operational needs. Initial evidence shows that visually oriented training can improve deepfake detection but does not improve participants' ability to identify real images as real. Here, we investigate the efficacy of a brief training intervention for intelligence analysts employed by the United States government in 2024. We conducted a counterbalanced within-subject randomized experiment in which we showed participants real and AI-generated images varying in pose complexity and scene context and asked them whether each image was real or AI-generated, both before and after an expert delivered a 30-minute training that pointed out patterns in seven real and 50 AI-generated images. We collected 2,544 image-level judgments from 32 intelligence analysts. We find training increased overall accuracy by 9 percentage points (95% CI: [2.7, 15.4]) from a baseline of 72%. We find the improvement is driven by a 14.2 percentage point increase in accuracy for real images (95% CI: [0.7, 27.7]). Through a careful experimental setup that curated matched pairs of real and AI-generated images across pose complexity categories, we reveal how these trainings influence people with different levels of digital forensics and generative AI experience and identify the kind of image-based content where this training intervention appears to be most effective. Ultimately, these results provide causal evidence that a brief, structured training can improve human judgment across a diverse array of real and AI-generated images, informing organizational responses to AI-generated visual misinformation.
- Abstract（参考訳）: ソーシャルとオンラインのプラットフォーム全体では、人々はAIが生成した画像にさらされている。
その結果、AI生成した画像と認証画像とを区別するタスクは、情報エコシステムにおける中心的な課題になりつつある。
人間は偶然よりも優れているが、正確さは多くの運用上のニーズに満たない。
初期のエビデンスでは、視覚指向のトレーニングはディープフェイクの検出を改善するが、実際のイメージを本物として識別する能力は向上しない。
本稿では,2024年にアメリカ合衆国政府が採用した情報アナリストに対して,短時間の訓練介入の有効性について検討する。
提案実験では,実画像とAI生成画像が複雑度やシーンの状況によって異なることを示し,各画像が実画像なのか,AI生成画像なのかを,専門家が実画像と50個のAI生成画像のパターンを抽出する30分間のトレーニングを行った前後に質問した。
我々は32人のインテリジェンスアナリストから2,544人の画像レベルの判断を収集した。
トレーニングでは,ベースライン72%から9ポイント(95% CI: [2.7, 15.4])の総合的精度が向上した。
実際の画像の精度は14.2ポイント向上している(95% CI: [0.7, 27.7])。
複雑なカテゴリにまたがって、実画像とAI生成画像の整合をキュレートした、慎重に実験することで、これらのトレーニングが、異なるレベルのデジタル法医学と生成AI経験を持つ人々にどのように影響するかを明らかにし、このトレーニング介入が最も効果的であるように見える画像ベースのコンテンツの種類を特定する。
最終的に、これらの結果は、短時間で構造化されたトレーニングが、さまざまなリアルおよびAI生成画像にわたる人間の判断を改善し、AI生成された視覚的誤情報に対する組織的反応を通知する原因となる証拠を提供する。
関連論文リスト
- Intermediate Representations are Strong AI-Generated Image Detectors [51.7378156094049]
中間層にデータ感度を埋め込んでAI生成画像を検出する検索手法を提案する。
提案手法は, 実画像とAI生成画像の集合を考慮し, 原画像の埋め込みと摂動画像の埋め込みの類似性を調べ, 類似性に基づいてAI生成画像を検出する。
本手法は,Forensics Smallベンチマークにおいて,AUROCスコアの最良のトレーニングベース手法と比較して39.61%向上し,5.14%向上した。
論文 参考訳（メタデータ） (2026-05-05T23:26:02Z) - We are not able to identify AI-generated images [0.0]
私たちのデータセットには、CC12Mからサンプルされた実際の画像と、MidJourneyで生成されたAI生成のデータを慎重にキュレートする、120の難しいケースが含まれています。
我々の結果は、比較的単純なポートレート画像でも、人間が確実にAI生成コンテンツを検出するのに苦労していることを示している。
これらの発見は、AIが生成するメディアが現実と差別化されていくにつれて、より大きな認識と倫理的ガイドラインの必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-12-23T11:55:40Z) - Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。
RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。
我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
論文 参考訳（メタデータ） (2025-09-11T06:15:52Z) - RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。
提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。
以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
論文 参考訳（メタデータ） (2025-06-04T14:16:00Z) - Human vs. AI: A Novel Benchmark and a Comparative Study on the Detection of Generated Images and the Impact of Prompts [5.222694057785324]
本研究は,偽画像の検出性に対するプロンプトの細部レベルの影響について検討する。
私たちはCOCOデータセットの実際の写真とSDXLとFooocusで生成された画像からなる新しいデータセットCOCOXGENを作成します。
200人の被験者を対象に行ったユーザスタディでは,より長く,より詳細なプロンプトで生成された画像は,短いプロンプトで生成された画像よりもはるかに容易に検出できることが示されている。
論文 参考訳（メタデータ） (2024-12-12T20:37:52Z) - Analysis of Human Perception in Distinguishing Real and AI-Generated Faces: An Eye-Tracking Based Study [6.661332913985627]
本研究では,人間がどのように実像と偽像を知覚し,区別するかを検討する。
StyleGAN-3生成画像を解析したところ、参加者は76.80%の平均精度で偽の顔と現実を区別できることがわかった。
論文 参考訳（メタデータ） (2024-09-23T19:34:30Z) - RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。
RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文 参考訳（メタデータ） (2024-05-30T14:49:54Z) - AIGCOIQA2024: Perceptual Quality Assessment of AI Generated Omnidirectional Images [70.42666704072964]
我々はAI生成の全方位画像IQAデータベースAIIGCOIQA2024を構築した。
3つの視点から人間の視覚的嗜好を評価するために、主観的IQA実験を行った。
我々は,データベース上での最先端IQAモデルの性能を評価するためのベンチマーク実験を行った。
論文 参考訳（メタデータ） (2024-04-01T10:08:23Z) - Seeing is not always believing: Benchmarking Human and Model Perception
of AI-Generated Images [66.20578637253831]
人工知能(AI)技術の進歩が偽写真を生み出すのではないかという懸念が高まっている。
本研究の目的は、最先端のAI生成視覚コンテンツを識別するためのエージェントを包括的に評価することである。
論文 参考訳（メタデータ） (2023-04-25T17:51:59Z) - Testing Human Ability To Detect Deepfake Images of Human Faces [0.0]
2020年、AIの専門家をコンサルティングするワークショップは、ディープフェイクを最も深刻なAI脅威と位置づけた。
本研究の目的は,人間の顔の深部像を識別する能力を評価することである。
論文 参考訳（メタデータ） (2022-12-07T14:48:25Z)
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。