論文の概要: EEG and Eye-Tracking Evidence That AI Disclosure Shapes Face Evaluation
- arxiv url: http://arxiv.org/abs/2610.10182v1
- Date: Wed, 07 Oct 2026 14:50:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.978042
- Title: EEG and Eye-Tracking Evidence That AI Disclosure Shapes Face Evaluation
- Title（参考訳）: AI開示が顔評価を形作る脳波と視線追跡の証拠
- Abstract要約: 私たちは、AI生成または人間として顔を検証し、実際のソース(AI、人間)をラベルで渡しました。
ラベルは初期の注目を集めたが、顔の実際のソースと矛盾するラベルは顔の再評価を引き起こした。
筆者らは,原点形状が顔処理に起因していることを示す評価された刺激セットとエビデンスを開示設計に含める。
- 参考スコア（独自算出の注目度）: 32.35204300079107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-generated faces can be difficult to distinguish from real ones, leaving viewers to rely on source labels when judging an image. Yet prior work has made it difficult to separate the effects of what an image actually is from what viewers are told it is. We validated faces as AI-generated or human in an online study (N=169), then crossed actual source (AI, human) with label (none, Made with AI, Made by a human) in a lab study $N=30), recording event-related potentials (ERPs) and gaze. ERP responses were equivalent for AI-generated and real faces, but varied with the label: labels drew early attention (N2), while labels that conflicted with the face's actual source prompted re-evaluation of the face (P3). Affective processing and initial gaze orienting were unchanged, but labels altered visual exploration. We provide a validated stimulus set and evidence that attributed origin shapes face processing, with implications for disclosure design.
- Abstract（参考訳）: AIが生成した顔は、実際の顔と区別することが難しいため、視聴者は画像の判断時にソースラベルに頼らざるを得ない。
しかし、以前の作業では、画像が実際に何であるかという影響を、視聴者が話すものから切り離すことが難しくなっていた。
オンライン調査(N=169)では、AI生成または人間として顔を検証し、実際の情報源(AI、人間)をラベル(N=30ドル)で横断し、イベント関連電位(ERP)を記録し、視線を観測した。
ERPの反応はAIが生成し、実際の顔と等価であるが、ラベルによって異なる:ラベルは早期の注意を引き(N2)、一方、顔の実際のソースと矛盾するラベルは顔の再評価を引き起こした(P3)。
影響のある処理と初期視線指向は変化しなかったが、ラベルは視覚的な探索に変化した。
筆者らは,原点形状が顔処理に起因していることを示す評価された刺激セットとエビデンスを提供し,開示設計に寄与することを示す。
関連論文リスト
- Security Benefits and Side Effects of Labeling AI-Generated Images [27.771584371064968]
ラベルの意味について検討し,誤ラベルの可能性についても検討した。
我々は1300人以上の米国とEU参加者による事前登録されたオンライン調査を実施している。
我々は,不正確な主張を伝達する人造画像がラベルの存在下でより信頼性が高いと認識されるという,望ましくない副作用を見出した。
論文 参考訳（メタデータ） (2025-05-28T20:24:45Z) - Self-Supervised Learning for Detecting AI-Generated Faces as Anomalies [58.11545090128854]
本稿では、写真顔画像から純粋にカメラ固有の特徴と顔特有の特徴の自己教師付き学習を活用することで、AI生成顔の異常検出手法について述べる。
提案手法の成功は,特徴抽出器を訓練して4つの通常交換可能な画像ファイルフォーマット(EXIF)をランク付けし,人工的に操作された顔画像の分類を行うプリテキストタスクを設計することにある。
論文 参考訳（メタデータ） (2025-01-04T06:23:24Z) - Human Bias in the Face of AI: Examining Human Judgment Against Text Labeled as AI Generated [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) - 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) - Finding AI-Generated Faces in the Wild [9.390562437823078]
私たちは、AIが生成した顔と実際の顔を区別する、より狭いタスクに重点を置いています。
これは、不正なオンラインアカウントを偽のユーザープロフィール写真で扱う場合に特に当てはまる。
顔のみに焦点を合わせることで、よりレジリエントで汎用的なアーティファクトを検出することができることを示す。
論文 参考訳（メタデータ） (2023-11-14T22:46:01Z) - 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) - Open-Eye: An Open Platform to Study Human Performance on Identifying
AI-Synthesized Faces [51.56417104929796]
我々は、AI合成顔検出の人的パフォーマンスを研究するために、Open-eyeと呼ばれるオンラインプラットフォームを開発した。
本稿では,オープンアイの設計とワークフローについて述べる。
論文 参考訳（メタデータ） (2022-05-13T14:30:59Z)
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。