論文の概要: Generative AI Produces and Transmits Beauty Bias

• arxiv url: http://arxiv.org/abs/2610.22553v1
• Date: Thu, 15 Oct 2026 18:48:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.634429
• Title: Generative AI Produces and Transmits Beauty Bias
• Title（参考訳）: ジェネレーティブAIは美しいバイアスを生産し、伝達する
• Abstract要約: 2022年から2026年にかけて発行された27個のテキスト・ツー・イメージ・ジェネレータについて,魅力や美しさに言及しない簡単なプロンプトを用いて検討した。 その結果, 女性プロが生成する顔の37%が, ファッションモデルの平均値を上回っていることが判明した。 生成AIは、人種的階層と性的な美しさのパターンを再現し、現実の人々が判断される状況を変えることができる。
• 参考スコア（独自算出の注目度）: 63.804388729769904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Societies reward people judged to be attractive by standards intertwined with gender and race. In this paper, we examine if and how generative AI may contribute to these dynamics. We audited 27 text-to-image generators released between 2022 and 2026 using simple prompts that never mention attractiveness or beauty, analyzing 51,300 generated faces and 160,196 photographs of real people across primary and supplementary comparisons. We used three automated measures and collected ratings from 550 human raters on a subset of images. Nearly all generators produced faces scoring above photographed faces under automated measures, and human raters judged the outputs of all 23 generators as significantly more attractive than photographed faces, even after correction for multiple comparisons. When focusing our analysis on gender, we find that 37% of female-prompted generated faces outscored the median professional fashion model. Across racial, ethnic, and national categories, groups associated with darker skin tones tended to receive lower attractiveness scores than groups associated with lighter skin tones. In a preregistered hiring simulation experiment (N = 570), exposure to AI-generated faces selected for high human-rated attractiveness lowered hireability and trustworthiness ratings and reduced interview advancement for an identical test set of candidates paired with photographs of real people; exposure to retouched photographs produced no such effect. Generative AI can reproduce racial hierarchies and gendered patterns of beauty and alter the context in which real people are judged.
• Abstract（参考訳）: 社会は、性別や人種に絡み合った基準によって魅力的なと判断された人々に報いる。 本稿では,生成型AIがこれらのダイナミクスにどのように貢献するかについて検討する。 2022年から2026年にかけて発行された27個のテキスト・ツー・イメージ・ジェネレータを,魅力や美しさに言及しない簡単なプロンプトを用いて,51,300個の顔と160,196枚の実写写真を一次比較と補足比較で分析した。 画像のサブセットを用いて,3つの自動測定値と550人のレーダから評価値を収集した。 ほぼ全てのジェネレータは、自動的な測定で撮影された顔のスコアを付けた顔を生成し、23個のジェネレータの出力は、複数の比較を補正した後でも、撮影された顔よりもはるかに魅力的であると判断した。 性別に焦点を合わせると、女性プロが生成する顔の37%が、中央値のプロのファッションモデルを上回っていることがわかった。 人種的、民族的、民族的なカテゴリー全体では、暗い肌のトーンに関連するグループは、より軽い肌のトーンに関連するグループよりも魅力的なスコアが低い傾向にあった。 事前登録された採用シミュレーション実験(N = 570)では、人格の高い魅力のために選択されたAI生成顔への露出は、雇用可能性と信頼度の評価を低下させ、実際の人物の写真と組み合わせた同一の候補者の面接の進行を減少させ、修正された写真への露出はそのような効果を生じさせなかった。 生成AIは、人種的階層と性的な美しさのパターンを再現し、現実の人々が判断される状況を変えることができる。

関連論文リスト

• Erasing 'Ugly' from the Internet: Propagation of the Beauty Myth in Text-Image Models [6.917327316794737]
  この研究は、生成型AIモデルが「美」を符号化し、「美」を消去する方法を研究することである。 我々は3つの言語モデルと2つのテキスト・ツー・イメージモデルにより5984の画像を累積生成する構造的美容分類法を開発した。 その後、女性や非バイナリなソーシャルメディアユーザーを雇い、Likert-scale in-subjects研究を通じて1200の画像を評価します。 その結果、生成画像の86.5%は、より軽い肌色で、22%は、安全労働(SFW)訓練にもかかわらず、明示的な内容を含んでおり、74%は、若年層のものであると評価された。
  論文  参考訳（メタデータ） (2025-11-02T00:31:13Z)
• Automated Evaluation of Gender Bias Across 13 Large Multimodal Models [0.0]
  大規模マルチモーダルモデル(LMM)はテキスト・ツー・イメージ生成に革命をもたらしたが、トレーニングデータに有害な社会的バイアスが持続するリスクがある。 AI生成画像における社会的バイアスを評価するベンチマークである,Aymara Image Fairness Evaluationを導入する。 我々は,75のプロシージャ生成性中立性プロンプトを用いて13の市販LMMを試験し,ステレオタイプ,ステレオタイプ,非ステレオタイプの職業の人を生成する。
  論文  参考訳（メタデータ） (2025-09-08T15:54:25Z)
• When Algorithms Play Favorites: Lookism in the Generation and Perception of Faces [6.399763005153405]
  本稿では, 合成顔と機械学習に基づく性別分類アルゴリズムが, アルゴリズム的ルックリズムの影響について検討する。 テキスト・トゥ・イメージ(T2I)システムは、顔の魅力と、知性や信頼性といった無関係なポジティブな特徴を関連付ける傾向がある。 性別分類モデルは、特に非白人女性の間で「魅力のない」顔により高いエラー率を示す。
  論文  参考訳（メタデータ） (2025-05-20T10:21:51Z)
• The Male CEO and the Female Assistant: Evaluation and Mitigation of Gender Biases in Text-To-Image Generation of Dual Subjects [58.27353205269664]
  本稿では,Paired Stereotype Test (PST) フレームワークを提案する。 PSTクエリT2Iモデルは、男性ステレオタイプと女性ステレオタイプに割り当てられた2つの個人を描写する。 PSTを用いて、ジェンダーバイアスの2つの側面、つまり、ジェンダーの職業におけるよく知られたバイアスと、組織力におけるバイアスという新しい側面を評価する。
  論文  参考訳（メタデータ） (2024-02-16T21:32:27Z)
• New Job, New Gender? Measuring the Social Bias in Image Generation Models [85.26441602999014]
  画像生成モデルは、社会的ステレオタイプとバイアスを永続するコンテンツを生成できる。 画像生成モデルにおける社会的バイアスを的確に、かつ、かつ、包括的に引き起こすことのできるフレームワークであるBiasPainterを提案する。 BiasPainterは、自動バイアス検出において90.8%の精度を達成することができる。
  論文  参考訳（メタデータ） (2024-01-01T14:06:55Z)
• How well can Text-to-Image Generative Models understand Ethical Natural Language Interventions? [67.97752431429865]
  倫理的介入を加える際の画像の多様性への影響について検討した。 予備研究は、モデル予測の大きな変化が「性別の無視」のような特定のフレーズによって引き起こされることを示している。
  論文  参考訳（メタデータ） (2022-10-27T07:32:39Z)

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。