Сравнение сгенерированных ИИ стимулов и фото: исследование зрительного поиска

Аннотация

Актуальность. Алгоритмы ИИ быстро вошли в повседневную жизнь за последние несколько лет, что повлекло за собой появление большого количества как текстов, так и изображений, сгенерированных нейросетями. Тем не менее особенности восприятия искусственно сгенерированных изображений человеком еще не были изучены. Актуальность исследования состоит в изучении возможности использования искусственно сгенерированных изображений для планирования экспериментов в области психологии восприятия.

Цель. Изучение различий в характеристиках зрительного поиска между стимулами — фотографиями и сгенерированными ИИ изображениями.

Выборка. В исследовании приняли участие 30 человек (21 женщина) от 18 до 43 лет (Mвозраст = 21,29, SD = 5,18).

Методы. Исследование выполнено на основе экспериментального дизайна с двумя независимыми и двумя зависимыми переменными. Задача испытуемых состояла в поиске целевого стимула среди дистракторов, в качестве стимульного материала выступали изображения объектов, сгенерированные с помощью нейросети, и фотографии. Также варьировалось количество объектов на экране. Измерялись точность ответов испытуемых и время реакции.

Результаты. Различий в точности обнаружения фотореалистичных и сгенерированных ИИ стимулов обнаружено не было, как и различий во времени реакции.

Выводы. С помощью метода эксперимента в парадигме зрительного поиска было показано, что вид стимула (сгенерированный ИИ или фотореалистичный) не влияет на скорость и точность его нахождения. Перспективы данного исследования связаны с возможностями использования искусственно сгенерированных стимулов для планирования экспериментов в области когнитивной психологии.

Литература

Ангельгардт, А.Н., Макаров, И.М., Горбунова, Е.С. (2021). Роль уровня категории при решении задачи гибридного поиска. Вопросы психологии, (2), 148-158.

Ануфриева, А.А., Горбунова, Е.С. (2022). Аффордансы как часть процесса идентификации объекта в зрительном поиске. Российский психологический журнал, 19(2), 188-200.

Жадан, А. (2023). Как я написал диплом с помощью ChatGPT и оказался в центре спора о нейросетях в образовании. Т—Ж, 3 марта 2023 г. URL: https://t-j.ru/neuro-diploma/ (дата обращения: 07.03.2025).

Морозов, М.И. (2017). Влияние категориальных названий на зрительный поиск. Шаги, 3(1), 87-97.

Наследов, А.Д. (2004). Математические методы психологического исследования. Санкт-Петербург: Речь.

Сапронов, Ф.А., Макаров, И.М., Горбунова, Е.С. (2023). Категоризация в гибридном поиске: исследование с использованием регистрации движений глаз. Экспериментальная психология, 16(3), 121-138.

Сопов, М.С., Стародубцев, А.С., Мирошник, К.Г., Шиндриков, Р.Ю. (2019). База стандартизированных изображений BOSS: адаптация для использования на русскоязычной выборке. Психология. Журнал Высшей школы экономики, 16(4), 690-704.

Brauner, P., Hick, A., Philipsen, R., Ziefle, M. (2023). What does the public think about artificial intelligence? A criticality map to understand bias in the public perception of AI. Frontiers in Computer Science, 5, 1113903. https://doi.org/10.3389/fcomp.2023.1113903

Chen, X., Zelinsky, G.J. (2006). Real-world visual search is dominated by top-down guidance. Vision Research, 46(24), 4118-4133.

Ho, J., Jain, A., Abbeel, P. (2020). Denoising diffusion probabilistic models. Advances in Neural Information Processing Systems, 33, 6840-6851.

Ivanina, E.O., Gracheva, A.S., Markov, Y.A., Gorbunova, E.S. (2020). Search for familiar and dangerous: not seeing a gopnik in the crowd. Психологические исследования, 13(71), 1-25.

Julesz, B. (1975). Experiments in the visual perception of texture. Scientific American, 232(4), 34-43.

Kaplan, A., Haenlein, M. (2020). Rulers of the world, unite! The challenges and opportunities of artificial intelligence. Business Horizons, 63(1), 37-50.

Kurdi, B., Lozano, S., Banaji, M.R. (2017). Introducing the open affective standardized image set (OASIS). Behavior Research Methods, 49, 457-470.

Le-Hoa Võ, M., Wolfe, J.M. (2015). The role of memory for visual search in scenes. Annals of the New York Academy of Sciences, 1, 72-81.

Love, J., Selker, R., Marsman, M., Jamil, T., Dropmann, D., Verhagen, J., Ly, A., Gronau, Q.F., Šmíra, M., Epskamp, S., Matzke, D., Wild, A., Knight, P., Rouder, J.N., Morey, R.D., Wagenmakers, E.J. (2019). JASP: Graphical statistical software for common statistical designs. Journal of Statistical Software, 88(2), 1-17.

McKinney, W. (2011). Pandas: a foundational Python library for data analysis and statistics. Python for High Performance and Scientific Computing, 14(9), 1-9.

Quinlan, P.T., Humphreys, G.W. (1987). Visual search for targets defined by combinations of color, shape, and size: An examination of the task constraints on feature and conjunction searches. Perception & Psychophysics, 41(5), 455-472.

Ragot, M., Martin, N., Cojean, S. (2020). AI-generated vs. human artworks. A perception bias towards artificial intelligence? In: R. Bernhaupt, F.F. Mueller, D. Verweij, J. Andres (Eds.). CHI EA '20: Extended Abstracts of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1-10). New York: ACM.

Rapp, A., Di Lodovico, C., Torrielli, F., Di Caro, L. (2024). How do People Experience the Images Created by Generative Artificial Intelligence? An Exploration of People's Perceptions, Appraisals, and Emotions Related to a Gen-AI Text-to-image Model and its Creations. International Journal of Human-Computer Studies, 193, 103375. https://doi.org/10.1016/j.ijhcs.2024.103375

Roose, K. (2022). An A.I.-Generated Picture Won an Art Prize. Artists Aren't Happy. The New York Times, September 2, 2022. URL: https://www.nytimes.com/2022/09/02/technology/ai-artificial-intelligence-artists.html (accessed: 03.07.2025).

Treisman, A. (1964). Monitoring and storage of irrelevant messages in selective attention. Journal of Verbal Learning and Verbal Behavior, 3(6), 449-459.

Treisman, A.M., Gelade, G. (1980). A feature-integration theory of attention. Cognitive Psychology, 12(1), 97-136.

Vuilleumier, P., Huang, Y.-M. (2009). Emotional attention: Uncovering the mechanisms of affective biases in perception. Current Directions in Psychological Science, 18(3), 148-152.

Wolfe, J.M. (1994). Guided search 2.0 a revised model of visual search. Psychonomic Bulletin & Review, 1, 202-238.

Wolfe, J.M. (2001). Asymmetries in visual search: An introduction. Perception & Psychophysics, 63, 381-389.

Wolfe, J.M. (2010). Visual search. Current Biology, 20(8), 346-349.

Wolfe, J.M. (2020). Visual search: How do we find what we are looking for? Annual Review of Vision Science, 6, 539-562.

Wolfe, J.M. (2021). Guided Search 6.0: An updated model of visual search. Psychonomic Bulletin & Review, 28(4), 1060-1092.

Wolfe, J.M., Cave, K.R., Franzel, S.L. (1989). Guided search: an alternative to the feature integration model for visual search. Journal of Experimental Psychology: Human Perception and Performance, 15(3), 419-433.