Artificiel ou réel ? Perception des images générées par IA
SONAR|HES-SO
- Andrade, Alexandra
- Mumenthaler, Christian (Degree supervisor)
- Genève : Haute école de gestion de Genève
61 p.
Master of Science HES-SO en Sciences de l'information: Haute école de gestion de Genève, 2024
French
Avec l’avènement de l’intelligence artificielle, et particulièrement l’intelligence artificielle générative, de plus en plus de questionnements se posent quant à son utilisation, notamment en ce qui concerne la génération d’images. L’objectif de ce travail est d’analyser comment nous percevons les images générées par intelligence artificielle et si nous sommes capables de les distinguer d’images réelles.
Ce travail commence tout d’abord par une revue de la littérature, dans laquelle nous abordons le sujet des deepfakes en premier lieu. En effet, les deepfakes peuvent poser différentes craintes et menaces. Il devient de plus en plus difficile d’avoir confiance en ce que nous voyons, créant une peur d’une pandémie de désinformation, mais en nous assurant de la fiabilité de nos sources, nous pouvons contourner ce problème. Différentes techniques existent également pour détecter les deepfakes, que ce soit à travers de programmes spécialisés ou par le manque de clignement d’yeux de la personne présente dans la vidéo.
En deuxième lieu, nous plongeons dans la perception d’images générées par intelligence artificielle et nous voyons, à travers de multiples expériences différentes, que l’IA est capable de générer des images si hyperréalistes, que certains visages de personnes réelles sont considérés comme synthétiques en comparaison. Cela s’expliquerait par le fait que l’IA génère des visages plus communs et donc perçus comme plus humains. Certaines personnes avaient même plus confiance en leur jugement lorsqu’elles jugeaient des images IA comme réelles que lorsque les images étaient réellement réelles.
Nous présentons ensuite notre recherche, ses hypothèses et notre méthodologie. En effet, nous avons tout d’abord créer un corpus d’images IA selon 4 catégories (Animaux, Paysages, Tableaux et Visages) puis récolté des images réelles correspondantes. Nous avons ensuite créé un questionnaire que nous avons fait passer à des participant-e-s.
Nos résultats montrent que de manière globale, les participant-e-s étaient capables de distinguer des images IA d’images réelles. C’est également le cas par catégorie, sauf dans la catégorie des visages, pour laquelle les résultats n’étaient pas significatifs et rejoignent donc les résultats des études abordées dans la revue de la littérature. Nous mentionnons également les quelques limitations de notre étude et de quelle façon nous pourrions l’améliorer. Finalement, nous esquissons une ébauche d’idée pour un éventuel tableau de bord qui nous permettrait de partager nos résultats avec un plus grand public.
Ce travail commence tout d’abord par une revue de la littérature, dans laquelle nous abordons le sujet des deepfakes en premier lieu. En effet, les deepfakes peuvent poser différentes craintes et menaces. Il devient de plus en plus difficile d’avoir confiance en ce que nous voyons, créant une peur d’une pandémie de désinformation, mais en nous assurant de la fiabilité de nos sources, nous pouvons contourner ce problème. Différentes techniques existent également pour détecter les deepfakes, que ce soit à travers de programmes spécialisés ou par le manque de clignement d’yeux de la personne présente dans la vidéo.
En deuxième lieu, nous plongeons dans la perception d’images générées par intelligence artificielle et nous voyons, à travers de multiples expériences différentes, que l’IA est capable de générer des images si hyperréalistes, que certains visages de personnes réelles sont considérés comme synthétiques en comparaison. Cela s’expliquerait par le fait que l’IA génère des visages plus communs et donc perçus comme plus humains. Certaines personnes avaient même plus confiance en leur jugement lorsqu’elles jugeaient des images IA comme réelles que lorsque les images étaient réellement réelles.
Nous présentons ensuite notre recherche, ses hypothèses et notre méthodologie. En effet, nous avons tout d’abord créer un corpus d’images IA selon 4 catégories (Animaux, Paysages, Tableaux et Visages) puis récolté des images réelles correspondantes. Nous avons ensuite créé un questionnaire que nous avons fait passer à des participant-e-s.
Nos résultats montrent que de manière globale, les participant-e-s étaient capables de distinguer des images IA d’images réelles. C’est également le cas par catégorie, sauf dans la catégorie des visages, pour laquelle les résultats n’étaient pas significatifs et rejoignent donc les résultats des études abordées dans la revue de la littérature. Nous mentionnons également les quelques limitations de notre étude et de quelle façon nous pourrions l’améliorer. Finalement, nous esquissons une ébauche d’idée pour un éventuel tableau de bord qui nous permettrait de partager nos résultats avec un plus grand public.
- Language
-
- French
- Classification
- Information, communication and media sciences
- Notes
-
- Haute école de gestion de Genève
- Information documentaire
- hesso:hegge
- Persistent URL
- https://sonar.ch/global/documents/330668
Statistics
Document views: 123
File downloads:
- ANDRADE_TM_2024.pdf: 259