影像品質評估的演算法凝視：對 LAION-Aesthetics 預測器的審計與數位民族誌研究
arXiv - Human-Computer InteractionJordan Taylor, William Agnew, Maarten Sap, Sarah E. Fox, Haiyi Zhu
研究揭示了廣泛用於訓練生成式 AI 的美學評估模型存在性別與文化偏見，強化了西方中心主義的美學觀。
AI 幫你先抓重點
AI 重點 1
警惕「單一標準」美學評估對生成式 AI 數據集的潛在破壞力
滑鼠懸停看 AI 判斷理由
當 AI 模型使用單一的美學指標來篩選訓練數據時，會自動排除多元文化與非主流的視覺表達，導致生成內容的文化同質化，這對於推動數位包容性至關重要。
AI 重點 2
從「規範性美學」轉向「多元化評估」的必要性
滑鼠懸停看 AI 判斷理由
研究提醒開發者，美學並非客觀真理而是文化建構。若不改變現有的評估邏輯，AI 將持續強化既有的權力結構（如帝國主義與男性凝視），影響數位時代的視覺文化發展。
核心研究發現
- 1
審計發現 LAION-Aesthetics 預測器（LAP）對標籤包含「女性」的影像進行不成比例的過濾，卻對「男性」或「LGBTQ+」影像較少過濾。
- 2
在藝術數據集測試中，該模型對西方與日本藝術家的寫實風景、城市景觀與肖像給予最高評分，反映出強烈的西方美學偏好。
- 3
數位民族誌研究顯示，LAP 的偏見源於其訓練數據主要來自英語系攝影師與西方 AI 愛好者，導致美學標準高度單一化。
對教育工作者的啟發
對於教育科技開發者與課程設計者，此研究提供了重要的警示：在設計涉及 AI 生成內容的教學工具時，應意識到演算法可能帶有的文化偏見。建議在開發教育用 AI 工具時，應採用更具包容性的評估指標，避免使用單一的美學或品質標準來篩選教材或生成內容。在教授學生使用生成式 AI 時，應將「演算法偏見」與「美學的主觀性」納入數位素養課程，引導學生批判性地看待 AI 生成影像背後的文化價值觀與權力結構。
原始文獻資訊
- 英文標題：
- The Algorithmic Gaze of Image Quality Assessment: An Audit and Trace Ethnography of the LAION-Aesthetics Predictor
- 作者：
- Jordan Taylor, William Agnew, Maarten Sap, Sarah E. Fox, Haiyi Zhu
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。