真實的（視覺）謊言：分析生成式 AI 如何辨識視覺化中的意圖與誤導
arXiv - Human-Computer InteractionGraziano Blasilli, Marco Angelini
本研究探討了多模態大型語言模型識別並理解誤導性視覺化、辨識其背後原因及潛在意圖的能力。
AI 幫你先抓重點
AI 重點 1
LLM 辨識視覺化意圖的能力差異
滑鼠懸停看 AI 判斷理由
了解不同 LLM 在解讀誤導性視覺化方面的表現，有助於選擇最適合特定任務的模型，並提升 AI 在視覺化資料分析方面的可靠性，對於教育領域的資料判讀至關重要。
AI 重點 2
視覺化修辭與作者意圖的重要性
滑鼠懸停看 AI 判斷理由
研究強調了視覺化修辭和作者意圖在理解誤導性視覺化中的作用，這對於培養學生批判性思考能力、辨識資訊真偽，以及避免被誤導性視覺化影響至關重要。
核心研究發現
- 1
研究利用視覺化修辭概念和作者意圖分類法，作為分析框架，以理解 LLM 如何解讀誤導性視覺化。
- 2
研究團隊建立了一個包含 2,336 則 COVID-19 相關推文的資料集，其中一半包含誤導性視覺化，並輔以來自 VisLies 社群活動的真實案例。
- 3
研究評估了 16 款最先進的 LLM，包含 15 款開源模型，涵蓋不同大小、架構和推理能力，以及 OpenAI GPT-5.4。
- 4
模型在識別視覺化中的意圖、修辭手法和誤導性方面表現各異，不同模型之間存在顯著差異。
- 5
研究結果揭示了 LLM 在理解視覺化背後的人為操縱和潛在意圖方面的能力，為未來發展更可靠的 AI 視覺化分析工具奠定基礎。
對教育工作者的啟發
本研究提醒教育工作者，學生在接觸視覺化資料時，需要具備批判性思考的能力，辨識視覺化背後的意圖和潛在的誤導性。課程設計者可以利用研究結果，開發提升學生資料素養的課程，教授學生如何解讀視覺化資料，並避免被誤導性資訊影響。此外，研究也為 AI 輔助教學工具的開發提供了方向，例如開發能自動檢測視覺化資料中潛在偏見和誤導性的工具。
原始文獻資訊
- 英文標題：
- True (VIS) Lies: Analyzing How Generative AI Recognizes Intentionality, Rhetoric, and Misleadingness in Visualization Lies
- 作者：
- Graziano Blasilli, Marco Angelini
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- ISTA-DASLab/gemma-3-27b-it-GPTQ-4b-128g
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。