从来源到异常：图像创建者和屏幕阅读用户对AI生成图像的替代文本的观点

文献标题

从图像溯源到异常：AI生成图像的替代文本和盲人用户视角

文献信息

• 主题领域: 无障碍计算（Accessibility）、人工智能生成内容、盲人用户体验
• 关键词: AI艺术, 文本生成图像, 无障碍性, 替代文本, 盲人, 屏幕阅读器用户

研究背景与问题

• 发现的问题或挑战:
  1. AI生成图像的快速普及过程中，大部分生成的图像缺乏面向屏幕阅读器用户（SRU）的替代文本，导致无障碍使用性不足。
  2. 即使在其他场景中存在替代文本，很多描述质量参差不齐，一些主流网页内容甚至完全缺失替代文本（如30%的图片无替代文本）。
  3. 当前没有系统地研究针对AI生成图像的替代文本策略，也缺乏明确的描述标准以应对该类型的新型媒介。
• 重要性: AI生成图像独特的特性（如风格的组合、错觉以及未知的溯源信息）给图像无障碍描述带来了新的思考维度，正确描述AI图像的可访问性至关重要，特别是在防止误导性信息方面。
• 研究动机与相关工作:
  • 全球已有超150亿张AI生成图像，但这些图片对盲人等依赖文本描述的用户可访问性极低。
  • 此前的无障碍研究已经探讨了传统图片和传达复杂信息（如科学论文可视化、社交媒体）的替代文本需求，但对AI生成图像的需求尚未深入研究。
  • 随着生成模型（如DALL-E、Midjourney等）普及及使用场景的扩展，研究这些内容对屏幕阅读器用户的影响，使其更易于感知和理解显得尤为必要。

解决方案

• 提出的方法和解决方案: 作者设计了一项综合方法，系统地研究了来自不同来源（如图像生成时的文本提示、生成者撰写的替代文本、专业无障碍领域专家撰写的替代文本以及自动生成的文本描述模型）的替代文本。
• 创新之处:
  1. 提出了评估不同来源的替代文本质量的框架。
  2. 引入了人工智能所特有的描述要求，如溯源信息的必要性、对图像生成异常（aberrations）的描述，以及新颖的风格和媒介表达。
  3. 收集并分析了多样化参与者（图像生成者和屏幕阅读器用户）对于替代文本质量和内容的偏好。
• 实施步骤和关键技术:
  1. 参与者评估: 招募了16名AI图像生成者和16名频繁使用屏幕阅读器的用户进行实验。
  2. 替代文本编码与分类:
     • 创建四类替代文本：生成模型输入的文本提示、生成者撰写的文本、专家撰写文本以及自动化替代文本模型生成的文本。
     • 每张图像评估其替代文本的长度、部分词性特征（名词、动词、形容词等）以及词汇选择独特性。
  3. 主观与客观评价结合：参与者对四种替代文本进行打分、对比，并另撰理想版本描述。
  4. 定量与定性结合分析：使用统计方法了解语言特征和文本偏好趋势，同时主题分析参与者体验和建议。

研究成果

• 具体成果:
  1. 生成的一套64张AI图像及其四类替代文本的完整数据集。
  2. 针对不同来源文本的量化分析表明：
     • 专家撰写的文本内容较详细且排名最高，但有时显得过于冗长。
     • 屏幕阅读器用户的理想版本偏好简洁、描述具体的内容。
     • 生成文本提示时常包含技术术语，仅在极少数情况下被评为描述理想。
  3. 将图像生成时的提示作为替代文本的信息潜力有限，特别是提示中可能包含不相关、未渲染出现在图像中的内容。
  4. 发现关键描述需求：考虑图像溯源、生成异常内容、媒介与风格等。
• 现有解决方案的比较优势:
  • 与仅依赖模型自动生成文本和传统描述方法相比，作者的方法综合考虑图片背景、用户实际偏好和技术实现的可行性，展示了更好的描述针对性与可读性。
• 实验结果: 方法在“描述翔实性”和“描述适配性”这两个定性定量问题上，均获得参与者正面反馈。此外，根据对参与者的理想版本数据统计，作者提出了一种更动态的“分层描述结构”设计替代文本策略。
• 局限性与未来方向:
  • 局限性：
    1. 研究主要是面向较宽泛的通用场景，未深入特定上下文（如社交媒体与学术出版的不同）。
    2. 生成模型的替代文本（V2L）可能未代表最新大规模多模态模型的能力。
  • 未来方向：
    1. 探索各种应用场景的替代文本需求差异。
    2. 结合新型感知和推理模型（如LLM）进一步评估与提升描述精度。
    3. 研究如何更好地在生成文本中嵌入图像溯源信息，尤其是在水印缺失或图像被篡改的情况下。

输出格式

输出文章深入探讨了AI图像为盲人用户传达的核心可访问性要素，为各行业制定AI图像无障碍策略提供了坚实的参考框架。