“即使不是真实的我也开心”:生成式AI照片编辑作为记忆体验
生成式AI(文本、图像、音乐、视频)可解释人工智能(XAI)同理心与情感设计UI/UX 设计师AI/ML 研究员与工程师HCI 研究员
文献标题
“I'm happy even though it's not real”: GenAI Photo Editing as a Remembering Experience
出版信息
- 主题领域: 生成式人工智能(GenAI)照片编辑对个人记忆体验的影响。
- 关键词: 生成式人工智能, 照片编辑, 记忆, 记忆体验, 人机交互, 身份, 文化偏见, 记忆重构, 设计启示, 负责任的人工智能。
背景与问题
- 问题/挑战: 现有研究主要关注由GenAI编辑的媒体引发的错误信息和虚假记忆,但缺乏关于人们如何使用GenAI编辑个人照片及其对记忆体验影响的实证研究。
- 重要性: 理解这些实践对于设计支持个人意义建构且能维护个人档案信任的负责任GenAI工具至关重要。
- 动机与相关工作: 先前的研究将记忆框定为一种重构性和情境化的活动,而照片编辑传统上被视为修正或美化行为。GenAI的语义编辑能力改变了这一动态,使用户能够将照片与主观记忆而非事实准确性对齐。
解决方案
- 提出的方法: 基于记忆体验(RX)框架的两阶段定性研究,该框架包括四个维度:心境、社会情境、物理情境和记忆内容。
- 创新点:
- 引入“感知记忆”作为理解GenAI介导的记忆体验的视角,超越事实准确性。
- 提出“可编辑性层级”,区分身份关键和情境导向的照片元素。
- 提供关于GenAI编辑如何成为记忆过程一部分的实证洞察,包括丰富或扭曲记忆。
- 提出负责任GenAI设计的启示,平衡表达性记忆与扭曲和丢失的风险。
- 程序与关键技术:
- 参与者使用GenAI工具编辑1年、5年和10年前的个人照片,并以RX框架为指导。
- 通过半结构化访谈探讨参与者对编辑的意图、感知和体验。
- 使用反思性主题分析、内容分析和描述性统计方法进行数据分析。
结果
- 具体发现:
- 参与者提出了133个编辑请求,其中12%未成功完成编辑。
- 大多数编辑集中在修改现有内容(46.6%),其次是添加(24.8%)和移除(21.8%)。
- 环境编辑在真实感(M=4.16)和情感连接(M=3.75)方面评分最高,而人脸编辑在真实感(M=2.80)方面评分最低。
- 较旧的照片(10年前)吸引了更多生成性编辑,如添加和扩展。
- 相较基线的优势:
- GenAI使参与者能够将照片与主观记忆对齐,加强情感连接,并创造性地重新诠释记忆,超越传统照片编辑工具的能力。
- 实验/评估:
- 在受控环境中对12名参与者(性别和GenAI熟悉度均衡)进行实验。
- 参与者对编辑后的照片在真实感和情感连接方面进行评分,并在访谈中反思其体验。
- 局限性与未来工作:
- 样本量小且文化上同质化,限制了研究的普适性。
- 研究在受控环境中进行,而非自然情境。
- 未来研究应包括更大、更多样化的样本,进行纵向研究,并比较不同GenAI工具的效果。
总结
本研究探讨了GenAI照片编辑如何通过优先考虑主观“感知记忆”而非事实准确性来重塑记忆体验。参与者使用GenAI将照片与个人记忆对齐,将环境元素视为灵活的,同时保留身份关键特征如面部。编辑过程本身成为一种主动的回忆方式,丰富了记忆,但也带来了信息丢失和文化偏见等风险。研究结果提出了负责任GenAI设计的启示,强调身份保护、线索保留和有意识的记忆工作。这些洞察有助于理解GenAI如何在支持表达性记忆的同时减轻潜在扭曲。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 71%
重新审视人类与AI交互的独特设计难度及其原因
CHI '20· 生成式AI(文本、图像、音乐、视频) +2
- 71%
LLM中的个人验证效应:积极AI响应虚构预测的有效性、可靠性、个性化与有用性偏见
CHI '26· 大语言模型(LLM)的人机协作 +2
- 71%
熵的测量能否匹配人类对AI生成图像多样性的判断?
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 67%
自适应滑块:基于用户对齐语义滑块的文本到图像模型输出编辑
CHI '25· 生成式AI(文本、图像、音乐、视频) +1
- 67%
谁做的?生成图像的视觉属性如何影响用户能动性
UIST '24· 生成式AI(文本、图像、音乐、视频) +1
- 63%
GAM 教练:迈向交互式和用户中心的算法补救
CHI '23· 生成式AI(文本、图像、音乐、视频) +3
- 63%
通过语义指导桥接UI生成中的鸿沟
CHI '26· 生成式AI(文本、图像、音乐、视频) +3
- 63%
使用生成式AI创建和评估人物角色:对81篇文章的范围性综述
CHI '26· 生成式AI(文本、图像、音乐、视频) +3
- 63%
PCGEF:用于诊断以人为中心的角色条件生成中主观一致性的框架
CHI '26· 大语言模型(LLM)的人机协作 +3
- 63%
代理音频主持人与人类在出声思考可用性测试中的对比
CHI '26· 生成式AI(文本、图像、音乐、视频) +3
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3790927
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
4 位作者
sell
研究子方向
生成式AI(文本、图像、音乐、视频)、可解释人工智能(XAI)、同理心与情感设计
work
职业/产业
UI/UX 设计师、AI/ML 研究员与工程师、HCI 研究员
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文