"我可以成为任何东西！"：通过生成式AI驱动的自我表征职业想象连接当下与未来

文献标题

"I Can Be Anything!" Bridging Today and the Future through Generative AI-driven Self-represented Career Imagination for Children

出版信息

• 主题领域: 生成式人工智能在儿童发展与职业想象中的应用。
• 关键词: 生成式人工智能, 职业想象, 自我连续性, 儿童, 多模态大型语言模型, 文本生成图像模型, 身份发展, 叙事, 未来自我, 以儿童为中心的设计。

背景与问题

• 问题/挑战: 现有的儿童职业想象干预措施通常未能将他们的当前身份与未来愿景联系起来，将职业视为静态标签，而非动态且与自我相关的叙事。此外，目前的工具主要面向青少年或成人，假设用户具备先验知识和抽象推理能力，而这些能力是年幼儿童所缺乏的。
• 重要性: 在中童期培养自我连续性的意识对身份形成、动机和长期目标设定至关重要。弥补这一空白可以帮助儿童构想有意义的未来，并将当前的学习与未来的愿景联系起来。
• 动机与相关工作: 以往的干预措施包括基于艺术的活动、角色扮演和游戏化的职业探索，但这些方法往往缺乏个性化，且未能有效吸引年幼儿童。生成式人工智能为创建个性化、多模态体验提供了新机会，但其在以儿童为中心的职业想象中的应用仍有待深入探索。

解决方案

• 提出的方法: FutureMe，一个基于生成式人工智能的系统，结合多模态大型语言模型（MLLMs）和文本生成图像（T2I）模型，帮助7至11岁的儿童在职业背景中想象和叙述他们的未来自我。
• 创新点:
  1. 引入一个系统，整合实时照片捕捉、上下文图像编辑和叙事共建，以实现自我连续性。
  2. 展示生成式人工智能如何帮助儿童揭示隐藏的愿望，将过去和现在的经历与未来职业联系起来，并重新诠释外部强加的职业规范。
  3. 提出设计启示，创建以儿童为中心的人工智能工具，促进自主性、个性化和反思性参与。
• 流程与关键技术:
  1. 职业探索: 儿童浏览由T2I模型可视化的50种多样职业组成的“职业宇宙”。
  2. 卡通化: 将儿童的照片转化为卡通风格图像，以减少自我意识并增强隐私保护。
  3. 职业化: 系统根据儿童选择的职业生成三张个性化职业图像，供他们选择最喜欢的可视化效果。
  4. 描述: MLLMs生成儿童友好的职业解释。
  5. 故事化: 儿童定义他们在未来角色中将执行的行动，这些行动被转化为三格漫画故事条。
  6. 明信片输出: 一张总结儿童当前自我、未来自我、故事条以及写给未来自我的反思信的实物明信片。

研究结果

• 具体发现:
  • 在使用FutureMe后，17名儿童中有10名最初报告没有具体职业愿望的儿童发展出了新的、具体的梦想。
  • 53%的参与者表现出对未来角色的生动想象，41%表现出身份相似性，35%对未来自我表达了情感上的联系。
• 相较基线的优势:
  • 帮助儿童超越静态职业标签，创建动态的、自我呈现的叙事。
  • 促进自我连续性和自主性，帮助儿童将外部强加的职业期望重新诠释为个人有意义的未来。
• 实验/评估:
  • 组织了一场针对7至11岁儿童的工作坊，包含时长为45至60分钟的一对一会话。
  • 数据来源包括视觉叙事、手写信件和定性访谈。
  • 混合方法分析揭示了儿童在三个维度上想象力的变化：生动性、身份相似性和情感联系。
• 局限性与未来工作:
  • 技术局限性包括生成输出与儿童意图偶尔不一致，以及生成过程中的延迟。
  • 研究的小样本量和单次会话设计限制了普适性；未来研究应包括纵向研究和更大、更具多样性的样本。
  • 嵌入儿童面部图像到人工智能生成内容中的伦理问题需要进一步探讨。

总结

FutureMe是一个旨在帮助7至11岁儿童在多样化职业背景中想象和叙述其未来自我的生成式人工智能系统。通过整合多模态大型语言模型和文本生成图像技术，该系统使儿童能够探索职业、将自己可视化为专业角色并创建个性化叙事。一项针对17名儿童的研究表明，FutureMe如何促进自我连续性、揭示隐藏愿望，并赋能儿童重新诠释外部强加的职业规范。尽管该系统在支持身份发展和职业想象方面展现了潜力，但未来工作应解决技术、方法和伦理方面的局限性，以增强其可扩展性和影响力。