ملخص تقني: استقصاء التحيز الاجتماعي في توليد الصور السردية

بيان المشكلة

بينما يتم نشر نماذج توليد الصور من النص إلى الصورة (T2I) بشكل متزايد في مجالات الإعلام والتعليم والتصميم، لا تزال المخاوف قائمة بشأن ميلها لإعادة إنتاج التحيزات الاجتماعية. لقد وثقت الأبحاث السابقة باستفاضة أن نماذج (T2I) تربط بين ديموغرافيات محددة ومهن أو سمات أو أدوار اجتماعية. ومع ذلك، فإن تقييمات التحيز الحالية تركز بشكل أساسي على توليد الصور الواقعية أحادية اللقطة. يترك هذا النطاق الضيق فجوة حرجة: إذ لا يزال من غير الواضح ما إذا كان التحيز يظهر في التنسيقات البصرية السردية (مثل لوحات القصة "storyboards" والقصص المصورة "comics") وكيفية ظهوره، حيث يتم بناء المعنى من خلال استمرارية الشخصيات، وتتابع الأحداث، والتقدم الزمني، والتفاعل بين العناصر البصرية والنصية، أم لا. ويفترض المؤلفون أن التحيزات التي قد تظل خفية أو غير مرئية في الصور الثابتة قد تصبح صريحة أو مضخمة في تنسيقات السرد المتسلسل.

المنهجية

تعتمد الدراسة إطار عمل BBG (معيار التحيز للتوليد)، المصمم أصلاً لتوليد النصوص، لتقييم نماذج توليد الصور. تتضمن المنهجية المكونات التالية:

• بناء المطالبات (Prompts): اختار المؤلفون 140 مطالبة بذرة من مجموعة بيانات BBG، تغطي سبع فئات من التحيز الاجتماعي: العمر، الإعاقة، النوع الاجتماعي، المظهر الجسدي، العرق/الجنسية، الدين، والوضع الاجتماعي والاقتصادي (SES). كانت هذه المطالبات مصممة عمدًا لتكون غامضة سياقيًا، بحيث تُترك السمات الرئيسية (مثل أي شخصية تمتلك سمة معينة أو نتيجة معينة) غير محددة. تتضمن مجموعة البيانات 70 مطالبة باللغة الإنجليزية و70 باللغة الكورية للتحقيق في التحيز عبر اللغات.
• النماذج التي تم تقييمها: تم اختبار ستة نماذج رائدة في مجال (T2I):
  • نماذج مملوكة (Proprietary): GPT-Image-1.5، GPT-Image-2، Gemini-3.1-Flash-Image، وGemini-3-Pro-Image.
  • نماذج مفتوحة المصدر (Open-Source): FLUX.1-Dev وSDXL.
• إعدادات التوليد: لكل مطالبة، تم توليد المخرجات في ثلاثة تنسيقات متميزة:
  1. صورة واقعية: صورة ثابتة واحدة.
  2. لوحة قصة (Storyboard): رسومات تخطيطية تركز على تأطير اللقطة وتغطية الكاميرا دون نص.
  3. قصة مصورة من أربع لوحات: سرد متسلسل يدمج العناصر البصرية مع فقاعات الكلام، والتعليقات، والسرد.
• بروتوكول التقييم: قام أربعة مؤلفين بتوسيم الصور المولدة يدويًا (إجمالي 2.4 ألف صورة) بناءً على الإجابات الضمنية لأسئلة BBG. تم تصنيف المخرجات كـ منحازة، أو مضادة للتحيز، أو محايدة. كما استخدمت الدراسة الترميز الموضوعي لتحديد الأنماط البصرية والسردية المتكررة. كما أُجريت دراسة حالة على توليد الفيديو (Sora-Pro-2 وVeo-3.1) لتوسيع النتائج لتشمل الوسائط الزمنية.

النتائج الرئيسية

النتائج الكمية

• التنسيقات السردية تضخم التحيز: أنتجت النماذج المملوكة مخرجات منحازة بشكل أكبر بكثير في التنسيقات السردية مقارنة بالصور. في المتوسط، أنتجت النماذج المملوكة 25.9% من المخرجات المنحازة في توليد الصور. وارتفع هذا المعدل بمقدار 9.6 نقطة مئوية (pp) في توليد لوحات القصة و18.2 نقطة مئوية (pp) في القصص المصورة.
• التفاوتات اللغوية: كان انتشار التحيز أعلى في المطالبات الكورية مقارنة بالمطالبات الإنجليزية، حيث أظهرت الإعدادات الكورية معدل مخرجات منحازة أعلى بمتوسط 7.2 نقطة مئوية (pp). وظهرت أكبر فجوة في توليد الصور (على سبيل المثال، أظهر Nano Banana 2 زيادة قدرها 17.4 نقطة مئوية).
• أداء النماذج المفتوحة: أنتجت النماذج المفتوحة (FLUX.1-Dev وSDXL) مخرجات محايدة في 93.6% من الحالات في المتوسط. ومع ذلك، يعزو المؤلفون ذلك إلى ضعف القدرة على اتباع التعليمات بدلاً من التخفيف الفعال للتحيز، مشيرين إلى أن هذه النماذج غالبًا ما فشلت في دمج الإشارات الديموغرافية أو أنتجت محتوى غير متوافق ثقافيًا.

النتائج النوعية

• التحيز الصريح مقابل الضمني: في توليد الصور، غالبًا ما يتم تشفير التحيزات من خلال إشارات بصرية دقيقة (مثل ملابس معينة، أو إكسسوارات، أو تعبيرات). وفي المقابل، تكشف لوحات القصة والقصص المصورة عن التحيزات بشكل أكثر صراحة من خلال تتابع الأحداث، وتمركز الشخصيات، والنتيجة السردية، والعناصر النصية (مثل فقاعات الكلام التي تنص صراحة على الصور النمطية).
• استمرار الارتباطات البصرية: استمرت الارتباطات البصرية النمطية (مثل تصوير الأشخاص "المبدعين" بأزياء كاجوال/هيبّي أو رموز المصباح الكهربائي) عبر جميع التنسيقات، حتى عند تغير أسلوب المخرجات.
• الصور النمطية متعددة الطبقات: كشفت التنسيقات السردية عن تحيزات تتجاوز مجرد تعيين الأدوار. على سبيل المثال، اختلف سبب فشل الشخصية أو اعتمادها حسب الصورة النمطية (على سبيل المثال، تم تأطير اعتماد الممرضة الأنثوية كضعف عاطفي مقابل تأطير اعتماد الشخص الكفيف كحاجة عملية).
• التخفيف السطحي: حاولت النماذج أحيانًا تجنب التحيز من خلال إدخال عناصر مضادة للصور النمطية أو نهايات أخلاقية (مثل المصالحة بين الجيران المتنازعين). ومع ذلك، يشير المؤلفون إلى أن هذا لا يعني بالضرورة إزالة الارتباطات الأساسية، حيث قد تظل الإشارات البصرية الدقيقة تعزز الصور النمطية.
• عدم التوافق الثقافي: في السياقات الكورية، فشلت النماذج كثيرًا في التوافق مع الفروق الثقافية الدقيقة، حيث ولدت نصوصًا بالإنجليزية أو لغات مختلطة، أو أنتجت صورًا غربية/شرق آسيوية تقليدية للغاية لا تتوافق مع السياق الثقافي للمطالبة.

الأهمية والمساهمات

يدعي البحث ثلاث مساهمات رئيسية:

1. أول دراسة للتحيز السردي: تقدم أول تحقيق منهجي للتحيز الاجتماعي في تنسيقات توليد الصور السردية، من خلال مقارنة الصور الواقعية بلوحات القصة والقصص المصورة المكونة من أربع لوحات.
2. دليل على اعتماد التحيز على التنسيق: تثبت أن النماذج المملوكة تظهر تحيزًا أكبر بكثير في التنسيقات السردية (لوحات القصة والقصص المصورة) مقارنة بتوليد الصور الفردية، مما يشير إلى أن تقييمات الصورة الواحدة غير كافية لاستيعاب النطاق الكامل لتحيز النماذج.
3. الآليات النوعية: تقدم دليلًا نوعيًا حول كيفية ظهور التحيزات بشكل مختلف عبر التنسيقات—من خلال الانتقال من الإشارات البصرية الدقيقة في الصور إلى التعزيز السردي والنصي الصريح في القصص المصورة.

يخلص المؤلفون إلى أن تنسيقات الصور السردية تعمل كمسبار أقوى لتحيز النماذج من توليد الصور وحدها. ويجادلون بأن تقييم أنظمة (T2I) يتطلب تجاوز مخرجات الصورة الواحدة لمراعاة تنسيقات التوليد المتنوعة، حيث إن التحيزات التي قد تكون أقل وضوحًا في الصور الثابتة قد تظهر وتصبح أكثر ضررًا في سياقات السرد المتسلسل. كما تسلط الدراسة الضوء على الحاجة لتقييم القدرات متعددة اللغات وعبر الثقافات، مشيرة إلى أن النماذج الحالية غالبًا ما تفشل في ربط المطالبات بسياقاتها الثقافية المحددة.