Les outils d\u2019intelligence artificielle capables de cr\u00e9er des images \u00e0 partir de texte ont r\u00e9volutionn\u00e9 la cr\u00e9ation visuelle. Pourtant, ces technologies reproduisent souvent les st\u00e9r\u00e9otypes sociaux pr\u00e9sents dans les donn\u00e9es utilis\u00e9es pour les entra\u00eener. Une r\u00e9cente analyse a examin\u00e9 comment cinq mod\u00e8les populaires g\u00e9n\u00e8rent des portraits de personnes issues de dix pays d\u2019Am\u00e9rique. Les r\u00e9sultats montrent des \u00e9carts syst\u00e9matiques entre les repr\u00e9sentations produites et la r\u00e9alit\u00e9 d\u00e9mographique.<\/p>\n
Les chercheurs ont utilis\u00e9 des descriptions bas\u00e9es sur la nationalit\u00e9 pour demander \u00e0 ces syst\u00e8mes de cr\u00e9er des portraits. Ils ont ensuite compar\u00e9 les caract\u00e9ristiques des visages g\u00e9n\u00e9r\u00e9s avec les donn\u00e9es officielles des recensements. Il en ressort que les mod\u00e8les accentuent certains traits et en ignorent d\u2019autres, selon les pays. Par exemple, les pays d\u2019Am\u00e9rique latine sont fr\u00e9quemment associ\u00e9s \u00e0 des arch\u00e9types autochtones, tandis que le Canada et les \u00c9tats-Unis sont surtout repr\u00e9sent\u00e9s par des visages blancs. Ces distorsions apparaissent aussi bien dans l\u2019analyse des images que dans leur interpr\u00e9tation par d\u2019autres intelligences artificielles.<\/p>\n
L\u2019\u00e9tude r\u00e9v\u00e8le aussi une surrepr\u00e9sentation des hommes dans la plupart des mod\u00e8les, sauf pour l\u2019un d\u2019eux qui favorise les femmes. Les diff\u00e9rences culturelles et d\u00e9mographiques entre les nations ne sont pas respect\u00e9es, ce qui pose un probl\u00e8me \u00e9thique majeur. En effet, ces biais peuvent renforcer des st\u00e9r\u00e9otypes et effacer des groupes sociaux entiers, surtout lorsque ces images sont utilis\u00e9es dans les m\u00e9dias, le design ou l\u2019\u00e9ducation.<\/p>\n
Pour \u00e9valuer ces \u00e9carts, les scientifiques ont combin\u00e9 plusieurs m\u00e9thodes. Ils ont d\u2019abord utilis\u00e9 un classificateur qui regroupe les images selon leur similitude visuelle. Ensuite, ils ont mesur\u00e9 la distance entre les repr\u00e9sentations moyennes de chaque pays et celles des groupes ethniques ou de genre. Enfin, un mod\u00e8le linguistique a analys\u00e9 les portraits pour identifier les attributs per\u00e7us. Ces approches compl\u00e9mentaires confirment que les biais ne concernent pas seulement l\u2019apparence, mais aussi la mani\u00e8re dont ces images sont interpr\u00e9t\u00e9es.<\/p>\n
Les r\u00e9sultats soulignent l\u2019importance d\u2019\u00e9valuer les intelligences artificielles en tenant compte des contextes g\u00e9ographiques et culturels. Sans cette vigilance, les syst\u00e8mes risquent de perp\u00e9tuer des visions r\u00e9ductrices et inexactes de la diversit\u00e9 humaine. Une telle d\u00e9marche est essentielle pour d\u00e9velopper des technologies plus \u00e9quitables et transparentes, capables de refl\u00e9ter fid\u00e8lement la richesse des identit\u00e9s \u00e0 travers le monde.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1007\/s43681-026-01066-7<\/a><\/p>\n Titre\u00a0:<\/strong> Bias beyond borders: quantifying gender and ethnic stereotypes across countries in AI image generation<\/p>\n Revue : <\/strong> AI and Ethics<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Giovanni Franco; Regilene Aparecida Sarzi-Ribeiro; Jo\u00e3o Paulo Papa; Kelton Augusto Pontara da Costa; Felipe Mahlow<\/p>\n","protected":false},"excerpt":{"rendered":" Les intelligences artificielles g\u00e9n\u00e8rent-elles des images repr\u00e9sentatives de la diversit\u00e9 mondiale Les outils d\u2019intelligence artificielle capables de cr\u00e9er des images \u00e0 partir de texte ont r\u00e9volutionn\u00e9 la cr\u00e9ation visuelle. Pourtant, ces technologies reproduisent souvent les st\u00e9r\u00e9otypes sociaux pr\u00e9sents dans les donn\u00e9es utilis\u00e9es pour les entra\u00eener. Une r\u00e9cente analyse a examin\u00e9 comment cinq mod\u00e8les populaires g\u00e9n\u00e8rent… Poursuivre la lecture Les intelligences artificielles g\u00e9n\u00e8rent-elles des images repr\u00e9sentatives de la diversit\u00e9 mondiale<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5,2],"tags":[],"class_list":["post-17","post","type-post","status-publish","format-standard","hentry","category-international","category-societe","entry"],"_links":{"self":[{"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/posts\/17","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/comments?post=17"}],"version-history":[{"count":1,"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/posts\/17\/revisions"}],"predecessor-version":[{"id":18,"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/posts\/17\/revisions\/18"}],"wp:attachment":[{"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/media?parent=17"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/categories?post=17"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/truthly.media\/fr\/wp-json\/wp\/v2\/tags?post=17"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}