Формирование умения распознавать фотографии лиц, сгенерированных искусственным интеллектом

Цель. Разработка стратегии обучения, позволяющей повысить умение распознавания реальных и сгенерированных ИИ фотографий.

Процедура и методы. В исследовании приняли участие 201 респондент в возрасте от 14 до 66 лет, студенты и специалисты различных профилей (m-45, f-156, Mвозраст=23,66, SD=8,65). Исследование выполнено в формате формирующего эксперимента с начальным и итоговым замерами. Экспериментальная группа участников исследования принимала участие в обучении, основанном на синтезе стратегий обратной связи и прямого указания. Для обработки количественных данных используются U-критерий Манна–Уитни и T-критерий Уилкоксона в программе Statsoft STATISTICA 10.0.1

Результаты. На начальном замере экспериментальная и контрольная группы были эквивалентны. Были обнаружены статистически значимые различия между начальным и итоговым замерами в экспериментальной группе. Между замерами в контрольной группе также существуют статистически значимые различия, но в меньшей степени, чем у экспериментальной группы.

Теоретическая и/или практическая значимость заключается в том, что стратегия обучения умению распознавать фотографии, сгенерированные искусственным интеллектом, основанная на объединении стратегий обратной связи и прямого указания, действительно повышает эффективность распознавания генераций участниками. Результаты могут быть полезны для дальнейших исследований в области восприятия и взаимодействия с ИИ.

1. Katsyri J., de Gelder B., Takala T. Virtual faces evoke only a weak uncanny valley effect: An empirical investigation with controlled virtual face images // Perception. 2019. № 48 (10). P. 968–991. DOI: 10.1177/0301006619869134.

2. Natale D. A., Simonetti M. E., La Rocca S. Uncanny valley effect: A qualitative synthesis of empirical research to assess the suitability of using virtual faces in psychological research // Computers in Human Behavior Reports. 2023. № 10 (3). URL: https://www.sciencedirect.com (дата обращения: 10.10.2025). DOI: 10.1016/j.chbr.2023.100288.

3. Miller E. J., Foo Y. Z., Mewton P. et al. How do people respond to computer-generated versus human faces? A systematic review and meta-analyses // Computers in Human Behavior Reports. 2023. № 10. URL: https://www.sciencedirect.com (дата обращения: 10.10.2025). DOI: 10.1016/j.chbr.2023.100283.

4. Korteling J. E., van de Boer-Visschedijk G. C. et al. Human- versus Artificial Intelligence // Frontiers in Artificial Intelligence. 2021. № 4. URL: https://www.frontiersin.org (дата обращения: 10.10.2025). DOI: 10.3389/frai.2021.622364.

5. Köbis N. C., Doležalová B., Soraperra I. Fooled twice: People cannot detect deepfakes but think they can // iScience. 2021. № 24 (11). URL: https://www.cell.com/iscience (дата обращения: 10.10.2025).

6. Rathgeb C., Tolosana R., Vera-Rodriguez R. et al. Handbook of Digital Face Manipulation and Detection. From Deepfakes to Morphing attacks. Boston: Springer, 2022. 481 p. DOI: 10.1007/978-3-030-87664-7.

7. Connolly B. Digital Trust: Social Media Strategies to Increase Trust and Engage Customers. London: Bloomsbury Business, 2020. 256 p.

8. Fletcher J. Deepfakes, Artificial Intelligence, and Some Kind of Dystopia: The New Faces of Online Post-Fact Performance // Theatre Journal. 2018. Vol. 70. № 4. P. 455–471. DOI: 10.1353/tj.2018.0097.

9. Willis J., Todorov A. First Impression: Making Up Your Mind After a 100-Ms Exposure to a Face // Psychological Science. 2006. № 17 (7). P. 592–598. DOI: 10.1111/j.1467-9280.2006.01750.x.

10. Nemrodov D., Niemeier M., Mok J. N. Y. et al. The time course of individual face recognition: A pattern analysis of ERP signals // NeuroImage. 2016. № 132. P. 469–476. DOI: 10.1016/j.neuroimage.2016.03.006.

11. Miller E. J., Steward B. A., Witkower Z. et al. AI hyperrealism: Why AI faces are perceived as more real than human ones // Psychological Science. 2023. № 34 (12). P. 1390–1403. DOI: 10.1177/09567976231207095.

12. Барабанщиков В. А. Восприятие выражений лица. М.: Институт психологии РАН, 2009. 448 с.

13. Diel A., Lalgi T., Schroeter I. C. et al. As good as chance: A systematic review and meta-analysis of human deepfake detection performance based on 56 papers // Expert Systems with Applications. 2024. № 252. URL: https://www.sciencedirect.com (дата обращения: 10.10.2025). DOI: 10.31219/osf.io/cxv4r.

14. Diel A., Teufel M., Bäuerle A. Inability to detect deepfakes: Deepfake detection training improves detection accuracy, but increases emotional distress and reduces selfefficacy // OSF Preprints. 2024. URL: https://osf.io/preprints/osf (дата обращения: 10.10.2025). DOI: 10.2139/ssrn.5002585.

15. Mader B., Banks M. S., Farid H. Identifying computer-generated portraits: The importance of training and incentives // Perception. 2017. № 46 (9). P. 1062–1076. DOI: 10.1177/0301006617713633.

16. Hulzebosch N., Ibrahimi S., Worring M. Detecting CNN-generated facial images in real-world scenarios // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops. 2020. URL: https://arxiv.org/abs/2005.05632 (дата обращения: 10.10.2025). DOI: 10.1109/CVPRW50498.2020.00329.

17. Nightingale S. J., Farid H. AI-synthesized faces are indistinguishable from real faces and more trustworthy // Proceedings of the National Academy of Sciences. 2022. № 119 (8). URL: https://www.pnas.org. (дата обращения: 10.10.2025). DOI: 10.1073/pnas.2120481119.

18. Mohamed N. B., Bogdanel G., Moreno H. G. Is Training Useful to Detect Deepfakes? A Preliminary Study // Royal Society Open Science. 2025. № 12. URL: https://royalsocietypublishing.org. (дата обращения: 10.10.2025). DOI: 10.23919/CISTI58278.2023.10211622.

19. Bray S. D., Johnson S. D., Kleinberg B. Testing human ability to detect ‘deepfake’ images of human faces // Journal of Cybersecurity. 2023. № 9 (1). URL: https://academic.oup.com/cybersecurity (дата обращения: 10.10.2025). DOI: 10.1093/cybsec/tyad011.

20. Somoray K., Miller D. J. Providing detection strategies to improve human detection of deepfakes: An experimental study // Computers in Human Behavior. 2023. № 149 (4). URL: https://www.sciencedirect.com (дата обращения: 10.10.2025). DOI: 10.1016/j.chb.2023.107917.

21. Yegemberdiyeva G., Amirgaliyev B. Study of AI Generated and Real Face Perception // Proceedings of the 2021 IEEE International Conference on Smart Information Systems and Technologies (SIST). 2021. URL: https://ieeexplore.ieee.org (дата обращения: 10.10.2025). DOI: 10.1109/SIST50301.2021.9465908.

22. Васильева И. В., Асафова А. Н., Грищенко Д. С. Коммуникативные характеристики личности и оценка фотографий, сгенерированных искусственным интеллектом // Теоретическая и экспериментальная психология. 2025. Т. 18 (1). С. 27–44. DOI: 10.11621/TEP-25-02.

23. Devi S. P., Mishra A. K. The testing effect: Looking through implicit theories’ perspectives // Psychological Studies. 2023. № 68 (1). P. 92–100. DOI: 10.1007/s12646-022-00710-6

24. Ng Y.–L. An error management approach to perceived fakeness of deepfakes: The moderating role of perceived deepfake targeted politicians’ personality characteristics // Current Psychology. 2023. № 42 (1). P. 25658–25669. DOI: 10.1007/s12144-022-03621-x.

25. Schetinger V., Oliveira M. M., da Silva R. et al. Humans Are Easily Fooled by Digital Images // Computers & Graphics. 2015. № 68. URL: https://arxiv.org/abs/1509.05301 (дата обращения: 10.10.2025). DOI: 10.48550/arXiv.1509.05301.