본 논문은 텍스트-이미지 생성 모델의 인간 묘사 편향성 연구를 넘어, 사물 자체에 대한 인구통계학적 편향성(예: 자동차)을 조사합니다. 세 가지 최첨단 모델(GPT Image-1, Imagen 4, Stable Diffusion)을 사용하여 다섯 가지 사물 범주에 걸쳐 2,700개의 이미지를 생성하고, 인구통계적 단서(예: "젊은 사람들을 위한")를 사용한 생성 결과와 중립적인 프롬프트의 결과를 비교하는 새로운 프레임워크인 SODA(Stereotyped Object Diagnostic Audit)를 제시합니다. 분석 결과, 특정 인구통계 집단과 시각적 속성(예: 성별 또는 민족적 단서에 의해 유발되는 반복되는 색상 패턴) 간에 강력한 연관성이 있음을 밝혀냈습니다. 이러한 패턴은 잘 알려진 고정관념뿐만 아니라 더 미묘하고 직관적이지 않은 편향성도 반영하고 강화합니다. 또한 일부 모델은 다양성이 낮은 출력을 생성하여 중립적인 프롬프트와 비교했을 때 시각적 차이를 증폭시키는 것을 관찰했습니다. 제안된 감사 프레임워크는 오늘날의 생성 모델에 여전히 내재된 고정관념을 밝히는 실용적인 방법을 제공하며, 보다 체계적이고 책임감 있는 AI 개발을 위한 필수 단계로 제시합니다.
