Au-delà de l'étude des biais de représentation humaine dans les modèles de conversion de texte en image, cet article étudie les biais démographiques affectant les objets eux-mêmes (par exemple, les automobiles). Nous présentons un nouveau cadre, le Stereotyped Object Diagnostic Audit (SODA), qui génère 2 700 images réparties sur cinq catégories d'objets à l'aide de trois modèles de pointe (GPT Image-1, Imagen 4 et Stable Diffusion) et compare les résultats de la génération à l'aide d'indices démographiques (par exemple, « pour les jeunes ») avec ceux générés à l'aide d'indices neutres. Notre analyse révèle de fortes associations entre des groupes démographiques spécifiques et des attributs visuels (par exemple, des motifs de couleurs récurrents déclenchés par des indices de genre ou d'origine ethnique). Ces motifs reflètent et renforcent non seulement des stéréotypes bien connus, mais aussi des biais plus subtils et contre-intuitifs. De plus, nous observons que certains modèles produisent des résultats peu diversifiés, amplifiant les différences visuelles par rapport aux indices neutres. Le cadre d’audit proposé offre un moyen pratique de découvrir les biais encore inhérents aux modèles génératifs d’aujourd’hui et les présente comme une étape essentielle vers un développement de l’IA plus systématique et plus responsable.
