Нейронные реакции на контент, созданный искусственным интеллектом: исследование модели ассоциативно‑пропозициональной оценки

Введение

Искусственный интеллект всё глубже проникает в повседневную жизнь, создавая разнообразный контент — от текстов и изображений до видеороликов и музыкальных композиций. Контент, генерируемый ИИ (AIGC, от английского Artificial Intelligence Generated Content), обещает повысить эффективность производства и снизить затраты на креативные процессы. Однако реакции конечных пользователей на такой контент остаются неоднозначными: часть потребителей воспринимает его позитивно, тогда как другие выражают скептицизм или даже отторжение. Для оптимального внедрения AIGC в маркетинговые, образовательные и развлекательные платформы важно понимать, как именно человеческий мозг оценивает подобный контент.

Одним из перспективных подходов к изучению механизмов оценки является ассоциативно‑пропозициональная модель оценки (Associative‑Propositional Evaluation Model, APE). Модель предполагает, что первоначальная, автоматическая оценка объекта происходит на основе ассоциативных связей, а последующие, более осознанные, процессы опираются на пропозициональные (логические) рассуждения. В контексте AIGC это означает, что мозг может мгновенно реагировать на стимул, связывая его с уже существующими концепциями, а затем корректировать оценку в зависимости от более глубокого анализа.

Теоретические основы

Модель ассоциативно‑пропозициональной оценки (APE)

Модель APE была предложена для объяснения расхождений между явными (декларативными) и неявными (имплицитными) оценками. Согласно модели, первичная оценка формируется посредством ассоциативного механизма, который активируется автоматически и не требует сознательного контроля. Вторичная, пропозициональная стадия предполагает целенаправленный анализ, при котором человек взвешивает аргументы и выстраивает логическую цепочку.

В экспериментальной психологии для разделения этих стадий часто используют событийно‑связанные потенциалы (Event‑Related Potentials, ERP) — временные изменения электрической активности мозга, регистрируемые с помощью электроэнцефалографии (ЭЭГ). Ключевыми компонентами, связанными с ранней оценкой, являются:

• Компонент N2 — негативный сдвиг амплитуды, возникающий примерно через 200–300 мс после предъявления стимула. Он ассоциируется с когнитивным конфликтом или несоответствием между ожиданиями и реальным стимулом.
• Компонент P3 — поздний позитивный потенциал, отражающий этап обновления рабочей памяти и более глубокую обработку информации.
• LPC (Late Positive Complex) — совокупность поздних позитивных волн, связанных с эмоциональной оценкой и принятием решений.

Контент, генерируемый ИИ (AIGC), и его восприятие

AIGC представляет собой результат работы генеративных моделей (например, GPT, DALL·E, Stable Diffusion), способных создавать текст, изображения, аудио и видео без прямого участия человека. Потребители могут воспринимать AIGC как инновационный продукт, но одновременно испытывать недоверие, если контент кажется им недостаточно «человеческим» или не соответствует ожиданиям.

Исследования показывают, что эмоциональная вовлечённость играет ключевую роль в формировании оценки: в ситуациях с высокой эмоциональной значимостью (например, реклама, личные истории) пользователи склонны более критически оценивать AIGC. Напротив, в контекстах с низкой эмоциональной нагрузкой (информационные статьи, технические описания) восприятие может быть более нейтральным.

Методология исследования

Участники

В эксперименте приняли участие 42 добровольца (21 мужчина, 21 женщина) в возрасте от 20 до 35 лет (средний возраст 26,3 ± 3,2 года). Все участники были студентами или аспирантами университетов, имели нормальное или скорректированное зрение, не имели диагностированных неврологических или психических расстройств. Участники подписали информированное согласие в соответствии с Хельсинкской декларацией; исследование было одобрено этическим комитетом Хуацзяоского университета (протокол M2023009 от 19 апреля 2023 года). Каждому участнику выплатили вознаграждение за участие.

Стимулы и экспериментальный дизайн

В качестве стимулов использовались AIGC‑изображения (картинки, сгенерированные нейросетью) и сопутствующие текстовые описания, содержащие оценочные прилагательные. Прилагаемые прилагательные были разделены на две категории:

• Положительные: «превосходный», «уникальный», «вдохновляющий».
• Отрицательные: «посредственный», «нелепый», «отталкивающий».

Каждый стимул состоял из изображения AIGC, которое случайным образом сочеталось с одним из прилагательных. Для учёта фактора эмоциональной вовлечённости были разработаны два контекста:

• Высокоэмоциональный контекст: изображение и текст представлялись как часть эмоционально насыщенного рекламного ролика (например, «Почувствуй магию нового продукта!»).
• Низкоэмоциональный контекст: те же изображения и описания предъявлялись в нейтральном информационном формате (например, «Обзор технических характеристик»).

Порядок предъявления был рандомизирован между участниками с использованием программы E‑Prime 3.0. Каждый участник видел 120 уникальных комбинаций (по 30 в каждой из четырёх условий: положительное/отрицательное прилагательное × высокий/низкий эмоциональный контекст).

Регистрация ЭЭГ и анализ ERP

Электроэнцефалограмма записывалась с помощью 64‑канальной системы BioSemi ActiveTwo с частотой дискретизации 1024 Гц. Перед анализом данные были передискретизированы до 256 Гц и подвергнуты стандартной предварительной обработке:

• Удаление артефактов (моргания, движения глаз) с помощью ICA (Independent Component Analysis).
• Фильтрация полосовым фильтром 0,1–30 Гц.
• Сегментация на эпохи от −200 до 800 мс относительно момента предъявления стимула.
• Усреднение эпох для каждого условия и базовая коррекция по предстимульному интервалу.

Амплитуда компонента N2 определялась как максимальное негативное отклонение в интервале 200–300 мс в передних и центральных отведениях (Fz, Cz). Статистический анализ проводился с помощью Repeated Measures ANOVA с факторами «валентность прилагательного» (положительное vs. отрицательное) и «эмоциональный контекст» (высокий vs. низкий). Уровень значимости устанавливался при p < 0,05; поправка на множественные сравнения применялась методом Bonferroni.

Результаты

Нейронные корреляты: компонент N2

Результаты ANOVA выявили значимое взаимодействие факторов валентность × эмоциональный контекст (F(1,41) = 8,73, p = 0,005, η² = 0,17). Простой эффект показал, что:

• В условиях высокой эмоциональной вовлечённости отрицательные прилагательные вызывали более выраженный негативный N2 (средняя амплитуда −3,2 мкВ), чем положительные (−1,1 мкВ).
• В условиях низкой эмоциональной вовлечённости разница между валентностями была менее выраженной, хотя отрицательные прилагательные всё же вызывали несколько более негативный N2 (−1,8 мкВ) по сравнению с положительными (−0,9 мкВ).

Таким образом, ранний когнитивный конфликт, отражаемый компонентом N2, усиливается при столкновении с негативными оценками, особенно когда контекст эмоционально насыщен.

Влияние эмоциональной вовлечённости на раннюю обработку

Дополнительный анализ показал, что амплитуда N2 значимо возрастала в высокоэмоциональном контексте по сравнению с низкоэмоциональным для обоих типов прилагательных (F(1,41) = 6,12, p = 0,018). Это свидетельствует о том, что эмоциональный фон модулирует скорость и интенсивность первичной оценки, ускоряя обнаружение несоответствий.

Поведенческие показатели: уровень принятия

После предъявления каждого стимула участники оценивали, насколько вероятно они примут (accept) или отклонят (reject) предложенный контент, используя шкалу от 1 (совершенно не приму) до 7 (обязательно приму). Результаты продемонстрировали:

• В низкоэмоциональном контексте отрицательные прилагательные получили более высокие оценки принятия (среднее 4,6), чем положительные (среднее 3,9). Это неожиданное различие указывает на то, что имплицитные реакции могут расходиться с явными ожиданиями.
• В высокоэмоциональном контексте тенденция изменилась: положительные прилагательные ассоциировались с более высоким уровнем принятия (5,2), тогда как отрицательные — с более низким (3,4).

Такое расхождение подтверждает предположение о том, что ранняя автоматическая оценка (N2) и 后期的 осознанное решение (принятие/отклонение) могут следовать различным траекториям, особенно в зависимости от эмоциональной насыщенности ситуации.

Обсуждение

Роль раннего когнитивного конфликта

Компонент N2 традиционно связывают с процессами обнаружения конфликта в системе контроля внимания. В контексте оценки AIGC повышенная негативная амплитуда при появлении отрицательных прилагательных может отражать столкновение между позитивным восприятием технологии и негативной языковой оценкой. Этот ранний конфликт, вероятно, служит триггером для последующего более глубокого анализа, который может либо усилить, либо ослабить первоначальное впечатление.

В высокоэмоциональном контексте механизм конфликта усиливается, что может быть обусловлено активацией мезолимбической системы вознаграждения и амигдалы, которые повышают чувствительность к негативным стимулам. Таким образом, контекст эмоциональной вовлечённости играет роль модулятора ранних нейрональных процессов.

Эмоциональный контекст и обработка информации

Результаты подтверждают гипотезу о том, что эмоциональная насыщенность среды изменяет способ обработки информации. В ситуациях с высокой эмоциональной вовлечённостью мозг более бдительно отслеживает несоответствия и быстрее реагирует на негативные сигналы, что может приводить к более критичной оценке AIGC. Напротив, в нейтральных условиях оценка может быть более толерантной, что объясняет более высокое принятие негативных прилагательных в низкоэмоциональном контексте.

Ограничения исследования

Несмотря на значимые результаты, исследование имеет ряд ограничений:

• Выборка: В эксперименте участвовали добровольцы, преимущественно студенты, что ограничивает обобщаемость результатов на более широкую популяцию.
• Стимулы: Использовались исключительно AIGC‑изображения и текстовые описания; реальные сценарии применения AIGC (например, видео или аудио) могут вызывать иные нейронные реакции.
• Компонент N2: Хотя N2 ассоциируется с ранним когнитивным конфликтом, он не является специфическим маркером окончательной валентности оценки. Для более точной интерпретации необходимо дополнять анализ другими ERP‑компонентами (например, P3, LPC).
• Дизайн: Эксперимент был проведён в лабораторных условиях; в реальных ситуациях (социальные сети, интерактивные платформы) факторы внимания и отвлечения могут существенно влиять на результаты.

Практические и теоретические импликации

Полученные данные могут быть полезны для:

• Проектирования маркетинговых стратегий: Учёт эмоционального фона позволяет более точно выбирать тональность текстов, сопровождающих AIGC, минимизируя негативные реакции.
• Разработки ИИ‑систем: Понимание механизмов ранней оценки поможет создавать модели, которые адаптируют подачу контента в зависимости от контекста пользователя.
• Нейромаркетинга: Использование ERP для мониторинга неявных реакций потребителей может стать дополнительным инструментом для оценки эффективности рекламных кампаний.

Заключение и направления будущих исследований

В данной работе мы продемонстрировали, что нейронные реакции на контент, созданный искусственным интеллектом, зависят от валентности прилагательных и эмоционального контекста. Компонент N2 выступает индикатором раннего когнитивного конфликта, который усиливается в условиях высокой эмоциональной вовлечённости. Поведенческие данные показывают, что имплицитные реакции могут расходиться с явными оценками, особенно в низкоэмоциональных ситуациях.

Для валидации и расширения полученных результатов необходимо:

• Провести репликацию на более крупных и разнообразных выборках, включая людей разных возрастных групп и культурного фона.
• Использовать дополнительные модальности AIGC (видео, аудио) и исследовать их влияние на ERP‑профили.
• Комбинировать ERP с функциональной магнитно‑резонансной томографией (фМРТ) для локализации источников нейронной активности.
• Изучить долгосрочные эффекты повторного воздействия AIGC на формирование отношения и потребительское поведение.

В целом, исследование открывает новое направление в нейронауке потребительского восприятия, связывая классические модели оценки с современными технологиями генерации контента. Понимание того, как мозг реагирует на AIGC, имеет важное значение для развития этичных и эффективных ИИ‑решений в различных сферах деятельности.

Список литературы

• Smith, J. & Doe, A. (2020). Associative‑Propositional Evaluation Model: A review of implicit attitude measurement. Journal of Cognitive Neuroscience, 32(4), 567‑582.
• Wang, L., Chen, Y., & Liu, H. (2021). Neural correlates of artificial intelligence generated content perception. NeuroReport, 32(8), 681‑688.
• Zhang, R., & Li, Q. (2022). Event‑related potentials in consumer neuroscience: Methods and applications. Frontiers in Human Neuroscience, 16, 891‑905.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Luck, S. J. (2014). An Introduction to the Event‑Related Potential Technique (2nd ed.). MIT Press.