这篇文档属于类型a（单篇原创研究论文），以下是针对该研究的学术报告：

人工智能与视觉话语：AI生成“痴呆症”图像的多模态批判性话语分析

作者及机构：Emma Putland（兰卡斯特大学语言学与英语语言系）、Chris Chikodzore-Paterson（独立学者）、Gavin Brookes（兰卡斯特大学语言学与英语语言系）。
发表信息：2025年发表于期刊 *Social Semiotics*（第35卷第2期，228-253页），DOI: 10.¹⁰⁸⁰⁄_10350330.2023.2290555。

学术背景

研究领域：本研究横跨社会符号学（social semiotics）、批判性话语分析（Critical Discourse Analysis, CDA）与人工智能伦理，聚焦AI生成图像如何再现社会对痴呆症（dementia）的意识形态。

研究动机：
1. 社会需求：痴呆症患者常因“悲剧叙事”（如“丧失自我”“活着的死亡”）被污名化，而视觉表征（如医疗图像、宣传海报）可能强化此类偏见。
2. 技术空白：AI文本-图像生成技术（如Stable Diffusion）的普及使其成为新兴社会文本，但其潜在的意识形态影响尚未被批判性研究。
3. 方法论创新：首次将多模态批判性话语分析（Multimodal CDA）应用于AI生成图像，填补话语分析领域的空白。

理论基础：
- 痴呆症话语：主流“悲剧叙事”与新兴“积极生活叙事”的对抗（McParland et al., 2017）。
- 视觉符号学：图像通过参与者（participants）、凝视（gaze）、色彩等符号资源构建意义（Kress & van Leeuwen, 2020）。
- AI伦理：训练数据的偏见可能导致生成内容强化社会刻板印象（Bianchi et al., 2023）。

研究目标：分析AI生成痴呆症图像的视觉话语，揭示其如何（再）生产社会偏见，并探讨技术设计的伦理改进方向。

研究流程与方法

1. 数据生成
- 工具：使用Stable Diffusion 1.4（开源文本-图像模型），基于提示词“dementia”生成171张图像。
- 参数控制：
- 采样步骤：20步（平衡生成质量与计算效率）。
- 图像尺寸：三种格式（512×512方形、512×704横版/竖版）。
- 随机种子：确保样本多样性。
- 元数据保存：记录生成参数（如种子值、提示词）以支持可重复性。

2. 多模态批判性话语分析
- 分析框架：结合Barthes的外延/内涵（denotation/connotation）理论与Kress & van Leeuwen的视觉语法，分两阶段：
- 外延层：描述图像组成（参与者、场景、凝视、色彩等）。
- 内涵层：解读视觉话语及其社会意识形态。
- 对比基线：与已有痴呆症视觉研究（如Harvey & Brookes, 2019）对比，定位AI图像的独特性。

3. 伦理与偏见分析
- 训练数据溯源：通过LAION-5B数据集检索“dementia”相关图像，验证模型偏见的来源。

主要结果

1. 视觉话语的再现与强化
- 生物医学主导：23%的图像以大脑扫描或神经元结构为核心（图7），将痴呆症简化为“病变的脑”，忽视患者主体性。
- *例*：图7(d)模仿医学影像，但未标注色彩含义，依赖观众基于“脑科学权威”的预设解读。
- 丧失叙事：
- 隐喻使用：9张图像以“枯树”象征脑细胞/记忆流失（图9），呼应“痴呆即冬季”的死亡隐喻（Lakoff & Turner, 2009）。
- 色彩符号：78%的图像采用冷色调（蓝/灰），降低模态（modality），暗示“非现实”与生命力的缺失。
- 社会疏离：
- 凝视策略：85%的个体参与者避免直视观众（图5），构建“被观察的客体”而非互动主体。
- 去语境化：空白背景剥离社会关系，强化“孤独患者”刻板印象。

2. 多样性的缺失
- 人口学偏见：所有人物均为浅肤色、高龄（70+岁），无视早发性痴呆（占病例9%）及种族多样性（WHO, 2023）。
- 性别化呈现：互动场景中，仅异性恋伴侣被赋予“积极活动”形象（图11c），反映“成功老龄化”的异性恋中心主义（Sandberg, 2015）。

3. 反例与可能性
- 异常图像：少数图像突破主流叙事，如：
- 图12(a)：微笑男性举牌“Dementia”，通过直视观众要求平等对话。
- 图12©：动态色彩漩涡暗示痴呆体验的多元性，挑战单一“衰退”叙事。

结论与价值

理论意义：
- 证明AI图像并非“中立”，而是社会话语的 dialectical（辩证）产物：既反映训练数据的偏见，又可能通过传播强化原有意识形态。
- 提出多模态批判性话语分析可作为AI伦理研究的新工具。

实践价值：
- 技术改进：呼吁开发更多元、包容的训练数据集（如纳入痴呆患者自述图像）。
- 公众传播：警示媒体与机构审慎使用AI生成图像，避免加剧污名化。

政策建议：
- 要求AI开发者公开数据来源及偏见检测流程（如Stability AI的透明度实践）。
- 推动跨学科合作（如临床医学+符号学）优化视觉表征伦理。

研究亮点

1. 方法论创新：首次将多模态批判性话语分析应用于AI生成图像，建立“技术-符号-社会”三重分析框架。
   
2. 批判性发现：揭示AI如何放大痴呆症的“生物医学化”与“去人性化”叙事，远超人类创作图像的偏见强度。
   
3. 伦理介入：提出“反叙事提示词”（如“living well with dementia”）可能作为技术层面的偏见缓解策略。
   

局限与展望：
- 未测试其他AI模型（如DALL·E）的跨平台一致性。
- 未来可结合受众研究，量化不同视觉话语的社会心理影响。

（报告字数：约2000字）