Navigating a Synthetic Visual Health Information Environment: Implications of Photorealistic Generative Artificial Intelligence for Public Health.

چکیده اصلی

The rapid emergence of photorealistic generative artificial intelligence (AI) has introduced synthetic visual content into health information ecosystems at an unprecedented scale, lowering barriers to creation while eroding the traditional reliability of visual evidence. Synthesizing perspectives from public health, communication, and psychology, we argue that photorealistic AI-generated images and videos (AIVs) have transformative and destabilizing potential with clear public health implications, creating a visual information environment where long-standing assumptions about visual evidence no longer hold. We reviewed relevant research and identified risks posed by AIVs, including mis- and disinformation, fraudulent medical representations, amplified stigma, and a possible collapse of visual trust. We applied the host‒agent‒vector‒environment (HAVE) model as a strategic framework to map determinants of AIV-related harms and identify multilevel intervention points. Strategic frameworks like HAVE are most effective when paired with a normative, deliberative layer that addresses the ethical dimensions of possible responses. We therefore propose a public health ethics deliberation guide designed to work alongside HAVE, encouraging responses to photorealistic AIVs that are strategically targeted, proportionate, equitable, and ethically grounded. (Am J Public Health. 2026;116(10):1539-1549. https://doi.org/10.2105/AJPH.2026.308675).

ترجمه فارسی چکیده

ظهور سریع هوش مصنوعی تولید تصویر واقع‌گرایانه، محتوای بصری مصنوعی را در اکوسیستم اطلاعات سلامت با مقیاسی بی‌سابقه معرفی کرده است که مانع‌های ایجاد را کاهش داده و اعتبار سنتی شواهد بصری را تضعیف کرده است. با ترکیب دیدگاه‌های سلامت عمومی، ارتباطات و روانشناسی، ما استدلال می‌کنیم که تصاویر و ویدیوهای تولید شده توسط هوش مصنوعی (AIV) دارای پتانسیل تحول‌آفرین و ناپایدار با پیامدهای شفاف سلامت عمومی هستند و محیطی اطلاعاتی بصری را ایجاد می‌کنند که فرضیات قدیمی درباره شواهد بصری دیگر معتبر نیستند. ما مرتبط‌ترین تحقیقات را مرور کردیم و خطرات ناشی از AIVs را از جمله سوءاطلاعات، نمایش‌های پزشکی جعلی، تشدید برچسب‌زدن و احتمال سقوط اعتماد بصری شناسایی کردیم. ما از مدل HAVE به عنوان چارچوب استراتژیک برای نقشه‌برداری از عوامل موثر بر آسیب‌های مرتبط با AIV و شناسایی نقاط مداخله چندسطحی استفاده کردیم. چارچوب‌های استراتژیک مانند HAVE در بهترین حالت زمانی که با لایه‌ای نرمال‌گرایانه و deliberative همراه می‌شوند که ابعاد اخلاقی پاسخ‌های ممکن را مدیریت می‌کنند، مؤثرند. بنابراین ما یک راهنمای deliberation اخلاق سلامت عمومی را پیشنهاد می‌کنیم که برای کار در کنار HAVE طراحی شده است و پاسخ‌های استراتژیک، متناسب، عادلانه و مبتنی بر اخلاق به تصاویر واقع‌گرایانه AIV را تشویق می‌کند.

متن کامل اصلی