Die Motion-Capture-Technologie findet in vielen Bereichen Anwendung, darunter Unterhaltung, Medizin und Sport, um nur einige zu nennen. Aber was wäre, wenn die Messungen, auf denen diese Systeme basieren, in sozialen Praktiken und voreingenommenen Annahmen verwurzelt wären und zu Fehlern führen würden, die sich mit der Zeit festsetzen?
Diese Frage steht im Mittelpunkt neue Forschung Co-Autorin von Mona Sloane, Assistenzprofessorin für Datenwissenschaft und Medienwissenschaft an der University of Virginia. Die Arbeit ist auf der veröffentlicht arXiv Preprint-Server.
Sloane und ihre Co-Autoren – Abigal Jacobs, Assistenzprofessorin für Information an der University of Michigan; Emanuel Moss, Forschungswissenschaftler bei Intel Labs; Emma Harvey, Doktorandin an der Cornell’s School of Information Science; und Hauke Sandhaus, Doktorand an der Cornell Tech, nutzen die Theorie der sozialen Praxis als Linse, um zu untersuchen, wie bestimmte Annahmen im Laufe der Jahrzehnte in das Design und die Innovation der Motion-Capture-Technologie eingebettet wurden.
Die Theorie der sozialen Praxis, so erklärt der Artikel, befasst sich mit Verhaltensweisen, die in verschiedenen Gemeinschaften über verschiedene Zeiträume hinweg beobachtet werden können, anstatt sich eng auf ein Objekt oder eine Person als Untersuchungseinheit zu konzentrieren. Dieser Ansatz ermöglicht es Forschern, die Annahmen aufzudecken, die in technologischen Systemen verankert sind, und die möglicherweise Aufschluss über die Schäden geben können, die diese Systeme verursachen könnten.
Sloane und ihre Mitarbeiter führten eine systematische Literaturrecherche von 278 Artikeln zur Motion-Capture-Forschung durch. Sie unterteilen diese Literatur in drei Epochen: Gründung, 1930-79; Standardisierung, 1980-99; und Innovation, seit 2000.
Innerhalb dieser drei Epochen identifizieren die Autoren sechs Arten von Fehlern – die ihrer Meinung nach wichtige Einblicke in die Motion-Capture-Praktiken in den verschiedenen Zeiträumen liefern.
Beispielsweise wurde in der ersten Ära, in der sich die Arbeiten auf die Vermessung des menschlichen Körpers konzentrierten, was dazu beitrug, den Grundstein für die Motion-Capture-Technologie zu legen, in der Analyse eine Studie zitiert, die darauf abzielte, das ideale Design eines Cockpits zu ermitteln. Zu diesem Zweck verwendete der Autor der Studie die Körpersegmentparameter von acht älteren, weißen männlichen Kadavern, und die daraus resultierenden Messungen erwiesen sich bald als akzeptierte Benchmarks der US-Luftwaffe.
Fehler bei der Vermessung des menschlichen Körpers oder anthropometrische Fehler waren in der Foundation-Ära weit verbreitet, finden die Autoren. In der jüngsten Zeit sind Fehler im Zusammenhang mit den zur Datenanalyse verwendeten Algorithmen weit verbreitet.
Die Kategorisierung und das Verständnis der Auswirkungen dieser Fehler und der Annahmen, auf denen sie basieren, könnten tiefgreifende Auswirkungen auf Technologie und Gesellschaft haben, behaupten die Autoren. Beispielsweise haben Autosicherheitsfunktionen, die auf der Grundlage von Crashtest-Dummies implementiert wurden, die einem durchschnittlichen männlichen Körper ähneln, zu höheren Verletzungsraten bei Frauen geführt. Dies ist nur ein Beispiel für unzureichende Untergruppenvaliditätstests, die zu schädlichen Ergebnissen führen, wie in der Arbeit hervorgehoben.
Durch ihre Analyse entwerfen Sloane und ihre Co-Autoren eine Vorlage für zukünftige Forschungen zur sozialen Praxis bei der Gestaltung und Nutzung von Technologien und beleuchten auch die schlechten Grundlagen, auf denen moderne Motion-Capture-Systeme zuweilen aufgebaut sind. Ihre Ergebnisse weisen auf die vielfältige Art und Weise hin, in der sich Annahmen über verschiedene historische Epochen hinweg verbreitet haben und Teil der Infrastruktur einiger moderner technologischer Systeme geworden sind.
Diese Forschung ist Teil eines größeren Projekts, das Sloane gemeinsam mit Jacobs und Moss zur Entwicklung künstlicher Intelligenz-Prüftechniken für hardware- und sensorgesteuerte Systeme leitet. Diese Arbeit gehörte zu den Top 1 % von mehr als 3.000 von der angenommenen Arbeiten CHI 2024 der Association of Computing Machinery Konferenz.
Sloane trat im Herbst 2023 der Fakultät der UVA bei. Sie hat eine doppelte Anstellung an der School of Data Science der Universität und dem Department of Media Studies inne.
An der UVA leitet Sloane das Sloane Lab, das empirische Forschung zu den Auswirkungen von Technologie auf die Organisation des gesellschaftlichen Lebens durchführt. Der Fokus liegt auf KI als sozialem Phänomen, das sich mit weiteren kulturellen, wirtschaftlichen, materiellen und politischen Bedingungen überschneidet. Das Labor steht an der Spitze der sozialwissenschaftlichen Führung in der angewandten Arbeit zu verantwortungsvoller KI, öffentlicher Wissenschaft und Technologiepolitik.
Mehr Informationen:
Emma Harvey et al., Der Kadaver in der Maschine: Die sozialen Praktiken der Messung und Validierung in der Motion Capture-Technologie, arXiv (2024). arxiv.org/abs/2401.10877v1