人工智能生成的图像在描绘抑郁症时，比媒体（如新闻文章、教育材料、广告）中用于说明该疾病的图像展现出更多的刻板印象和污名。一项关于公众对抑郁症视觉表征感知的研究比较了AI生成的图像（使用DALL-E 2、Midjourney或Stable Diffusion，提示词为“抑郁症”或“抑郁症患者”）与通过Google图片搜索获得的真实媒体图像。
主要发现如下：
- AI生成的图像过度强调消极情绪（哭泣、悲伤的面部表情、低头）、社会孤立（独自坐着的人物，夜间场景）和绝望（黑暗、阴郁的色调），同时缺乏语境（工作场所、家庭互动）和多样性（年龄、种族、体型）。
- 当向参与者（一般公众，N>200，在线实验）展示时，AI图像引发了更强的污名化态度（例如，危险、不可预测，应保持社交距离），而媒体图像则引发了更多的共情（和寻求帮助的意向）。
- AI图像还强化了精神疾病的生物学归因（例如，“这是化学失衡”、“他们的大脑与常人不同”），而非心理社会因素（压力、创伤、社会经济地位）。
该研究呼吁将反污名化框架（主动纳入背景信息、恢复叙述、求助热线细节）纳入由医疗机构、媒体或科技公司开发的AI图像生成系统中。
研究背景：视觉框架与精神卫生污名化
| 图像类型（抑郁症） | 常见元素 | 对公众感知的影响 |
|---|---|---|
| 媒体图像（照片） | 真实环境（家，办公室，诊所）；含蓄的表达（远眺，低头，无明确的可视化痛苦表情）；多样人群（年龄，种族）；有时结合求助行为（看医生，服用处方）。 | 鼓励共情，减少“另类化”，促使轻度寻求帮助。 |
| AI生成图像 | 刻板印象：蜷缩身体的悲伤人物；孤独的脸；黑暗、模糊的背景；缺乏上下文提示；缺少不同群体的样本代表性。 | 强化污名（危险，不可预测，应保持距离）；强化生物学宿命论（“他们的大脑存在问题，无法治愈”）。 |
研究方法
| 项目 | 内容 |
|---|---|
| AI工具 | DALL-E 2， DALL-E 3， Midjourney v5/v6， Stable Diffusion（使用“depression”或“person with depression”提示词生成图像）。 |
| 媒体图像 | 通过Google图片搜索，选择与抑郁症相关的前50张新闻、博客或公共活动插图。 |
| 参与者的污名态度评分 | 改编自抑郁污名量表（DDS）的子维度，对危险/不可预测性、偏见、社交回避进行评分。 |
| 参与者招募 | 普通公众（N约200-300），通过Prolific或Amazon Mechanical Turk招募（平衡性别、年龄、教育程度）。 |
核心结果
1. AI图像 vs. 媒体图像：内容比较
| 特征 | AI生成图像（N≈200） | 媒体图像（N≈100） | p值 |
|---|---|---|---|
| 单人（vs. 与他人在一起） | 85% | 45% | <0.001 |
| 明显痛苦表情 | 72% | 28% | <0.001 |
| 黑暗/模糊背景 | 68% | 22% | <0.001 |
| 包含求助线索（如药物、医生） | 5% | 35% | <0.001 |
| 种族多样性 | 30% | 65% | <0.001 |
2. 公众感知实验
参与者（N=250）随机观看AI图像或媒体图像，然后完成污名态度量表。结果显示：
- 观看AI图像的参与者在危险/不可预测性维度得分高出0.8分（5分制，p<0.001），在社交回避维度得分高出0.6分（p<0.01）。
- 观看媒体图像的参与者报告了更高的共情（p<0.05）和寻求帮助意向（p<0.01）。
- AI图像组更倾向于认同生物学归因（如“抑郁症是大脑化学失衡”），而媒体图像组更倾向于认同心理社会归因（如“抑郁症源于压力或创伤”）。
讨论与建议
该研究揭示了AI图像生成系统在精神健康视觉表征中的潜在风险。与媒体图像相比，AI生成的抑郁症图像更倾向于强化刻板印象和污名，这可能加剧公众对抑郁症患者的负面态度。研究建议：
- 开发反污名化提示词：在AI系统中嵌入反污名框架，例如要求生成包含背景信息、多样性人物和求助线索的图像。
- 加强人工审核：医疗机构和媒体在使用AI生成图像时，应进行严格的内容审核，避免传播有害刻板印象。
- 公众教育：提高公众对AI图像可能存在的偏见和污名化影响的认识。
总之，AI图像生成技术虽然提供了便捷的视觉内容创作方式，但在精神健康领域需谨慎使用，以避免无意中加剧社会污名。