相关实验视频
Updated: May 15, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
10.1K
对食品和酒精广告分类的人工智能模型的评估与人类基准对比
Paula-Alexandra Gitu1, Roberto Cerina2, Alexander Grigoriev3
1Department of Data Analytics and Digitalization, Maastricht University, Maastricht, 6211 LM, the Netherlands. paula.gitu@maastrichtuniversity.nl.
Scientific reports
|March 11, 2026
概括
大型语言模型 (LLMs) 和视觉语言模型 (VLMs) 在社交媒体上识别食品和酒精广告方面表现出高准确性,与简单特征的专家共识相匹配. 复杂的广告元素仍然需要人类监督才能进行可靠的监控.
科学领域:
- 人工智能的人工智能
- 公共卫生 公共卫生
- 数字营销 数字营销 数字营销
背景情况:
- 社交媒体平台主办了广泛的食品和酒精营销.
- 手动分析这些广告是不可扩展的.
- 需要自动化方法来有效监控广告内容.
研究的目的:
- 评估大型语言模型 (LLM) 和视觉语言模型 (VLM) 在识别社交媒体上的广告及其特征方面的能力.
- 为了比较人工智能模型的性能与群众工作者和专家 (营养学家) 的共识.
- 建议在广告监控中部署AI的部署策略.
主要方法:
- 收集了比利时品牌的1000个Facebook广告.
- 使用600名群众工作者,3名营养师和4个AI模型 (GPT-4o,Qwen 2.5,Pixtral,Gemma3) 的注释广告.
- 分析了人工智能模型,人群工作者和各种广告功能专家之间的协议水平.
主要成果:
- 对于单选特征 (例如,酒精含量,目标群体),GPT-4o和Qwen与营养学家的共识达成了90%以上的协议.
- 对多选项特征 (例如,报价,策略) 的同意率较低,但在人群变化范围内.
- 偏差分析确定了AI模型对特定标签的持续不足或过度检测.
结论:
- 对于特定的,更简单的广告特征,LLM和VLM表现出人类水平的准确性,从而实现可扩展的监控.
- 复杂的特征,如营销策略,需要进一步细化和专家监督.
- 建议基于特征复杂性和模型准确性的AI部署采用分层方法.
