Die Masterarbeit untersucht die Akzeptanz und Wirkung von KI-generierten Bildern im Marketing-Kontext, speziell im Fashion-Marketing und Social-Media-Werbung. Der Fokus liegt auf der Anwendung von Text-zu-Bild-Generatoren, insbesondere Midjourney 5.2, zur Bildsynthese. Es werden Aspekte der Generative Adversarial Networks (GANs) und Diffusionsmodelle betrachtet, die sich auf Nichtgleichgewichts-Thermodynamik stützen.
Die Arbeit umfasst eine experimentelle Studie mit 450 Teilnehmenden, von denen nach Vorverarbeitung 337 in die Analyse einbezogen wurden. Sie vergleicht die Reaktionen auf KI-generierte Bilder gegenüber einem realen Bild in Bezug auf wahrgenommene Einzigartigkeit, Lebendigkeit, Attraktivität und kognitive sowie affektive Involvierung. Die Studie nutzt das PLS-SEM-Verfahren in Verbindung mit einer Multigruppenanalyse (MGA) zur Datenanalyse.
Die Ergebnisse zeigen, dass KI-generierte Bilder in Bezug auf Akzeptanz und Kaufintention vergleichbar mit realen Bildern sind, wobei nur marginale Unterschiede in den Einflussgrößen festgestellt wurden. Interessanterweise wird die wahrgenommene Attraktivität stark durch die spezifischen Eigenschaften der Bildgenerierungssoftware beeinflusst. Ebenso wird die Identifizierbarkeit von KI-generierten Bildern als solche untersucht, mit dem Ergebnis, dass diese oft nicht besser erkannt werden als zufällig.
Die Arbeit leistet einen Beitrag zur Erforschung der Wirksamkeit und Anwendbarkeit von KI-generierten Bildern im Marketing und stellt ein Untersuchungsmodell auf, das auf dem SOR-Bezugsrahmen (Stimulus-Organismus-Reaktion) und dem Konzept des "Prompt Engineering" basiert. Sie hebt die Potenziale und Herausforderungen von KI-generierten Bildern in der Werbewelt hervor und gibt Anstöße für weiterführende Forschung und praktische Anwendung in diesem Bereich.
Inhaltsverzeichnis
1. Einleitung
2. Grundlagen und Definitionen – Text-zu-Bild-Generatoren, Social-Media-Advertising, Fashion Marketing
2.1. Technische Grundlagen von Text-zu-Bild-Generatoren
2.2. Grundlagen aus dem Fashion Marketing
2.3. Social Media Advertising
3. Theoretischer Bezugsrahmen, Forschungsstand und Forschungshypothesen in Bezug auf die Untersuchung
3.1. Theoretischer Bezugsrahmen: S-O-R-Paradigma
3.2. Theoretischer Bezugsrahmen: Prompt-Entwicklung
3.3. Forschungsstand
3.4. Herleitung und Aufstellung der Hypothesen
4. Experimentelle Studie – PLS-SEM-MGA
4.1. Untersuchungsdesign und Methodik
4.2. Entwicklungskriterien zur Prompt-Entwicklung im Rahmen des experimentellen Designs
4.3. Kriterien für die PLS-SEM-MGA-basierte Untersuchung
4.4. Operationalisierung der Konstrukte
4.5. Stichprobenbeschreibung
5. Ergebnisse
5.1. Hauptkomponentenanalyse (HKA)
5.2. Beurteilung der Messmodelle
5.3. Beurteilung des Strukturmodells und Pfadanalyse
5.4. Beurteilung MICOM und Multigruppenanalyse (MGA)
5.5. Weitere Ergebnisse
5.6. Diskussion und Interpretation
6. Fazit
Zielsetzung & Themen
Die vorliegende Arbeit untersucht die Akzeptanz von KI-generierten Bildinhalten im Marketing-Kontext. Ziel ist es zu ermitteln, ob und wie KI-generierte Bilder im Vergleich zu echten Fotografien die Wahrnehmung von Konsumenten beeinflussen und welche Faktoren – wie Attraktivität, Lebendigkeit oder Einzigartigkeit – dabei eine entscheidende Rolle für die Werbewirkung und Kaufintention spielen.
- Analyse der Werbewirkung von Text-zu-Bild-Generatoren im Fashion Marketing.
- Anwendung des S-O-R-Paradismas (Stimulus-Organismus-Reaktion) zur Modellierung von Konsumentenverhalten.
- Einsatz des methodischen Verfahrens PLS-SEM-MGA zur experimentellen Untersuchung und zum Gruppenvergleich.
- Evaluation der Akzeptanz von durch Midjourney generierten Bildern gegenüber realen Werbebildern.
- Untersuchung technischer und psychologischer Voraussetzungen für die Identifizierung von KI-generierten Inhalten durch Konsumenten.
Auszug aus dem Buch
1. Einleitung
Menschen erzeugen Bilder in ihrem Vorstellungsvermögen, wenn sie Geschichten hören oder lesen. Ein Prozess, der in vielen kognitiven Funktionen wie Gedächtnis, räumliche Navigation und logisches Denken eine Rolle spielt. Diese natürliche Verbindung zwischen Sprache und visueller Vorstellung hat die Entwicklung von Systemen beeinflusst, die ein vergleichbares Verständnis für die Beziehung zwischen Vorstellung und Sprache haben.
Im Kontext der Computer Vision hat die Anwendung von Deep Learning zu Fortschritten im Bereich der Bildsynthese geführt. Diese Technologie ist in verschiedenen Anwendungsgebieten vertreten, darunter Bildgenerierung, Bildbearbeitung, virtuelle Realität, Videospiele und Design.
Mit der Einführung von Generative Adversarial Networks (GANs) wurden generative Modelle für Bilder sowohl im überwachten als auch im nicht überwachten Kontext trainiert. Bei GANs handelt es sich um ein Modell aus zwei künstlichen neuronalen Netzwerken: Ein Generatornetzwerk erzeugt realistische Bilder, während ein Diskriminatornetzwerk zwischen echten und generierten Bildern unterscheidet. Diese Methodik hat Anwendungen in unterschiedlichen Bereichen, von der Generierung hochauflösender menschlicher Gesichter bis hin zu Anwendungen in Bildverbesserung, Datenanreicherung, Stilübertragung und Darstellungslernen, gefunden.
Zusammenfassung der Kapitel
1. Einleitung: Einführung in die Thematik der bildgenerierenden KI und Definition des Forschungsinteresses im Kontext des Marketings.
2. Grundlagen und Definitionen – Text-zu-Bild-Generatoren, Social-Media-Advertising, Fashion Marketing: Vermittlung der technischen Grundlagen generativer Modelle (GANs, VAEs, Diffusionsmodelle) und theoretische Einordnung von Fashion-Marketing und Social-Media-Werbung.
3. Theoretischer Bezugsrahmen, Forschungsstand und Forschungshypothesen in Bezug auf die Untersuchung: Darlegung des S-O-R-Paradismas und der Prompt-Entwicklung sowie Herleitung der Forschungsstudien-Hypothesen auf Basis bestehender Literatur.
4. Experimentelle Studie – PLS-SEM-MGA: Detaillierte Beschreibung des Untersuchungsdesigns, der Kriterien zur Bildgenerierung und der statistischen Vorgehensweise mittels PLS-SEM und MGA.
5. Ergebnisse: Präsentation und statistische Auswertung der Studiendaten inklusive Hauptkomponentenanalyse, Mess- und Strukturmodellprüfung sowie Interpretation der Gruppenvergleiche.
6. Fazit: Zusammenfassende Bewertung der Anwendbarkeit von KI-generierten Bildern im Marketing und Implikationen für die Unternehmenspraxis sowie zukünftige Forschung.
Schlüsselwörter
Werbewirkung, Text-zu-Bild-Generatoren, KI-generierte Bilder, S-O-R-Paradigma, Prompt-Entwicklung, Fashion Marketing, Social Media Advertising, Akzeptanz, Kaufintention, PLS-SEM, Multigruppenanalyse, Deepfake, Konsumentenverhalten, Künstliche Intelligenz, Bildsynthese.
Häufig gestellte Fragen
Worum geht es in dieser Masterthesis primär?
Die Arbeit untersucht, wie KI-generierte Bilder in der Werbung – speziell im Bereich Fashion Marketing – wahrgenommen werden und ob sie in Sachen Werbewirkung und Akzeptanz mit realen Fotos mithalten können.
Welches wissenschaftliche Modell liegt der Untersuchung zugrunde?
Als theoretische Basis dient das S-O-R-Paradigma (Stimulus-Organismus-Reaktion), welches Stimuli (Bild-Eigenschaften) mit internen Prozessen (Involvement) und Verhaltensreaktionen (Akzeptanz) verknüpft.
Welche Herausforderungen bei der Prompt-Erstellung werden thematisiert?
Es wird aufgezeigt, dass Prompt-Engineering weitgehend erfahrungsbasiert ist und durch die Anwendung systematischer Schemata zur Konsistenzsicherung beim Generierungsprozess für experimentelle Zwecke optimiert werden kann.
Was ist das Ziel der angewandten statistischen Methoden?
Durch den Einsatz von PLS-SEM-MGA soll die komplexen Wirkbeziehungen zwischen Bildeigenschaften und Konsumentenreaktionen analysiert und signifikante Unterschiede bei der Wahrnehmung zwischen verschiedenen Testgruppen aufgezeigt werden.
Was sind die wesentlichen Erkenntnisse bezüglich der Identifizierung von KI-Bildern?
Die Studie kommt zu dem Schluss, dass Probanden KI-generierte Bilder im Durchschnitt nicht besser von realen Bildern unterscheiden können als dies durch reinen Zufall der Fall wäre.
Welche Rolle spielt die Attraktivität der abgebildeten Personen?
Die wahrgenommene Attraktivität der Models gilt laut den Ergebnissen als stärkster Prädiktor für eine positive Einstellung gegenüber einem Werbebild, unabhängig davon, ob das Bild KI-generiert oder echt ist.
Warum wurde die 5.2 Version von Midjourney für die Studie gewählt?
Diese Version galt zum Zeitpunkt der Untersuchungen als das Modell, das die qualitativ hochwertigsten und für Marketingzwecke am besten geeigneten Bilder erzeugen konnte.
Welche Bedeutung haben die experimentellen Gruppenvergleiche?
Die Vergleiche zwischen den KI-Gruppen (mit unterschiedlichen Prompt-Strategien) und der Real-Gruppe zeigen, dass die Unterschiede in der Wirkung oft nur marginal sind, was für die hohe Leistungsfähigkeit moderner Bildgeneratoren und deren Potenzial im Marketing spricht.
- Quote paper
- Alexander Scharff (Author), 2023, KI-generierte Bildinhalte im Marketing, Munich, GRIN Verlag, https://www.grin.com/document/1433678
