000			02219nam a2200289 4500
001			00008218
003			ES-MaONT
005			20250123100122.0
008			250115s2024 -uk||||| t||| 00| 0 eng d
040			_aES-MaONT
100	1		_aLisinska, Justyna _98520
245			_aWhy AI-Generated Content Labeling Mandates Fall Short _c/ Justyna Lisinska, Daniel Castro
260			_aLondres _b: Center for data innovation _c,diciembre 2024
300			_a13 páginas _b; 1 documento PDF
336			_2isbdcontent _atexto (visual)
337			_2isbdmedia _aelectrónico
338			_2rdacarrier _arecurso en línea
520			_aEl informe Why AI-Generated Content Labeling Mandates Fall Short analiza las limitaciones de imponer etiquetas obligatorias a todo contenido generado por inteligencia artificial (IA). Señala que, aunque el etiquetado mediante marcas de agua puede ayudar a identificar material creado por IA, exigirlo universalmente resulta poco práctico y no aborda eficazmente problemas como la desinformación, las violaciones de derechos de autor y los deepfakes. La metodología del informe examina enfoques como el watermarking digital, el fingerprinting digital y el uso de metadatos criptográficos para etiquetar y verificar contenido de IA. Se destacan las limitaciones técnicas de cada método, incluyendo su susceptibilidad a manipulaciones y la falta de estándares uniformes, lo que dificulta su implementación efectiva a gran escala. Por último, el informe recomienda fomentar la adopción voluntaria de etiquetas para todo el contenido digital mediante estándares establecidos, como la Coalition for Content Provenance and Authenticity (C2PA). Además, sugiere promover campañas de alfabetización digital y desarrollar respuestas específicas para problemas particulares, en lugar de imponer etiquetas generales al contenido generado por IA.
650		0	_94348 _aInteligencia Artificial
650		0	_918 _aTecnologías habilitadoras digitales
650		7	_92182 _aDatos abiertos
650		0	_92044 _aInternet
700	1		_92389 _aCastro, Daniel
856			_x0 _yAcceso a la publicación _uhttps://www2.datainnovation.org/2024-ai-watermarking.pdf
942			_2z _cINF
999			_c8218 _d8218