Hvordan støtter generativ KI annonseforskning? MADE-rammeverket forklart på én side

Kunstig intelligens (KI, engelsk: Artificial Intelligence – AI), særlig generativ KI brukt i innholdsproduksjon, har blitt et forskningsområde med stor interesse. Selv om det har oppstått diskusjoner om kvalitet, integritet og opphavsrett i forskningssammenheng, blir potensialet for generativ KI til å bistå forskere i utviklingen av eksperimentelle stimuli ofte oversett. Zeph et al. (2024) introduserte MADE-rammeverket (Mapping, Assembling, Demonstrating, Executing), med mål om å tilby et omfattende sett med beste praksiser for etisk og effektiv bruk av generativ KI i utvikling av eksperimentelle stimuli innen annonseforskning.

Realismes–kontroll-paradokset i eksperimentell annonseutforming

Eksperimentell annonseforskning har lenge stått overfor paradokset mellom realisme og kontroll. For å sikre vitenskapelig nøyaktighet krever eksperimentelle design ofte streng kontroll over stimuli, hvor kun målvariablene manipuleres. Men dersom eksperimentelle annonse-stimuli skiller seg betydelig fra virkelige annonser, kan deres økologiske validitet trekkes i tvil, noe som begrenser forskningsfunnets praktiske verdi. Geuens og De Pelsmacker (2017) påpekte at høykvalitets og realistiske eksperimentelle annonse-stimuli er avgjørende for annonseforskning, men at akademisk produserte annonser ofte ikke når dette nivået.

Generativ KI, med sin evne til å generere relevante tekster, bilder og videoer i høy kvalitet, åpner for nye muligheter til å møte utfordringen med realisme. Avanserte algoritmer som generative adversarial networks (GANs) og Transformer-modeller (som GPT) kan raskt produsere store mengder innhold. Ved å bruke generativ KI kan forskere enklere manipulere spesifikke elementer i annonser – som å endre alder eller ansiktsuttrykk på en modell, eller justere produkttype eller farge – samtidig som resten av annonsen forblir konsistent. Denne evnen kan styrke den begrepsmessige, interne, eksterne og økologiske validiteten i eksperimentell annonseforskning.

KI-assistert stimuliutforming

Styrking av eksperimentell design med generativ KI: MADE-rammeverket for stimulusutvikling

Empiriske studier viser at MADE-rammeverket kan hjelpe forskere med å bruke KI til å utvikle annonser som på flere områder av økologisk validitet – inkludert kvalitet, hensiktsmessighet og realisme – presterer på nivå med virkelige annonser. Denne forskningen gir foreløpig støtte til potensialet generativ KI har for å forbedre økologisk validitet i eksperimentell annonseforskning. For å sikre ansvarlig og effektiv bruk, tilbyr MADE-rammeverket en praktisk prosess som balanserer kreativ fleksibilitet med akademisk presisjon.

MADE består av fire hovedfaser:

Mapping: Definer hvilke variabler du vil manipulere og vurder konteksten for annonsen – målgruppe, plattform og kulturelle forhold. Du kan eventuelt bruke en ekte annonse som inspirasjon i KI-prompter.

Assembling: Velg riktig KI-verktøy (tekst, bilde eller video), lag detaljerte prompter, evaluer det genererte innholdet, og juster det manuelt ved behov – for eksempel ved å legge til logoer eller justere visuelle elementer.

Demonstrating: Forhåndstest stimuli for å vurdere klarhet, realisme og potensielle feilkilder. Juster basert på tilbakemeldinger før du går videre til hovedstudien.

Executing: Bruk stimuli i hovedeksperimentet og sørg for at alle etiske hensyn er ivaretatt, inkludert åpenhet om KI-bruk, opphavsrett og personvern.

• 

  MADE Framework

  Bruker du generativ KI i annonseeksperimenter? Prøv MADE-rammeverket

  MADE-rammeverket tilbyr en strukturert veiledning for å utvikle eksperimentelle materialer i annonseforskning, og hjelper forskere med å bruke generativ KI mer effektivt, ansvarlig og systematisk. Selv om KI-generert innhold fortsatt kan kreve tid og manuell finpussing, gir den lave kostnaden og den relativt enkle læringskurven et lovende potensial for å forbedre kvaliteten på eksperimentell annonseforskning.

  Til tross for metodiske utfordringer, representerer bruken av generativ KI en betydelig mulighet til å forbedre kvaliteten og realismen i eksperimentelle stimuli – og markerer starten på et nytt kapittel i arbeidet med å løse “realismes–kontroll-paradokset.” Etter hvert som annonseforskning tilpasser seg disse teknologiske endringene, vil kontinuerlig utforskning være avgjørende for å optimalisere bruken av KI-verktøy i utviklingen av effektive eksperimentelle materialer.

  Referanser:

  Geuens, M., & De Pelsmacker, P. (2017). Planning and Conducting Experimental Advertising Research and Questionnaire Design. Journal of Advertising, 46(1), 83–100. https://doi.org/10.1080/00913367.2016.1225233

  van Berlo, Z. M. C., Campbell, C., & Voorveld, H. A. M. (2024). The MADE Framework: Best Practices for Creating Effective Experimental Stimuli Using Generative AI. Journal of Advertising, 53(5), 732–753. https://doi.org/10.1080/00913367.2024.2397777