Constructing the algorithmic gaze: viewer positioning in AI-generated cinematic images

Öz

Bu çalışma, üretken yapay zekâ sistemlerinde sinematik bakışın nasıl yeniden kurulduğunu incelemektedir. Araştırma, yapay zekâ destekli görsel üretim süreçlerinin yalnızca görsel içerik üretmediğini, aynı zamanda izleyicinin sahne içerisindeki konumunu organize eden algoritmik bakış rejimleri oluşturduğunu ileri sürmektedir. Çalışma kapsamında aynı sinematik sahne, farklı düzeylerde yapılandırılmış girdiler aracılığıyla Midjourney, Leonardo AI ve Stable Diffusion tabanlı sistemlerde yeniden üretilmiştir. Araştırma, uygulama temelli bir yöntemi karşılaştırmalı görsel analiz ile birleştirmektedir. Üretilen görseller; izleyiciye yönelen bakış, izleyiciyle hizalanan bakış ve dış gözlemci konumu olmak üzere üç temel kategori altında analiz edilmiştir. Analiz sürecinde özellikle yüz yönelimi, bakış doğrultusu, kamera hizalanması ve izleyici konumlandırmasına odaklanılmıştır. Bulgular, üretken yapay zekâ sistemlerinin güçlü biçimde frontal, okunabilir ve izleyici-merkezli kompozisyonlar üretme eğilimi taşıdığını göstermektedir. Ayrıca farklı platformların aynı girdilere farklı görsel organizasyonlarla yanıt verdiği gözlemlenmiştir. Bu durum, görsel üretim sürecinin yalnızca kullanıcı girdileriyle değil, aynı zamanda modele özgü estetik eğilimler ve öğrenilmiş görsel önyargılar tarafından da şekillendiğini ortaya koymaktadır. Bazı durumlarda sistemlerin, girdiler izleyici konumlandırmasını açık biçimde değiştirmeye çalışsa bile baskın görsel örüntülerini sürdürdüğü görülmüş; bu durum girdi direnci ve algoritmik tercih biçimleriyle ilişkilendirilmiştir. Çalışma, yapay zekâ görsellerinin yalnızca estetik çıktılar değil, aynı zamanda algıyı, izleyici deneyimini ve görsel yönelimi algoritmik süreçler aracılığıyla yeniden organize eden post-sinematik temsil alanları olduğunu ileri sürmektedir. Bu yönüyle araştırma, sinematik bakış kuramı ile algoritmik görsellik tartışmaları arasında kuramsal bir köprü kurmayı amaçlamaktadır.

Anahtar Kelimeler

• algortimik bakış
• üretken yapay zeka
• sinematik bakış
• post sinema
• dijital görsellik

Etik Beyan

Bu çalışma etik beyan gerektirmemektedir

Constructing the algorithmic gaze: viewer positioning in AI-generated cinematic images

Öz

This study examines how cinematic gaze is reconstructed within generative artificial intelligence systems. It argues that AI-supported image generation processes do not merely produce visual content, but also establish algorithmic regimes of spectatorship that organize the viewer’s position within the scene. To investigate this process, the same cinematic scene was regenerated through differently structured prompts using Midjourney V6, Leonardo AI, and Stable Diffusion based systems. The research combines a practice-based approach with comparative visual analysis. The generated images were analysed through three main categories: viewer-addressing gaze, viewer-aligned gaze, and external observer positioning. Particular attention was given to facial orientation, gaze direction, camera alignment, and spectator positioning. The findings demonstrate that generative AI systems tend to privilege frontal, highly readable, and viewer centred compositions. The study also reveals that different platforms respond to identical prompts through distinct visual organizations, suggesting that image generation is shaped not only by user input but also by model-specific aesthetic tendencies and learned visual biases. In several cases, the systems maintained dominant visual patterns even when prompts explicitly attempted to redirect spectator positioning, indicating forms of prompt resistance and algorithmic preference. The article argues that AI generated imagery should be understood not simply as aesthetic output, but as a post-cinematic visual regime that reorganizes perception, spectatorship, and visual orientation through algorithmic processes. By bringing together film theory, digital visual culture, and generative AI studies, the study aims to establish a theoretical bridge between cinematic gaze and algorithmic visuality..

Anahtar Kelimeler

• algorithmic gaze
• generative art
• post cinema
• dijital gaze

Etik Beyan

This study does not require an ethics committee approval

Kaynakça

1. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922
2. Bianchi, F., Kalluri, P., Durmus, E., Ladhak, F., Cheng, M., Nozza, D., Hashimoto, T., Jurafsky, D., Zou, J., & Caliskan, A. (2023). Easily accessible text-to-image generation amplifies demographic stereotypes at large scale. In Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency (pp. 1493–1504). Association for Computing Machinery. https://doi.org/10.1145/3593013.3594095
3. Bolter, J. D., & Grusin, R. (1999). Remediation: Understanding new media. MIT Press.
4. Bordwell, D., & Thompson, K. (2013). Film art: An introduction (10th ed.). McGraw-Hill.
5. Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37–46. https://doi.org/10.1177/001316446002000104
6. Elsaesser, T., & Hagener, M. (2010). Film theory: An introduction through the senses. Routledge.
7. Hansen, M. B. N. (2016). Algorithmic sensibility: Reflections on the post-perceptual image. In S. Denson & J. Leyda (Eds.), Post-cinema: Theorizing 21st-century film (pp. 785–813). Reframe Books. https://doi.org/10.25969/mediarep/13477
8. Leivada, E., Murphy, E., & Marcus, G. (2023). DALL·E 2 fails to reliably capture common syntactic processes. Social Sciences & Humanities Open, 8(1), Article 100648. https://doi.org/10.1016/j.ssaho.2023.100648

9. Liu, V., & Chilton, L. B. (2022). Design guidelines for prompt engineering text-to-image generative models. In Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems (pp. 1–23). Association for Computing Machinery. https://doi.org/10.1145/3491102.3501825
10. Manovich, L. (2017). Instagram and contemporary image. http://manovich.net
11. Metz, C. (1982). The imaginary signifier: Psychoanalysis and the cinema (C. Britton, A. Williams, B. Brewster, & A. Guzzetti, Trans.). Indiana University Press. (Original work published 1977)
12. Mulvey, L. (1975). Visual pleasure and narrative cinema. Screen, 16(3), 6–18. https://doi.org/10.1093/screen/16.3.6
13. Oppenlaender, J. (2022). The creativity of text-to-image generation. In Proceedings of the 25th International Academic Mindtrek Conference (pp. 192–202). Association for Computing Machinery. https://doi.org/10.1145/3569219.3569352
14. Oppenlaender, J., Linder, R., & Silvennoinen, J. (2025). Prompting AI art: An investigation into the creative skill of prompt engineering. International Journal of Human–Computer Interaction, 41(16), 10207–10229. https://doi.org/10.1080/10447318.2024.2431761
15. Rezwana, J., & Maher, M. L. (2023). Designing creative AI partners with COFI: A framework for modeling interaction in human-AI co-creative systems. ACM Transactions on Computer-Human Interaction, 30(5), Article 67, 1–28. https://doi.org/10.1145/3519026
16. Shaviro, S. (2010). Post-cinematic affect. Zero Books.
17. Shazab, R., & Ishfaq, A. (2025). Algorithmic storytelling: From Hollywood to TikTok: Can AI reshape cultural narratives? Journal of Arts and Linguistics Studies, 3(4), 5333–5352. https://doi.org/10.71281/jals.v3i4.470
18. Sobchack, V. (1992). The address of the eye: A phenomenology of film experience. Princeton University Press.
19. Srnicek, N. (2017). Platform capitalism. Polity Press.
20. Struppek, L., Hintersdorf, D., Friedrich, F., Brack, M., Schramowski, P., & Kersting, K. (2023). Exploiting cultural biases via homoglyphs in text-to-image synthesis. Journal of Artificial Intelligence Research, 78, 1017–1068. https://doi.org/10.1613/jair.1.15388
21. Witteveen, S., & Andrews, M. (2022). Investigating prompt engineering in large language and text-to-image models [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2211.15462