人工智能转译传统美术图案的公众情感认知解构

于雷，冯鑫，彭文博，陈国强

人工智能转译传统美术图案的公众情感认知解构

于雷1，冯鑫2，彭文博1，陈国强1

（1.燕山大学，河北 秦皇岛 066000；2.石家庄铁道大学 管理学院，石家庄 050043）

人工智能的发展逐渐渗透到人文艺术领域，其中智能辅助艺术创作引领了学科领域发展新趋势，人工智能（AI）与传统美术图案的结合为传统美术的创新与传承带来了新的活力。研究对公众如何认知经由人工智能转译后的传统美术图案及影响此类认知的主要因素。研究运用人工智能图像转译技术，将6幅中国传统艺术图案进行风格迁移和重构，并以网上问卷调查的方式，收集355名受试者对原图案和转译图案的情感评价与审美理解，进而对公众的认知结构进行解构与分析。讨论000 研究发现，公众对经由人工智能转译后的传统美术图案的风格契合度的情感认知路径是多元复杂的，其涉及美感、色彩、愉悦、工艺、构图等多重元素的因素组合。公众对人工智能转移后的美术图案的情感认知，除了现有研究所侧重的色彩与纹理等因素，生成图案的整体感以及其展现的情绪色彩也能够对公众契合度认知产生核心影响。

人工智能；传统美术图案；神经网络；情感认知；情感设计

随着时代演进，以大数据、算力和算法为核心的人工智能技术取得了突破性进展，与此同时也催生了一种新艺术形式——人工智能艺术。该艺术形式以特定算法为核心，对人类艺术语言符号进行转译，从而实现了类艺术家创作，这已经成为人文艺术领域学科发展的新趋势[1-2]。尽管这一过程充满争议，但科技对艺术的拓展启发和应用价值更值得深思和探讨。人工智能艺术在推动艺术创新变革的同时，也引领了新的审美体验和文化价值。故应该充分认识和重视人工智能在艺术领域的应用，不断探索和创新，为推动人类文明进步作出更大贡献。因此本文运用人工智能对中华传统美术图案进行转译，并度量和解构公众对此类创作的情感认知，这对中华传统美术图案在全媒体时代的智能创新和全球传播有重要指导意义。

1 研究回顾

1.1 人工智能辅助传统美术图案设计研究

中华传统美术图案是中华文化的重要视觉元素，蕴含深厚的文化内涵和地域特征。人工智能技术在传统图案研究与设计领域有广泛应用，尤其是神经风格迁移技术的出现，极大推动了传统图案的数字化转型与创新。具体来说，中华传统美术图案根植于中华文化，具有鲜明的风格特征和丰富的情感内涵，体现了公众的审美趣味与文化自信[3-5]。在传统图案设计领域，人工智能技术被应用于提高图案提取效率与组合创新设计，实现传统图案的数字化识别、分类与创作[6-7]。其中，神经风格迁移技术因其对数据集的需求少和精度高的优势，被广泛用于实现内容图像向目标图案风格的转换，辅助传统图案的延续与发展[8-9]。神经风格迁移技术可以提取图案的美术风格，并将其迁移至任意内容图像，实现内容图像风格向目标风格的转化，因而常被用于图像和视频的风格过滤[10]。这种技术在传统美术图案领域的应用，不仅可以使传统图案得以延续，也为数字艺术创作提供了新思路和方法。综上所述，中华传统美术图案具有深厚的文化底蕴，而人工智能技术的应用，尤其是神经风格迁移技术的出现，推动了传统图案在数字环境下的创新与发展。人工智能虽在理解与创作图案上与人类存在差异，但其是否能生成唤起公众情感体验的结果，在继承与创新之间达成平衡，是该领域一个重要的研究课题。这不仅关系到中华传统文化的当代传播，也关乎人工智能在文化创意产业的深度应用。

总体而言，现有研究广泛采用神经风格迁移技术设计模型以辅助各种传统图案的设计与应用。但是，这些研究在评价生成结果时，通常缺乏对公众审美认知的考量，导致生成图像“形似而神不似”的问题，不能全面唤起公众的情感体验[8-10]。具体来说，研究人员常利用神经网络设计新的风格迁移模型，或借助已有模型辅助传统图案设计。早期研究试图对风格独特的艺术家作品进行风格提取与复现，后来转向传统图案，将不同算法融合用于不同风格设计领域。例如，有研究提出一种模拟葫芦烙画风格的方法[11]，也有研究设计人工智能模型快速生成民族图案框架，通过风格迁移网络抽取原有风格特征生成新图案[12]。然而，风格迁移算法迭代过程中对生成结果的评价通常缺乏对公众审美认知的研究，使评价带有较强的主观性[8-10]。虽然部分研究开始考虑图像情感迁移和受试者评价，但评价维度较单一，忽略受试者情感之间的复杂关系，导致评价结果不够客观[13-15]。事实上，图案体验引发的情感体验不仅与图片色彩和纹理有关，还与文化背景和内容相关[16-17]。因此，仅根据图片色彩和轮廓判断风格会产生较大偏差。综上，风格迁移技术在现有研究中对传统图案设计有重要作用，但对生成结果评价通常较为主观和单一，未全面考虑公众的审美认知。随着人工智能在传统图案设计中的应用加深，设计实践可能与人类日常生活脱离，人工智能生成图案如何唤起公众情感认知成为一个重要问题。这不仅关系到传统文化的当代传播，也关乎人工智能在文化创意产业的深度融合。

1.2 公众情感认知研究

公众情感认知指公众通过感知某事物外部形象所引发的情感方面的认知，往往能够通过情感表达进行推测[18-20]。在艺术领域，公众的情感认知与多种因素有关，能够体现公众对艺术品的鉴赏判断。传统美术图案是一种被公众普遍接受，并融入生活中的艺术作品[21]，但随着时代的变迁，传统美术图案带给公众的情感认知日渐模糊和淡薄。研究公众对传统美术图案的情感认知能够广泛促进传统艺术的传播，并在理论层面对传统美术图案的应用做出指导[22-23]。

以往对传统图案的情感认知研究往往从设计者的角度对用户的情感进行解构，提出不同的衡量指标[24-26]。随着公众在互联网中积累的用户内容信息不断增加，公众的情感认知往往能够通过丰富的在线评论体现，以大数据分析为主的情感分析研究方法逐渐成为情感认知分析的主流[27]，研究者通常使用传统线性模型分析公众评论所体现的购买意愿、体验因素等[28-29]。近期，对公众评论的研究也被应用于传统美术图案研究领域，突破了以往仅从专业的设计者与艺术家的角度解读传统图案的文化意涵和审美思想的局限性，有研究通过在线评论，分类了印花衬衫的感性意象[30]。这些研究往往使用传统的数据分析和线性因果关系方法，能够解释单一特定认知性因素之间的关系。然而，人们对美术图案的情感认知与多重因素有关[31]，艺术活动中的公众参与，需要考虑复合的要素影响。这些要素之间相互依赖，多元并发，若从整体视角进行研究，可以获得公众对美术图案情感认知分析的创造性发现。

综上所述，针对传统图案公众情感认知的研究多依赖UGC文本挖掘结合传统线性分析，针对AIGC作品与人工作品的公众情感认知差异的研究并不多见。基于此，本研究旨在探究以下两个问题：借助公众评论，探究公众对通过神经风格迁移模型转译后的传统美术图案的情感认知因素；从组态思维与整体视角出发，探究人工智能转译后的传统美术图案的公众情感认知路径。

2 实证研究

2.1 方案设计

研究选择蔚县剪纸为研究对象，获取并分析了源自京东网的公众评论，构建情感认知模型。为了明确公众的情感认知路径，使用人工智能（AI）将蔚县剪纸的风格转译至老虎图像，并设计问卷调研，使用fsQCA方法分析问卷数据，对复杂的公众情感认知因素进行分析。具体来讲，研究过程分为四个阶段：第一阶段，选择一种有代表性的传统美术图案作为研究对象，提取以该图案为关键词的社交媒体评论，并获取评论中的高频词与词汇权重，以确认公众对传统美术图案潜在的认知因素；第二阶段，借助德尔菲法对公众评论所体现的情感认知因素进行筛选与归类，并提出研究假设；第三阶段，基于前两阶段的分析结果与研究假设，设计问卷量表，确定合适的风格迁移目标图像与内容图像，选择合适的受试者发放问卷并回收；第四阶段，验证问卷调查结果，并使用fsQCA方法进行数据分析，依据分析结果提出结论和建议，研究流程见图1。

图1 研究方案

2.2 公众情感认知因素构建研究

在研究对象的选择上，本研究选取了在河北地区，能体现典型区域特征的国家级非物质文化遗产蔚县剪纸。蔚县剪纸是传统美术图案的优秀载体，体现着独特的地方美术风格，目前通过京东网平台等渠道进行销售。京东网蔚县剪纸在线评论直观体现了公众欣赏图案不同角度，基于此，研究对相关公众评论进行了获取、分析与整理，以明确公众对传统图案的情感认知因素。

2.2.1 数据获取与初步清洗

为了数据达到理论上的饱和，研究选取京东购物平台截至2023年1月18日以“蔚县剪纸”作为关键词的商品中所有商品评价文本，去除同id的重复评论和总字数不大于2的评论，共获得2 523条有效评论语句，对评论进行分词后，使用中文停用词表进行词汇清洗。由于评价词的重要性一般与其在文本中出现的次数成正比[32]，为了直观展示公众的评价，研究绘制了总体词云图（见图2）与形容词的词云图（见图3）。为了展示公众的感性评价，对清洗后数据进行TD-IDF词频逆文本频率指数分析，提取评论中的感性评价描述在所有评价中的权重（见表1），并绘制形容词权重词云图（见图4）。

2.2.2 词汇含义分类

由于词频分析中获得的形容词较多，许多词汇具有双关的特性，故采用德尔菲法，通过专家研究，对蔚县剪纸的描述进行筛选与分类。研究邀请7位具有设计艺术学专业背景的专家，根据公众情感词汇定义评量准则构建二级评量量表，并在问卷设计时选定作品样本，专家情况见表2。

在专家样本的挑选标准部分，本研究认为传统美术图案领域多元复杂，故纳入多元专家的意见[33]，专家满足以下三条件之一即符合本研究的纳入标准：有着较高分析技术的技术政策专家，包含相关学术领域研究者及实践者；在本领域管理方向深入的管理型政策专家，包含本领域相关政策执行人员及产业园区运营管理人员；对产业深入了解并深度实践的企业型政策专家，包含实际操作传统美术图案设计生产的企业管理人员。最终参与本研究的德尔菲法专家小组共计7人。

第一轮专家意见整理中，专家们从词频数不低于5的170个形容词中选择保留与传统美术图案公众情感认知相关度较高的词汇，并将其分类。根据专家意见，保留了29个有效词汇。专家对词汇的分类方式不尽相同，其中5位专家均提出审美特色、文化体验与整体感受3个类别，同时，部分专家还提出了技艺特征、色彩感受、动态感受、图像质量、构图平衡、创意特色等类别。

第二轮意见整理时，将第一轮的词汇分类情况进行整理，并发放给各专家，明确告知专家这些词汇被用于描述公众的情感认知，认为各个词汇具有同等地位，并就词汇分类问题询问其意见。此轮过后，专家们对词汇的大体分类趋于一致。专家将动态感受、构图平衡、整体感受并归于构图特色；创意特色类别中的词汇被拆散，分别纳入文化意趣与愉悦特性中；审美体验、色彩感受、工艺印象3个分类被完整保留。此时共有构图特色、文化意趣、愉悦特性、审美体验、色彩感受、工艺印象这6个分类。然而，在部分词汇的归类方面存在分歧：4位专家认为艳丽可用于度量图案色彩的鲜艳程度，将其归为色彩类；3位专家认为在现代汉语辞典中，艳丽包含鲜明与美丽两重含义，被用来形容多种意象，更偏向于表达一种鲜活的情绪冲击，将其归类为愉悦特性类；3位专家认为惊艳属于一种审美体验，2位专家认为惊艳属于带给受众的愉悦感受，还有2位专家认为惊艳属于一种独特的文化意趣。在精美和精致两个词汇的分类过程中，有3位专家认为它们都是对美感的表述：精美与丑陋互为反义，精致包含精细和美好两层含义，因此将它们归类为审美体验；有1位专家认为精美与精致均侧重于对工艺精巧程度的表述，与粗糙互为反义，将其归类为工艺印象；有2位专家认为精美为审美体验，精致为工艺印象。

图2 总词云图

图3 形容词词频云

图4 形容词权重云

表1 部分形容词词频以及权重

Tab.1 Word frequency and weight of some adjectives

表2 专家基本情况

Tab.2 Basic information of experts

第三轮时，每位专家获取其他专家的书面意见并对各个词汇的分类进行再整理，三轮意见整理后专家意见趋于一致，分类见表3。

表3 衡量指标

Tab.3 Measurement indicator

2.3 人工智能转译传统美术图案的公众情感认知路径研究

2.3.1 问卷图案与模型选择

为了更好地探究人工智能转译后的传统美术图案（后简称“AI转译图像”）的公众情感认知路径。研究选择了一个内容图案与6个风格图案，并借助同一种风格迁移开源模型对6组样本分别进行风格迁移处理。

在风格迁移模型的选择中，研究运用焦点团体法，由9位设计学专业教师对比现有的AdaIN、WCT、MAST、SANet等算法。实验中，9位教师针对4组对应的生成作品进行筛选，每位成员选出4组自己喜欢的作品，并阐述理由。相关教师普遍认为，AdaIN算法模型[34]生成图像质量较高，匹配特征稳定，同时其难以控制局部风格的弊端较之其他模型中产生扭曲与伪影的弊端来讲对本研究影响最小，最终研究选择得到选票最多的AdaIN算法作为测试评价模型，并使用AdaIN算法的开源工具Arbitrary Style Transfer进行风格迁移，见图5。

研究选择了6张具有代表性的蔚县剪纸作为风格图像。同时，为了强化受测对象的文化认知，对象选择时选择了契合研究年份（中国虎年）的重要的文化符号老虎（东北虎照片）作为内容图像，进行风格迁移，使生成图像的风格与内容共同损失率最低。内容图像、风格图像、转译后画作，见表4。

2.3.2 问卷题项设计

运用德尔菲法归纳出的6项主要因素作为潜在的条件变量，各因素的描述词汇作为观测变量进行问卷设计。风格契合度为结果变量，代表了人们对风格的主观感受，分别从风格相似度感知与转译质量感知两个角度进行观测。在进行验证性因子分析后，删除部分不合理的测量题项，最终保留用于数据分析的题项，见表5。

图5 研究基于AdaIN的风格迁移网络示意

表4 风格图片与迁移结果

Tab.4 Style images and transfer results

2.3.3 样本选择

由于风格认知是专业性较强的研究内容，为避免普通消费者对风格理解的不确定或差异过大问题，本次实验调研对象需要对蔚县剪纸有着预先认知，同时对风格的理解有着较强的专业性[35]。艺术类专业学生是艺术与技术融合的驱动人群，具有代表性意义，最终研究拟定的测试人群是选修过剪纸艺术课程，并对蔚县剪纸有着基础认知的艺术类在校大学生。本次数据收集中获得问卷355份，其中，去除所有题目选择选项类别不超过2个、作答时长不足100 s的问卷后，共获得有效问卷共190份。

3 数据研究

3.1 问卷的信度效度分析

对190份有效问卷进行统计检验，并进行信效度分析后，可以看出整体量表的系数为0.971，各分析向度量表的总系数均高于0.8，证明问卷信度好。问卷题项KMO值为0.953，小于0.005，各个题项关联度较好，适合做因子分析，结果见表6。各因子载荷系数均高于0.8，AVE值不低于0.65，CR值不低于0.7，聚合效度良好。根据本研究假设与QCA方法的特性，承认变量间的相关性[36]。综上所述，上述研究题项设置满足效度要求。

表5 问卷设计

Tab.5 Questionnaire design

表6 量表信效度分析

Tab.6 Reliability and validity analysis of the scale

3.2 模糊集定性比较分析

fsQCA能够从整体和系统的角度考察导致结果产生的条件组态，着重识别和测量前因条件所构成的组态路径，可以有效解决传统定量研究中的共线性问题[37-38]。因此，根据研究假设，研究采用fsQCA方法对AI转译传统美术图案的公众情感认知进行解构。

本研究的问卷采用7级李克特量表，本文选取选项中的最大值7、中间值4、最小值1作为完全隶属点、交叉点以及非完全隶属点的校准值[39]。

PRI一致性（PRI consistency）是fsQCA中重要的指标，当原始一致性与PRI一致性相近的时候能够认为解是有效的。实验过程中需要筛选出原始一致性高的解，并人工设定PRI一致性阈值。本文将一致性阈值设置为0.8，频数阈值设定为1，将PRI一致性阈值设置为0.8[40]。

3.2.1 必要性分析

研究对6种因素进行了必要性分析（见表7），当契合认知产生时，6个变量的一致性与覆盖度均高于0.8，除愉悦变量外，其余变量的一致性均低于0.9，无法构成充分必要条件。当契合认知不产生时，各个条件的一致性均低于0.9，无法构成充分必要条件。

由此可以看出，多因素导致契合认知是多重并发复杂因果，研究假设成立，需要对该复杂因果进行进一步的条件组态分析。

表7 受试者产生契合度认知的必要性分析

Tab.7 Necessary conditions analysis of congruence cognition in participants

注：“～”表示“非”，“～某条件”既某条件不存在。

3.2.2 条件组态分析

通过fsQCA对观众对人工智能艺术的关注因素数据进行分析，通过分析，6个条件变量较好地完成了组态构型。当结果被接受时，共产生9条组态路径。总体一致性达到0.916，能够覆盖77.1%的结果，见表8。当结果被拒绝时，有且仅有一条所有的条件均缺失的组态路径，覆盖度为64.5%，一致性达到0.948，美感、色彩、愉悦、文化均不契合构成这条组态的核心条件。据此，假设1、2均成立。

表8 契合认知产生时受试者的认知路径分析

Tab.8 Cognitive path analysis of congruence cognition in participants

注：●表示核心条件，●表示边缘条件，×表示条件不出现，空白表示条件既可以出现，也可以不出现。

针对结果被接受时的条件组态分布进行分析，结合简单解与中间解的对比结果，可以发现，在受试者认为契合的这9种组态构型中，所有组态的一致性均高于0.9，且均具备一定的独立覆盖度。

3.2.2.1 多种条件契合型

组态2、3、4、5、6的原始覆盖度达到0.7以上，且这五条组态不存在核心或边缘条件缺失，均为两个核心条件与两个边缘条件契合。在这五条组态中，愉悦契合的条件出现在其中四条组态中，并全部构成核心条件；构图契合出现在其中三条组态中且均构成核心条件；同时，色彩契合的因素在五条组态路径中均有体现，但全部为边缘条件；在这五条组态中，核心条件为工艺契合，且构图契合的组态有着最高的独立覆盖度。

由此可以发现，在公众的认知中，愉悦、构图的契合往往决定着风格的契合。色彩因素虽然处于边缘地位，但却是每种构型中不可缺失的部分。这证明公众在认为人工智能生成图像与原风格图像色彩相似的基础上，更加关注愉悦、整体构图这类能够体现图案设计感的部分。同时，工艺契合且构图契合作为核心条件的组态代表了部分公众对风格的感知偏向于对图案纹理的感知。

3.2.2.2 部分条件缺失型

组态7、8中，色彩因素构成边缘条件缺失，两条组态的原始覆盖度均达到0.3；组态1、7中，美感为边缘条件缺失，组态1的原始覆盖度仅有0.041，但独立覆盖度最高，为0.011；组态9中，工艺因素构成边缘条件缺失；组态7中文化契合构成核心条件缺失、组态8中文化因素构成边缘条件缺失。

过往风格迁移研究对色彩的探讨常处于首要地位。但在所有组态中，色彩均不构成核心条件，且色彩作为边缘条件缺失出现在组态7与组态8中。在色彩缺失或不重要的组态中，工艺与构图均契合、工艺与愉悦均契合以及愉悦与构图均契合构成核心条件。能够看出，传统美术图案的工艺特色对公众辨认其风格的有着重要影响，蔚县剪纸的图案体现了其工艺特色，在色彩不契合的情况下，工艺以及与图案设计感相关因素的重要性逐渐凸显出来。

在色彩缺失的组态7和组态8中，文化契合均为条件缺失，同时，在组态7中文化为核心条件缺失。由于文化契合与色彩契合对风格契合的结果一般产生正向影响，由此可见，在部分样本中，文化契合缺失与色彩契合缺失为风格契合结果带来的负面影响或能相互抵消，并凸显出工艺与构图等因素的重要性。同时，这两条组态也证明了风格能够被迁移至文化背景不同的内容图片中，并被公众所认知。

组态1、9中美感契合与工艺契合分别构成条件缺失，此时愉悦因素与构图因素均契合。愉悦与构图因素在超过6个组态中构成核心条件，且不存在条件缺失，证明这两种因素能够在美感或工艺不契合的情况下发挥重要作用，对公众契合度认知产生决定性的影响。

3.4 稳健性检验

对研究结果的稳健性检验，通过将一致性阈值设定水平由0.8提升至0.85、0.9[38]。研究发现，一致性阈值的改变，并未导致中间解和简单解的结果出现明显变化，而解的一致性和覆盖率也无明显变动，证明研究结果具有稳健性。

4 结语

通过对人工智能转译后蔚县剪纸图样的组态效应分析，研究发现，图案的整体氛围是公众关注的焦点，在公众情感认知过程中起到重要影响。首先，构图与愉悦两个因子在多条组态中起到核心的影响。构图因素描述了图案的整体设计，愉悦感是人情感认知中深层次的内容，具备愉悦感的图案具有吸引力与乐趣，体现图案中包含的情绪与图案对公众的吸引力。这说明以往研究对图案整体设计的重视是有意义的，人工智能生成艺术能否体现出与观众认知相契合的整体设计与愉悦感，在公众对图像整体风格的契合度认知中有着重要的影响。同时，区别于早期研究中认为色彩是风格最鲜明的识别符号，研究结果表明色彩契合的缺失会凸显工艺等纹理属性在公众风格契合认知中的地位，当色彩契合无法被满足时，工艺、构图因素的契合会作为核心条件出现，占据大众风格情感认知的主要地位。这证明传统美术图案的工艺特性深深融入其风格之中，并在多种情况下唤起公众的情感认知。

本研究初期选取的研究范围仅包含以蔚县剪纸为例的中国传统图样，未探讨其余的图案风格，后续可以借助不同风格的图案对公众的情感认知进行研究，以期得到更具普遍性的结果。同时，本研究使用fsQCA对条件变量与结果变量之间的因果关系进行分析，得到的结论较为宏观，各个变量之间的深层关系有着进一步挖掘的价值。

[1] MAZZONE M, ELGAMMAL A. Art, Creativity, and the Potential of Artificial Intelligence[J]. Arts, 2019, 8(1): 26.

[2] FENG X, YU L, KONG W, et al. Frontier Hotspots and Trend Evolution of Cultural and Creative Design in China—an Empirical Research on Cnki-Based Bibliometrics[J]. Library Hi Tech, 2022.

[3] 丁孝佳. 古韵新歌——中国传统图案在当代服装设计中的植入路径[J]. 印染, 2022, 48(9): 89-90. DING Xiao-jia. New Songs of Ancient Rhyme—The Implantation Path of Chinese Traditional Patterns in Contemporary Fashion Design[J]. China Dyeing & Finishing, 2022, 48(9): 89-90.

[4] 方超. 现代标志设计中传统图案的设计文化研究[J]. 包装工程, 2018, 39(14): 263-266. FANG Chao. Design Culture of Traditional Logo in Modern Logo Design[J]. Packaging Engineering, 2018, 39(14): 263-266.

[5] 刘芹. 论传统图案在现代艺术设计中的作用[J]. 美术大观, 2018(11): 112-113. LIU Qin. On the Function of Traditional Patterns in Mo­dern Art Design[J]. Art Panorama, 2018(11): 112-113.

[6] LIU Shu-lin. Research on the Style of Art Works Based on Deep Learning[J]. Journal of Advanced Transportation, 2022, 2022: 1-8.

[7] XIAO Li-jun, LUO Yan. The Application of RBF Neural Network Model Based on Deep Learning for Flower Pattern Design in Art Teaching[J]. Computational Intelligence and Neuroscience, 2022, 2022: 1-9.

[8] JING Yong-cheng, YANG Ye-zhou, FENG Zun-lei, et al. Neural Style Transfer: A Review[J]. IEEE Transactions on Visualization and Computer Graphics, 2020, 26(11): 3365-3385.

[9] LU Zi-qi. Digital Image Art Style Transfer Algorithm and Simulation Based on Deep Learning Model[J]. Scientific Programming, 2022, 2022: 1-9.

[10] BRIAKOU E, AGRAWAL S, ZHANG Ke, et al. A Review of Human Evaluation for Style Transfer[EB/OL]. 2021: arXiv: 2106.04747. https://arxiv.org/abs/2106.04747

[11] 吴航, 徐丹. 葫芦烙画的艺术风格迁移与模拟[J]. 中国科技论文, 2019, 14(3): 278-284. WU Hang, XU Dan. Art Style Transfer and Simulating for Gourd Pyrography[J]. China Sciencepaper, 2019, 14(3): 278-284.

[12] 侯宇康, 吕健, 刘翔, 等. 基于神经风格迁移网络的民族图案创新方法[J]. 图学学报, 2020, 41(4): 606- 613. HOU Yu-kang, LYU Jian, LIU Xiang, et al. Innovative Method of Ethnic Pattern Based on Neural Style Transfer Network[J]. Journal of Graphics, 2020, 41(4): 606-613.

[13] CHEN Dong-dong, YUAN Lu, LIAO Jing, et al. Stereoscopic Neural Style Transfer[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, UT, USA. IEEE, 2018: 6654-6663.

[14] HUANG Hao-zhi, WANG Hao, LUO Wen-han, et al. Real-Time Neural Style Transfer for Videos[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI, USA. IEEE, 2017: 7044-7052.

[15] SO C. Measuring Aesthetic Preferences of Neural Style Transfer: More Precision with the Two-Alternative- Forced-Choice Task[J]. International Journal of Human–Computer Interaction, 2023, 39(4): 755-775.

[16] CASAS M, CHINOPEREKWEYI D J. Color Psychology and Its Influence on Consumer Buying Behavior: A Case of Apparel Products[J]. Saudi Journal of Business and Management Studies, 2019, 4(5): 441-456.

[17] SURIADI J, MARDIYANA M, REZA B. Concept of Color Psychology and Logos to Strengthen Brand Personality of Local Products[[J]]. Linguistics and Culture Review, 2022, 6(S1): 839-856.

[18] 李洁, 郭士杰. 人形机器人造型意象与用户情感认知研究[J]. 机械设计, 2019, 36(5): 134-138.LI Jie, GUO Shi-jie. Research on Image Modeling Design and User Emotional Cognition of Humanoid Robot[J]. Journal of Machine Design, 2019, 36(5): 134-138.

[19] 王一方. 试论彼得·基维的情感认知论[J]. 河南师范大学学报(哲学社会科学版), 2015, 42(6): 136-138. WANG Yi-fang. On Peter Kivi's Theory of Emotional Cognition[J]. Journal of Henan Normal University (Philosophy and Social Sciences Edition), 2015, 42(6): 136-138.

[20] 樊岳红. 人工智能情感认知推理的计算模型分析[J]. 上海师范大学学报(哲学社会科学版), 2020, 49(2): 94-103. FAN Yue-hong. The Analysis of Computational Model for Emotion Cognitive Reasoning[J]. Journal of Shanghai Normal University (Philosophy & Social Sciences Edition), 2020, 49(2): 94-103.

[21] 陈忆澄. 中国艺术传播理论的当代生成研究[J]. 艺术传播研究, 2021(4): 11-20. CHEN Yi-cheng. Contemporary Formation of Chinese Art Communication Theory[J]. Journal of Art Communication, 2021(4): 11-20.

[22] CRILLY N. Methodological Diversity and Theoretical Integration: Research in Design Fixation as an Example of Fixation in Research Design?[J]. Design Studies, 2019, 65: 78-106.

[23] 李中梅, 张向先, 郭顺利. 移动商务环境下O2O用户在线评论有用性影响因素研究[J]. 情报科学, 2017, 35(2): 130-137. LI Zhong-mei, ZHANG Xiang-xian, GUO Shun-li. A Study of the Factors' Analysis of O2O Users' Online Useful Reviews in the Mobile Business Environment[J]. Information Science, 2017, 35(2): 130-137.

[24] NORMAN D A. why we love (or hate) everyday things[M]. New York: Basic Books, 2004.

[25] JAGTAP S. Attributes and Emotions in Product Form Design: A Survey of Professional Industrial Designers[M]// Research into Design for Communities, Volume 2. Singapore: Springer Singapore, 2017: 705-714.

[26] HASSENZAHL M. The Thing and I (Summer of '17 Remix)[M]// Blythe M, Monk A. Funology 2. Cham: Springer, 2018: 17-31.

[27] 杜惠英, 王兴芬, 庄文英. 在线评价对消费者购买意愿影响理论模型与实证研究[J]. 中国流通经济, 2017, 31(8): 49-56. DU Hui-ying, WANG Xing-fen, ZHUANG Wen-ying. An Empirical Study on the Influence of Online Evaluation on Consumer Purchase Intention[J]. China Business and Market, 2017, 31(8): 49-56.

[28] 陈郁璐, 雷青. 基于在线评论的考古盲盒用户体验影响因素研究[J]. 包装工程, 2022, 43(8): 180-189.CHEN Yu-lu, LEI Qing. Influencing Factors for User Experience of Archaeological Blind Box Based on Online Reviews[J]. Packaging Engineering, 2022, 43(8): 180-189.

[29] 李国华, 刘文金, 沈华杰, 等. 基于感性意象量化试验的蒙古族家具装饰知识获取与重用实践[J]. 林产工业, 2023, 60(3): 66-72. LI Guo-hua, LIU Wen-jin, SHEN Hua-jie, et al. Knowl­edge Acquisition and Reuse Practice of Mongolian Furniture Decoration Based on Perceptual Image Quantification Experiment[J]. China Forest Products Industry, 2023, 60(3): 66-72.

[30] 郑畑子, 王建萍. 服装印花图案设计的感性研究[J]. 纺织学报, 2020, 41(8): 101-107. ZHENG Tian-zi, WANG Jian-ping. Perceptual Research on Printing Pattern Design for Clothing[J]. Journal of Textile Research, 2020, 41(8): 101-107.

[31] YU Lei, FENG Xin, WANG Jing-ya, et al. Research on the Mechanism of Emotional Design in Chinese Cultural and Creative Products[J]. Heritage Science, 2022, 10(1): 119.

[32] 李少波, 全华凤, 胡建军, 等. 基于在线评论数据驱动的产品感性评价方法[J]. 计算机集成制造系统, 2018, 24(3): 752-762.LI Shao-bo, QUAN Hua-feng, HU Jian-jun, et al. Perceptual Evaluation Method of Products Based on Online Reviews Data Driven[J]. Computer Integrated Manufacturing Systems, 2018, 24(3): 752-762.

[33] FINK-HAFNER D, DAGEN T, DOUŠAK M, et al. Delphi Method[J]. Advances in Methodology and Statistics, 2019, 16(2): 1-19.

[34] HUANG Xun, BELONGIE S. Arbitrary Style Transfer in Real-Time with Adaptive Instance Normalization[C]// 2017 IEEE International Conference on Computer Vision (ICCV). Venice, Italy. IEEE, 2017: 1510- 1519.

[35] FAROOQ R. How to Design and Frame a Questionnaire[M]// JEYASEKAR J J, SARAVANAN P. Eds. Advances in Standardization Research. Hershey: IGI Global, 2018: 50-60.

[36] 李作学, 马婧婧. 科技人才激励因素的组态路径研究——一项QCA分析[J]. 科技进步与对策, 2021, 38(19): 145-151. LI Zuo-xue, MA Jing-jing. Research on Configuration Path of Incentive Factors of Science and Technology Talents: A QCA Analysis[J]. Science & Technology Progress and Policy, 2021, 38(19): 145-151.

[37] RIHOUX B. Qualitative Comparative Analysis (QCA) and Related Systematic Comparative Methods[J]. International Sociology, 2006, 21(5): 679-706.

[38] SCHNEIDER C Q, WAGEMANN C. Reducing Complexity in Qualitative Comparative Analysis (QCA): Remote and Proximate Factors and the Consolidation of Democracy[J]. European Journal of Political Research, 2006, 45(5): 751-786.

[39] MATTKE J, MAIER C, WEITZEL T, et al. Qualitative Comparative Analysis (QCA) in Information Systems Research: Status Quo, Guidelines, and Future Directions[J]. Communications of the Association for Information Systems, 2022, 50: 208-240.

[40] RUBINSON C, GERRITS L, RUTTEN R, et al. Avoiding Common Errors in QCA: A Short Guide for New Practitioners[J]. Sociology, 2019, 9(2019): 397-418.

Public Emotional and Cognitive Deconstruction of Traditional Art Patterns Translated by Artificial Intelligence

YU Lei1, FENG Xin2, PENG Wen-bo1, CHEN Guo-qiang1

(1.Yanshan University, Hebei Qinhuangdao 066000, China; 2.School of Management, Shijiazhuang Tiedao University, Shijiazhuang 050043, China)

The evolution of artificial intelligence has gradually made its way into the realm of humanities and arts. In particular, AI-assisted art creation leads the new trend of discipline development, and the combination of artificial intelligence (AI) and traditional art patterns brings new vitality to the innovation and inheritance of traditional art. The work aims to study how the public perceives the traditional art patterns translated by AI and the main factors influencing such cognition. AI image translation technology was used to perform style transfer and reconstruction on six traditional Chinese art patterns. Then, the emotional and aesthetic evaluations were collected from 355 participants through an online survey to deconstruct and analyze the public's cognitive structures.The results revealed that the emotional cognition of the public regarding the stylistic harmony of traditional art patterns translated through AI was multifaceted and complex. It encompassed a combination of factors, including aesthetic appeal, color, enjoyment, craftsmanship, composition, and other elements. For the public's emotional cognition of art patterns translated by AI, in addition to the factors of color and texture that previous studies have emphasized, the overall impression of the generated patterns and the emotions they evoke also play a vital role in shaping the public's cognition of congruence.

artificial intelligence; traditional art pattern; neutral network; emotional cognition; emotional design

J516

A

1001-3563(2023)12-0068-09

10.19554/j.cnki.1001-3563.2023.12.007

2023–01–17

2020年河北省社会科学基金项目（HB20YS016）

于雷（1982—），男，硕士，副研究员，主要研究方向为人工智能与情感化设计。

冯鑫（1986—），男，博士，副教授，主要研究方向为复杂知识网络、文艺量化传播、计算社会科学。

责任编辑：陈作