人工智能轉(zhuǎn)譯傳統(tǒng)美術(shù)圖案的公眾情感認(rèn)知解構(gòu)

于雷，馮鑫，彭文博，陳國強(qiáng)

人工智能轉(zhuǎn)譯傳統(tǒng)美術(shù)圖案的公眾情感認(rèn)知解構(gòu)

于雷1，馮鑫2，彭文博1，陳國強(qiáng)1

（1.燕山大學(xué)，河北 秦皇島 066000；2.石家莊鐵道大學(xué) 管理學(xué)院，石家莊 050043）

人工智能的發(fā)展逐漸滲透到人文藝術(shù)領(lǐng)域，其中智能輔助藝術(shù)創(chuàng)作引領(lǐng)了學(xué)科領(lǐng)域發(fā)展新趨勢(shì)，人工智能（AI）與傳統(tǒng)美術(shù)圖案的結(jié)合為傳統(tǒng)美術(shù)的創(chuàng)新與傳承帶來了新的活力。研究對(duì)公眾如何認(rèn)知經(jīng)由人工智能轉(zhuǎn)譯后的傳統(tǒng)美術(shù)圖案及影響此類認(rèn)知的主要因素。研究運(yùn)用人工智能圖像轉(zhuǎn)譯技術(shù)，將6幅中國傳統(tǒng)藝術(shù)圖案進(jìn)行風(fēng)格遷移和重構(gòu)，并以網(wǎng)上問卷調(diào)查的方式，收集355名受試者對(duì)原圖案和轉(zhuǎn)譯圖案的情感評(píng)價(jià)與審美理解，進(jìn)而對(duì)公眾的認(rèn)知結(jié)構(gòu)進(jìn)行解構(gòu)與分析。討論000 研究發(fā)現(xiàn)，公眾對(duì)經(jīng)由人工智能轉(zhuǎn)譯后的傳統(tǒng)美術(shù)圖案的風(fēng)格契合度的情感認(rèn)知路徑是多元復(fù)雜的，其涉及美感、色彩、愉悅、工藝、構(gòu)圖等多重元素的因素組合。公眾對(duì)人工智能轉(zhuǎn)移后的美術(shù)圖案的情感認(rèn)知，除了現(xiàn)有研究所側(cè)重的色彩與紋理等因素，生成圖案的整體感以及其展現(xiàn)的情緒色彩也能夠?qū)娖鹾隙日J(rèn)知產(chǎn)生核心影響。

人工智能；傳統(tǒng)美術(shù)圖案；神經(jīng)網(wǎng)絡(luò)；情感認(rèn)知；情感設(shè)計(jì)

隨著時(shí)代演進(jìn)，以大數(shù)據(jù)、算力和算法為核心的人工智能技術(shù)取得了突破性進(jìn)展，與此同時(shí)也催生了一種新藝術(shù)形式——人工智能藝術(shù)。該藝術(shù)形式以特定算法為核心，對(duì)人類藝術(shù)語言符號(hào)進(jìn)行轉(zhuǎn)譯，從而實(shí)現(xiàn)了類藝術(shù)家創(chuàng)作，這已經(jīng)成為人文藝術(shù)領(lǐng)域?qū)W科發(fā)展的新趨勢(shì)[1-2]。盡管這一過程充滿爭議，但科技對(duì)藝術(shù)的拓展啟發(fā)和應(yīng)用價(jià)值更值得深思和探討。人工智能藝術(shù)在推動(dòng)藝術(shù)創(chuàng)新變革的同時(shí)，也引領(lǐng)了新的審美體驗(yàn)和文化價(jià)值。故應(yīng)該充分認(rèn)識(shí)和重視人工智能在藝術(shù)領(lǐng)域的應(yīng)用，不斷探索和創(chuàng)新，為推動(dòng)人類文明進(jìn)步作出更大貢獻(xiàn)。因此本文運(yùn)用人工智能對(duì)中華傳統(tǒng)美術(shù)圖案進(jìn)行轉(zhuǎn)譯，并度量和解構(gòu)公眾對(duì)此類創(chuàng)作的情感認(rèn)知，這對(duì)中華傳統(tǒng)美術(shù)圖案在全媒體時(shí)代的智能創(chuàng)新和全球傳播有重要指導(dǎo)意義。

1 研究回顧

1.1 人工智能輔助傳統(tǒng)美術(shù)圖案設(shè)計(jì)研究

中華傳統(tǒng)美術(shù)圖案是中華文化的重要視覺元素，蘊(yùn)含深厚的文化內(nèi)涵和地域特征。人工智能技術(shù)在傳統(tǒng)圖案研究與設(shè)計(jì)領(lǐng)域有廣泛應(yīng)用，尤其是神經(jīng)風(fēng)格遷移技術(shù)的出現(xiàn)，極大推動(dòng)了傳統(tǒng)圖案的數(shù)字化轉(zhuǎn)型與創(chuàng)新。具體來說，中華傳統(tǒng)美術(shù)圖案根植于中華文化，具有鮮明的風(fēng)格特征和豐富的情感內(nèi)涵，體現(xiàn)了公眾的審美趣味與文化自信[3-5]。在傳統(tǒng)圖案設(shè)計(jì)領(lǐng)域，人工智能技術(shù)被應(yīng)用于提高圖案提取效率與組合創(chuàng)新設(shè)計(jì)，實(shí)現(xiàn)傳統(tǒng)圖案的數(shù)字化識(shí)別、分類與創(chuàng)作[6-7]。其中，神經(jīng)風(fēng)格遷移技術(shù)因其對(duì)數(shù)據(jù)集的需求少和精度高的優(yōu)勢(shì)，被廣泛用于實(shí)現(xiàn)內(nèi)容圖像向目標(biāo)圖案風(fēng)格的轉(zhuǎn)換，輔助傳統(tǒng)圖案的延續(xù)與發(fā)展[8-9]。神經(jīng)風(fēng)格遷移技術(shù)可以提取圖案的美術(shù)風(fēng)格，并將其遷移至任意內(nèi)容圖像，實(shí)現(xiàn)內(nèi)容圖像風(fēng)格向目標(biāo)風(fēng)格的轉(zhuǎn)化，因而常被用于圖像和視頻的風(fēng)格過濾[10]。這種技術(shù)在傳統(tǒng)美術(shù)圖案領(lǐng)域的應(yīng)用，不僅可以使傳統(tǒng)圖案得以延續(xù)，也為數(shù)字藝術(shù)創(chuàng)作提供了新思路和方法。綜上所述，中華傳統(tǒng)美術(shù)圖案具有深厚的文化底蘊(yùn)，而人工智能技術(shù)的應(yīng)用，尤其是神經(jīng)風(fēng)格遷移技術(shù)的出現(xiàn)，推動(dòng)了傳統(tǒng)圖案在數(shù)字環(huán)境下的創(chuàng)新與發(fā)展。人工智能雖在理解與創(chuàng)作圖案上與人類存在差異，但其是否能生成喚起公眾情感體驗(yàn)的結(jié)果，在繼承與創(chuàng)新之間達(dá)成平衡，是該領(lǐng)域一個(gè)重要的研究課題。這不僅關(guān)系到中華傳統(tǒng)文化的當(dāng)代傳播，也關(guān)乎人工智能在文化創(chuàng)意產(chǎn)業(yè)的深度應(yīng)用。

總體而言，現(xiàn)有研究廣泛采用神經(jīng)風(fēng)格遷移技術(shù)設(shè)計(jì)模型以輔助各種傳統(tǒng)圖案的設(shè)計(jì)與應(yīng)用。但是，這些研究在評(píng)價(jià)生成結(jié)果時(shí)，通常缺乏對(duì)公眾審美認(rèn)知的考量，導(dǎo)致生成圖像“形似而神不似”的問題，不能全面喚起公眾的情感體驗(yàn)[8-10]。具體來說，研究人員常利用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)新的風(fēng)格遷移模型，或借助已有模型輔助傳統(tǒng)圖案設(shè)計(jì)。早期研究試圖對(duì)風(fēng)格獨(dú)特的藝術(shù)家作品進(jìn)行風(fēng)格提取與復(fù)現(xiàn)，后來轉(zhuǎn)向傳統(tǒng)圖案，將不同算法融合用于不同風(fēng)格設(shè)計(jì)領(lǐng)域。例如，有研究提出一種模擬葫蘆烙畫風(fēng)格的方法[11]，也有研究設(shè)計(jì)人工智能模型快速生成民族圖案框架，通過風(fēng)格遷移網(wǎng)絡(luò)抽取原有風(fēng)格特征生成新圖案[12]。然而，風(fēng)格遷移算法迭代過程中對(duì)生成結(jié)果的評(píng)價(jià)通常缺乏對(duì)公眾審美認(rèn)知的研究，使評(píng)價(jià)帶有較強(qiáng)的主觀性[8-10]。雖然部分研究開始考慮圖像情感遷移和受試者評(píng)價(jià)，但評(píng)價(jià)維度較單一，忽略受試者情感之間的復(fù)雜關(guān)系，導(dǎo)致評(píng)價(jià)結(jié)果不夠客觀[13-15]。事實(shí)上，圖案體驗(yàn)引發(fā)的情感體驗(yàn)不僅與圖片色彩和紋理有關(guān)，還與文化背景和內(nèi)容相關(guān)[16-17]。因此，僅根據(jù)圖片色彩和輪廓判斷風(fēng)格會(huì)產(chǎn)生較大偏差。綜上，風(fēng)格遷移技術(shù)在現(xiàn)有研究中對(duì)傳統(tǒng)圖案設(shè)計(jì)有重要作用，但對(duì)生成結(jié)果評(píng)價(jià)通常較為主觀和單一，未全面考慮公眾的審美認(rèn)知。隨著人工智能在傳統(tǒng)圖案設(shè)計(jì)中的應(yīng)用加深，設(shè)計(jì)實(shí)踐可能與人類日常生活脫離，人工智能生成圖案如何喚起公眾情感認(rèn)知成為一個(gè)重要問題。這不僅關(guān)系到傳統(tǒng)文化的當(dāng)代傳播，也關(guān)乎人工智能在文化創(chuàng)意產(chǎn)業(yè)的深度融合。

1.2 公眾情感認(rèn)知研究

公眾情感認(rèn)知指公眾通過感知某事物外部形象所引發(fā)的情感方面的認(rèn)知，往往能夠通過情感表達(dá)進(jìn)行推測(cè)[18-20]。在藝術(shù)領(lǐng)域，公眾的情感認(rèn)知與多種因素有關(guān)，能夠體現(xiàn)公眾對(duì)藝術(shù)品的鑒賞判斷。傳統(tǒng)美術(shù)圖案是一種被公眾普遍接受，并融入生活中的藝術(shù)作品[21]，但隨著時(shí)代的變遷，傳統(tǒng)美術(shù)圖案帶給公眾的情感認(rèn)知日漸模糊和淡薄。研究公眾對(duì)傳統(tǒng)美術(shù)圖案的情感認(rèn)知能夠廣泛促進(jìn)傳統(tǒng)藝術(shù)的傳播，并在理論層面對(duì)傳統(tǒng)美術(shù)圖案的應(yīng)用做出指導(dǎo)[22-23]。

以往對(duì)傳統(tǒng)圖案的情感認(rèn)知研究往往從設(shè)計(jì)者的角度對(duì)用戶的情感進(jìn)行解構(gòu)，提出不同的衡量指標(biāo)[24-26]。隨著公眾在互聯(lián)網(wǎng)中積累的用戶內(nèi)容信息不斷增加，公眾的情感認(rèn)知往往能夠通過豐富的在線評(píng)論體現(xiàn)，以大數(shù)據(jù)分析為主的情感分析研究方法逐漸成為情感認(rèn)知分析的主流[27]，研究者通常使用傳統(tǒng)線性模型分析公眾評(píng)論所體現(xiàn)的購買意愿、體驗(yàn)因素等[28-29]。近期，對(duì)公眾評(píng)論的研究也被應(yīng)用于傳統(tǒng)美術(shù)圖案研究領(lǐng)域，突破了以往僅從專業(yè)的設(shè)計(jì)者與藝術(shù)家的角度解讀傳統(tǒng)圖案的文化意涵和審美思想的局限性，有研究通過在線評(píng)論，分類了印花襯衫的感性意象[30]。這些研究往往使用傳統(tǒng)的數(shù)據(jù)分析和線性因果關(guān)系方法，能夠解釋單一特定認(rèn)知性因素之間的關(guān)系。然而，人們對(duì)美術(shù)圖案的情感認(rèn)知與多重因素有關(guān)[31]，藝術(shù)活動(dòng)中的公眾參與，需要考慮復(fù)合的要素影響。這些要素之間相互依賴，多元并發(fā)，若從整體視角進(jìn)行研究，可以獲得公眾對(duì)美術(shù)圖案情感認(rèn)知分析的創(chuàng)造性發(fā)現(xiàn)。

綜上所述，針對(duì)傳統(tǒng)圖案公眾情感認(rèn)知的研究多依賴UGC文本挖掘結(jié)合傳統(tǒng)線性分析，針對(duì)AIGC作品與人工作品的公眾情感認(rèn)知差異的研究并不多見。基于此，本研究旨在探究以下兩個(gè)問題：借助公眾評(píng)論，探究公眾對(duì)通過神經(jīng)風(fēng)格遷移模型轉(zhuǎn)譯后的傳統(tǒng)美術(shù)圖案的情感認(rèn)知因素；從組態(tài)思維與整體視角出發(fā)，探究人工智能轉(zhuǎn)譯后的傳統(tǒng)美術(shù)圖案的公眾情感認(rèn)知路徑。

2 實(shí)證研究

2.1 方案設(shè)計(jì)

研究選擇蔚縣剪紙為研究對(duì)象，獲取并分析了源自京東網(wǎng)的公眾評(píng)論，構(gòu)建情感認(rèn)知模型。為了明確公眾的情感認(rèn)知路徑，使用人工智能（AI）將蔚縣剪紙的風(fēng)格轉(zhuǎn)譯至老虎圖像，并設(shè)計(jì)問卷調(diào)研，使用fsQCA方法分析問卷數(shù)據(jù)，對(duì)復(fù)雜的公眾情感認(rèn)知因素進(jìn)行分析。具體來講，研究過程分為四個(gè)階段：第一階段，選擇一種有代表性的傳統(tǒng)美術(shù)圖案作為研究對(duì)象，提取以該圖案為關(guān)鍵詞的社交媒體評(píng)論，并獲取評(píng)論中的高頻詞與詞匯權(quán)重，以確認(rèn)公眾對(duì)傳統(tǒng)美術(shù)圖案潛在的認(rèn)知因素；第二階段，借助德爾菲法對(duì)公眾評(píng)論所體現(xiàn)的情感認(rèn)知因素進(jìn)行篩選與歸類，并提出研究假設(shè)；第三階段，基于前兩階段的分析結(jié)果與研究假設(shè)，設(shè)計(jì)問卷量表，確定合適的風(fēng)格遷移目標(biāo)圖像與內(nèi)容圖像，選擇合適的受試者發(fā)放問卷并回收；第四階段，驗(yàn)證問卷調(diào)查結(jié)果，并使用fsQCA方法進(jìn)行數(shù)據(jù)分析，依據(jù)分析結(jié)果提出結(jié)論和建議，研究流程見圖1。

圖1 研究方案

2.2 公眾情感認(rèn)知因素構(gòu)建研究

在研究對(duì)象的選擇上，本研究選取了在河北地區(qū)，能體現(xiàn)典型區(qū)域特征的國家級(jí)非物質(zhì)文化遺產(chǎn)蔚縣剪紙。蔚縣剪紙是傳統(tǒng)美術(shù)圖案的優(yōu)秀載體，體現(xiàn)著獨(dú)特的地方美術(shù)風(fēng)格，目前通過京東網(wǎng)平臺(tái)等渠道進(jìn)行銷售。京東網(wǎng)蔚縣剪紙?jiān)诰€評(píng)論直觀體現(xiàn)了公眾欣賞圖案不同角度，基于此，研究對(duì)相關(guān)公眾評(píng)論進(jìn)行了獲取、分析與整理，以明確公眾對(duì)傳統(tǒng)圖案的情感認(rèn)知因素。

2.2.1 數(shù)據(jù)獲取與初步清洗

為了數(shù)據(jù)達(dá)到理論上的飽和，研究選取京東購物平臺(tái)截至2023年1月18日以“蔚縣剪紙”作為關(guān)鍵詞的商品中所有商品評(píng)價(jià)文本，去除同id的重復(fù)評(píng)論和總字?jǐn)?shù)不大于2的評(píng)論，共獲得2 523條有效評(píng)論語句，對(duì)評(píng)論進(jìn)行分詞后，使用中文停用詞表進(jìn)行詞匯清洗。由于評(píng)價(jià)詞的重要性一般與其在文本中出現(xiàn)的次數(shù)成正比[32]，為了直觀展示公眾的評(píng)價(jià)，研究繪制了總體詞云圖（見圖2）與形容詞的詞云圖（見圖3）。為了展示公眾的感性評(píng)價(jià)，對(duì)清洗后數(shù)據(jù)進(jìn)行TD-IDF詞頻逆文本頻率指數(shù)分析，提取評(píng)論中的感性評(píng)價(jià)描述在所有評(píng)價(jià)中的權(quán)重（見表1），并繪制形容詞權(quán)重詞云圖（見圖4）。

2.2.2 詞匯含義分類

由于詞頻分析中獲得的形容詞較多，許多詞匯具有雙關(guān)的特性，故采用德爾菲法，通過專家研究，對(duì)蔚縣剪紙的描述進(jìn)行篩選與分類。研究邀請(qǐng)7位具有設(shè)計(jì)藝術(shù)學(xué)專業(yè)背景的專家，根據(jù)公眾情感詞匯定義評(píng)量準(zhǔn)則構(gòu)建二級(jí)評(píng)量量表，并在問卷設(shè)計(jì)時(shí)選定作品樣本，專家情況見表2。

在專家樣本的挑選標(biāo)準(zhǔn)部分，本研究認(rèn)為傳統(tǒng)美術(shù)圖案領(lǐng)域多元復(fù)雜，故納入多元專家的意見[33]，專家滿足以下三條件之一即符合本研究的納入標(biāo)準(zhǔn)：有著較高分析技術(shù)的技術(shù)政策專家，包含相關(guān)學(xué)術(shù)領(lǐng)域研究者及實(shí)踐者；在本領(lǐng)域管理方向深入的管理型政策專家，包含本領(lǐng)域相關(guān)政策執(zhí)行人員及產(chǎn)業(yè)園區(qū)運(yùn)營管理人員；對(duì)產(chǎn)業(yè)深入了解并深度實(shí)踐的企業(yè)型政策專家，包含實(shí)際操作傳統(tǒng)美術(shù)圖案設(shè)計(jì)生產(chǎn)的企業(yè)管理人員。最終參與本研究的德爾菲法專家小組共計(jì)7人。

第一輪專家意見整理中，專家們從詞頻數(shù)不低于5的170個(gè)形容詞中選擇保留與傳統(tǒng)美術(shù)圖案公眾情感認(rèn)知相關(guān)度較高的詞匯，并將其分類。根據(jù)專家意見，保留了29個(gè)有效詞匯。專家對(duì)詞匯的分類方式不盡相同，其中5位專家均提出審美特色、文化體驗(yàn)與整體感受3個(gè)類別，同時(shí)，部分專家還提出了技藝特征、色彩感受、動(dòng)態(tài)感受、圖像質(zhì)量、構(gòu)圖平衡、創(chuàng)意特色等類別。

第二輪意見整理時(shí)，將第一輪的詞匯分類情況進(jìn)行整理，并發(fā)放給各專家，明確告知專家這些詞匯被用于描述公眾的情感認(rèn)知，認(rèn)為各個(gè)詞匯具有同等地位，并就詞匯分類問題詢問其意見。此輪過后，專家們對(duì)詞匯的大體分類趨于一致。專家將動(dòng)態(tài)感受、構(gòu)圖平衡、整體感受并歸于構(gòu)圖特色；創(chuàng)意特色類別中的詞匯被拆散，分別納入文化意趣與愉悅特性中；審美體驗(yàn)、色彩感受、工藝印象3個(gè)分類被完整保留。此時(shí)共有構(gòu)圖特色、文化意趣、愉悅特性、審美體驗(yàn)、色彩感受、工藝印象這6個(gè)分類。然而，在部分詞匯的歸類方面存在分歧：4位專家認(rèn)為艷麗可用于度量圖案色彩的鮮艷程度，將其歸為色彩類；3位專家認(rèn)為在現(xiàn)代漢語辭典中，艷麗包含鮮明與美麗兩重含義，被用來形容多種意象，更偏向于表達(dá)一種鮮活的情緒沖擊，將其歸類為愉悅特性類；3位專家認(rèn)為驚艷屬于一種審美體驗(yàn)，2位專家認(rèn)為驚艷屬于帶給受眾的愉悅感受，還有2位專家認(rèn)為驚艷屬于一種獨(dú)特的文化意趣。在精美和精致兩個(gè)詞匯的分類過程中，有3位專家認(rèn)為它們都是對(duì)美感的表述：精美與丑陋互為反義，精致包含精細(xì)和美好兩層含義，因此將它們歸類為審美體驗(yàn)；有1位專家認(rèn)為精美與精致均側(cè)重于對(duì)工藝精巧程度的表述，與粗糙互為反義，將其歸類為工藝印象；有2位專家認(rèn)為精美為審美體驗(yàn)，精致為工藝印象。

圖2 總詞云圖

圖3 形容詞詞頻云

圖4 形容詞權(quán)重云

表1 部分形容詞詞頻以及權(quán)重

Tab.1 Word frequency and weight of some adjectives

表2 專家基本情況

Tab.2 Basic information of experts

第三輪時(shí)，每位專家獲取其他專家的書面意見并對(duì)各個(gè)詞匯的分類進(jìn)行再整理，三輪意見整理后專家意見趨于一致，分類見表3。

表3 衡量指標(biāo)

Tab.3 Measurement indicator

2.3 人工智能轉(zhuǎn)譯傳統(tǒng)美術(shù)圖案的公眾情感認(rèn)知路徑研究

2.3.1 問卷圖案與模型選擇

為了更好地探究人工智能轉(zhuǎn)譯后的傳統(tǒng)美術(shù)圖案（后簡稱“AI轉(zhuǎn)譯圖像”）的公眾情感認(rèn)知路徑。研究選擇了一個(gè)內(nèi)容圖案與6個(gè)風(fēng)格圖案，并借助同一種風(fēng)格遷移開源模型對(duì)6組樣本分別進(jìn)行風(fēng)格遷移處理。

在風(fēng)格遷移模型的選擇中，研究運(yùn)用焦點(diǎn)團(tuán)體法，由9位設(shè)計(jì)學(xué)專業(yè)教師對(duì)比現(xiàn)有的AdaIN、WCT、MAST、SANet等算法。實(shí)驗(yàn)中，9位教師針對(duì)4組對(duì)應(yīng)的生成作品進(jìn)行篩選，每位成員選出4組自己喜歡的作品，并闡述理由。相關(guān)教師普遍認(rèn)為，AdaIN算法模型[34]生成圖像質(zhì)量較高，匹配特征穩(wěn)定，同時(shí)其難以控制局部風(fēng)格的弊端較之其他模型中產(chǎn)生扭曲與偽影的弊端來講對(duì)本研究影響最小，最終研究選擇得到選票最多的AdaIN算法作為測(cè)試評(píng)價(jià)模型，并使用AdaIN算法的開源工具Arbitrary Style Transfer進(jìn)行風(fēng)格遷移，見圖5。

研究選擇了6張具有代表性的蔚縣剪紙作為風(fēng)格圖像。同時(shí)，為了強(qiáng)化受測(cè)對(duì)象的文化認(rèn)知，對(duì)象選擇時(shí)選擇了契合研究年份（中國虎年）的重要的文化符號(hào)老虎（東北虎照片）作為內(nèi)容圖像，進(jìn)行風(fēng)格遷移，使生成圖像的風(fēng)格與內(nèi)容共同損失率最低。內(nèi)容圖像、風(fēng)格圖像、轉(zhuǎn)譯后畫作，見表4。

2.3.2 問卷題項(xiàng)設(shè)計(jì)

運(yùn)用德爾菲法歸納出的6項(xiàng)主要因素作為潛在的條件變量，各因素的描述詞匯作為觀測(cè)變量進(jìn)行問卷設(shè)計(jì)。風(fēng)格契合度為結(jié)果變量，代表了人們對(duì)風(fēng)格的主觀感受，分別從風(fēng)格相似度感知與轉(zhuǎn)譯質(zhì)量感知兩個(gè)角度進(jìn)行觀測(cè)。在進(jìn)行驗(yàn)證性因子分析后，刪除部分不合理的測(cè)量題項(xiàng)，最終保留用于數(shù)據(jù)分析的題項(xiàng)，見表5。

圖5 研究基于AdaIN的風(fēng)格遷移網(wǎng)絡(luò)示意

表4 風(fēng)格圖片與遷移結(jié)果

Tab.4 Style images and transfer results

2.3.3 樣本選擇

由于風(fēng)格認(rèn)知是專業(yè)性較強(qiáng)的研究內(nèi)容，為避免普通消費(fèi)者對(duì)風(fēng)格理解的不確定或差異過大問題，本次實(shí)驗(yàn)調(diào)研對(duì)象需要對(duì)蔚縣剪紙有著預(yù)先認(rèn)知，同時(shí)對(duì)風(fēng)格的理解有著較強(qiáng)的專業(yè)性[35]。藝術(shù)類專業(yè)學(xué)生是藝術(shù)與技術(shù)融合的驅(qū)動(dòng)人群，具有代表性意義，最終研究擬定的測(cè)試人群是選修過剪紙藝術(shù)課程，并對(duì)蔚縣剪紙有著基礎(chǔ)認(rèn)知的藝術(shù)類在校大學(xué)生。本次數(shù)據(jù)收集中獲得問卷355份，其中，去除所有題目選擇選項(xiàng)類別不超過2個(gè)、作答時(shí)長不足100 s的問卷后，共獲得有效問卷共190份。

3 數(shù)據(jù)研究

3.1 問卷的信度效度分析

對(duì)190份有效問卷進(jìn)行統(tǒng)計(jì)檢驗(yàn)，并進(jìn)行信效度分析后，可以看出整體量表的系數(shù)為0.971，各分析向度量表的總系數(shù)均高于0.8，證明問卷信度好。問卷題項(xiàng)KMO值為0.953，小于0.005，各個(gè)題項(xiàng)關(guān)聯(lián)度較好，適合做因子分析，結(jié)果見表6。各因子載荷系數(shù)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。根據(jù)本研究假設(shè)與QCA方法的特性，承認(rèn)變量間的相關(guān)性[36]。綜上所述，上述研究題項(xiàng)設(shè)置滿足效度要求。

表5 問卷設(shè)計(jì)

Tab.5 Questionnaire design

表6 量表信效度分析

Tab.6 Reliability and validity analysis of the scale

3.2 模糊集定性比較分析

fsQCA能夠從整體和系統(tǒng)的角度考察導(dǎo)致結(jié)果產(chǎn)生的條件組態(tài)，著重識(shí)別和測(cè)量前因條件所構(gòu)成的組態(tài)路徑，可以有效解決傳統(tǒng)定量研究中的共線性問題[37-38]。因此，根據(jù)研究假設(shè)，研究采用fsQCA方法對(duì)AI轉(zhuǎn)譯傳統(tǒng)美術(shù)圖案的公眾情感認(rèn)知進(jìn)行解構(gòu)。

本研究的問卷采用7級(jí)李克特量表，本文選取選項(xiàng)中的最大值7、中間值4、最小值1作為完全隸屬點(diǎn)、交叉點(diǎn)以及非完全隸屬點(diǎn)的校準(zhǔn)值[39]。

PRI一致性（PRI consistency）是fsQCA中重要的指標(biāo)，當(dāng)原始一致性與PRI一致性相近的時(shí)候能夠認(rèn)為解是有效的。實(shí)驗(yàn)過程中需要篩選出原始一致性高的解，并人工設(shè)定PRI一致性閾值。本文將一致性閾值設(shè)置為0.8，頻數(shù)閾值設(shè)定為1，將PRI一致性閾值設(shè)置為0.8[40]。

3.2.1 必要性分析

研究對(duì)6種因素進(jìn)行了必要性分析（見表7），當(dāng)契合認(rèn)知產(chǎn)生時(shí)，6個(gè)變量的一致性與覆蓋度均高于0.8，除愉悅變量外，其余變量的一致性均低于0.9，無法構(gòu)成充分必要條件。當(dāng)契合認(rèn)知不產(chǎn)生時(shí)，各個(gè)條件的一致性均低于0.9，無法構(gòu)成充分必要條件。

由此可以看出，多因素導(dǎo)致契合認(rèn)知是多重并發(fā)復(fù)雜因果，研究假設(shè)成立，需要對(duì)該復(fù)雜因果進(jìn)行進(jìn)一步的條件組態(tài)分析。

表7 受試者產(chǎn)生契合度認(rèn)知的必要性分析

Tab.7 Necessary conditions analysis of congruence cognition in participants

注：“～”表示“非”，“～某條件”既某條件不存在。

3.2.2 條件組態(tài)分析

通過fsQCA對(duì)觀眾對(duì)人工智能藝術(shù)的關(guān)注因素?cái)?shù)據(jù)進(jìn)行分析，通過分析，6個(gè)條件變量較好地完成了組態(tài)構(gòu)型。當(dāng)結(jié)果被接受時(shí)，共產(chǎn)生9條組態(tài)路徑?？傮w一致性達(dá)到0.916，能夠覆蓋77.1%的結(jié)果，見表8。當(dāng)結(jié)果被拒絕時(shí)，有且僅有一條所有的條件均缺失的組態(tài)路徑，覆蓋度為64.5%，一致性達(dá)到0.948，美感、色彩、愉悅、文化均不契合構(gòu)成這條組態(tài)的核心條件。據(jù)此，假設(shè)1、2均成立。

表8 契合認(rèn)知產(chǎn)生時(shí)受試者的認(rèn)知路徑分析

Tab.8 Cognitive path analysis of congruence cognition in participants

注：●表示核心條件，●表示邊緣條件，×表示條件不出現(xiàn)，空白表示條件既可以出現(xiàn)，也可以不出現(xiàn)。

針對(duì)結(jié)果被接受時(shí)的條件組態(tài)分布進(jìn)行分析，結(jié)合簡單解與中間解的對(duì)比結(jié)果，可以發(fā)現(xiàn)，在受試者認(rèn)為契合的這9種組態(tài)構(gòu)型中，所有組態(tài)的一致性均高于0.9，且均具備一定的獨(dú)立覆蓋度。

3.2.2.1 多種條件契合型

組態(tài)2、3、4、5、6的原始覆蓋度達(dá)到0.7以上，且這五條組態(tài)不存在核心或邊緣條件缺失，均為兩個(gè)核心條件與兩個(gè)邊緣條件契合。在這五條組態(tài)中，愉悅契合的條件出現(xiàn)在其中四條組態(tài)中，并全部構(gòu)成核心條件；構(gòu)圖契合出現(xiàn)在其中三條組態(tài)中且均構(gòu)成核心條件；同時(shí)，色彩契合的因素在五條組態(tài)路徑中均有體現(xiàn)，但全部為邊緣條件；在這五條組態(tài)中，核心條件為工藝契合，且構(gòu)圖契合的組態(tài)有著最高的獨(dú)立覆蓋度。

由此可以發(fā)現(xiàn)，在公眾的認(rèn)知中，愉悅、構(gòu)圖的契合往往決定著風(fēng)格的契合。色彩因素雖然處于邊緣地位，但卻是每種構(gòu)型中不可缺失的部分。這證明公眾在認(rèn)為人工智能生成圖像與原風(fēng)格圖像色彩相似的基礎(chǔ)上，更加關(guān)注愉悅、整體構(gòu)圖這類能夠體現(xiàn)圖案設(shè)計(jì)感的部分。同時(shí)，工藝契合且構(gòu)圖契合作為核心條件的組態(tài)代表了部分公眾對(duì)風(fēng)格的感知偏向于對(duì)圖案紋理的感知。

3.2.2.2 部分條件缺失型

組態(tài)7、8中，色彩因素構(gòu)成邊緣條件缺失，兩條組態(tài)的原始覆蓋度均達(dá)到0.3；組態(tài)1、7中，美感為邊緣條件缺失，組態(tài)1的原始覆蓋度僅有0.041，但獨(dú)立覆蓋度最高，為0.011；組態(tài)9中，工藝因素構(gòu)成邊緣條件缺失；組態(tài)7中文化契合構(gòu)成核心條件缺失、組態(tài)8中文化因素構(gòu)成邊緣條件缺失。

過往風(fēng)格遷移研究對(duì)色彩的探討常處于首要地位。但在所有組態(tài)中，色彩均不構(gòu)成核心條件，且色彩作為邊緣條件缺失出現(xiàn)在組態(tài)7與組態(tài)8中。在色彩缺失或不重要的組態(tài)中，工藝與構(gòu)圖均契合、工藝與愉悅均契合以及愉悅與構(gòu)圖均契合構(gòu)成核心條件。能夠看出，傳統(tǒng)美術(shù)圖案的工藝特色對(duì)公眾辨認(rèn)其風(fēng)格的有著重要影響，蔚縣剪紙的圖案體現(xiàn)了其工藝特色，在色彩不契合的情況下，工藝以及與圖案設(shè)計(jì)感相關(guān)因素的重要性逐漸凸顯出來。

在色彩缺失的組態(tài)7和組態(tài)8中，文化契合均為條件缺失，同時(shí)，在組態(tài)7中文化為核心條件缺失。由于文化契合與色彩契合對(duì)風(fēng)格契合的結(jié)果一般產(chǎn)生正向影響，由此可見，在部分樣本中，文化契合缺失與色彩契合缺失為風(fēng)格契合結(jié)果帶來的負(fù)面影響或能相互抵消，并凸顯出工藝與構(gòu)圖等因素的重要性。同時(shí)，這兩條組態(tài)也證明了風(fēng)格能夠被遷移至文化背景不同的內(nèi)容圖片中，并被公眾所認(rèn)知。

組態(tài)1、9中美感契合與工藝契合分別構(gòu)成條件缺失，此時(shí)愉悅因素與構(gòu)圖因素均契合。愉悅與構(gòu)圖因素在超過6個(gè)組態(tài)中構(gòu)成核心條件，且不存在條件缺失，證明這兩種因素能夠在美感或工藝不契合的情況下發(fā)揮重要作用，對(duì)公眾契合度認(rèn)知產(chǎn)生決定性的影響。

3.4 穩(wěn)健性檢驗(yàn)

對(duì)研究結(jié)果的穩(wěn)健性檢驗(yàn)，通過將一致性閾值設(shè)定水平由0.8提升至0.85、0.9[38]。研究發(fā)現(xiàn)，一致性閾值的改變，并未導(dǎo)致中間解和簡單解的結(jié)果出現(xiàn)明顯變化，而解的一致性和覆蓋率也無明顯變動(dòng)，證明研究結(jié)果具有穩(wěn)健性。

4 結(jié)語

通過對(duì)人工智能轉(zhuǎn)譯后蔚縣剪紙圖樣的組態(tài)效應(yīng)分析，研究發(fā)現(xiàn)，圖案的整體氛圍是公眾關(guān)注的焦點(diǎn)，在公眾情感認(rèn)知過程中起到重要影響。首先，構(gòu)圖與愉悅兩個(gè)因子在多條組態(tài)中起到核心的影響。構(gòu)圖因素描述了圖案的整體設(shè)計(jì)，愉悅感是人情感認(rèn)知中深層次的內(nèi)容，具備愉悅感的圖案具有吸引力與樂趣，體現(xiàn)圖案中包含的情緒與圖案對(duì)公眾的吸引力。這說明以往研究對(duì)圖案整體設(shè)計(jì)的重視是有意義的，人工智能生成藝術(shù)能否體現(xiàn)出與觀眾認(rèn)知相契合的整體設(shè)計(jì)與愉悅感，在公眾對(duì)圖像整體風(fēng)格的契合度認(rèn)知中有著重要的影響。同時(shí)，區(qū)別于早期研究中認(rèn)為色彩是風(fēng)格最鮮明的識(shí)別符號(hào)，研究結(jié)果表明色彩契合的缺失會(huì)凸顯工藝等紋理屬性在公眾風(fēng)格契合認(rèn)知中的地位，當(dāng)色彩契合無法被滿足時(shí)，工藝、構(gòu)圖因素的契合會(huì)作為核心條件出現(xiàn)，占據(jù)大眾風(fēng)格情感認(rèn)知的主要地位。這證明傳統(tǒng)美術(shù)圖案的工藝特性深深融入其風(fēng)格之中，并在多種情況下喚起公眾的情感認(rèn)知。

本研究初期選取的研究范圍僅包含以蔚縣剪紙為例的中國傳統(tǒng)圖樣，未探討其余的圖案風(fēng)格，后續(xù)可以借助不同風(fēng)格的圖案對(duì)公眾的情感認(rèn)知進(jìn)行研究，以期得到更具普遍性的結(jié)果。同時(shí)，本研究使用fsQCA對(duì)條件變量與結(jié)果變量之間的因果關(guān)系進(jìn)行分析，得到的結(jié)論較為宏觀，各個(gè)變量之間的深層關(guān)系有著進(jìn)一步挖掘的價(jià)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. 古韻新歌——中國傳統(tǒng)圖案在當(dāng)代服裝設(shè)計(jì)中的植入路徑[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. 現(xiàn)代標(biāo)志設(shè)計(jì)中傳統(tǒng)圖案的設(shè)計(jì)文化研究[J]. 包裝工程, 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] 劉芹. 論傳統(tǒng)圖案在現(xiàn)代藝術(shù)設(shè)計(jì)中的作用[J]. 美術(shù)大觀, 2018(11): 112-113. LIU Qin. On the Function of Traditional Patterns in Mo-dern 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] 吳航, 徐丹. 葫蘆烙畫的藝術(shù)風(fēng)格遷移與模擬[J]. 中國科技論文, 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, 呂健, 劉翔, 等. 基于神經(jīng)風(fēng)格遷移網(wǎng)絡(luò)的民族圖案創(chuàng)新方法[J]. 圖學(xué)學(xué)報(bào), 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] 李潔, 郭士杰. 人形機(jī)器人造型意象與用戶情感認(rèn)知研究[J]. 機(jī)械設(shè)計(jì), 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. 試論彼得·基維的情感認(rèn)知論[J]. 河南師范大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)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] 樊岳紅. 人工智能情感認(rèn)知推理的計(jì)算模型分析[J]. 上海師范大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)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] 陳憶澄. 中國藝術(shù)傳播理論的當(dāng)代生成研究[J]. 藝術(shù)傳播研究, 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, 張向先, 郭順利. 移動(dòng)商務(wù)環(huán)境下O2O用戶在線評(píng)論有用性影響因素研究[J]. 情報(bào)科學(xué), 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, 王興芬, 莊文英. 在線評(píng)價(jià)對(duì)消費(fèi)者購買意愿影響理論模型與實(shí)證研究[J]. 中國流通經(jīng)濟(jì), 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] 陳郁璐, 雷青. 基于在線評(píng)論的考古盲盒用戶體驗(yàn)影響因素研究[J]. 包裝工程, 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] 李國華, 劉文金, 沈華杰, 等. 基于感性意象量化試驗(yàn)的蒙古族家具裝飾知識(shí)獲取與重用實(shí)踐[J]. 林產(chǎn)工業(yè), 2023, 60(3): 66-72. LI Guo-hua, LIU Wen-jin, SHEN Hua-jie, et al. Knowl-edge 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] 鄭畑子, 王建萍. 服裝印花圖案設(shè)計(jì)的感性研究[J]. 紡織學(xué)報(bào), 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, 全華鳳, 胡建軍, 等. 基于在線評(píng)論數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)品感性評(píng)價(jià)方法[J]. 計(jì)算機(jī)集成制造系統(tǒng), 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, DOU?AK 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] 李作學(xué), 馬婧婧. 科技人才激勵(lì)因素的組態(tài)路徑研究——一項(xiàng)QCA分析[J]. 科技進(jìn)步與對(duì)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年河北省社會(huì)科學(xué)基金項(xiàng)目（HB20YS016）

于雷（1982—），男，碩士，副研究員，主要研究方向?yàn)槿斯ぶ悄芘c情感化設(shè)計(jì)。

馮鑫（1986—），男，博士，副教授，主要研究方向?yàn)閺?fù)雜知識(shí)網(wǎng)絡(luò)、文藝量化傳播、計(jì)算社會(huì)科學(xué)。

責(zé)任編輯：陳作