人工智能轉譯傳統美術圖案的公眾情感認知解構

于雷，馮鑫，彭文博，陳國強

人工智能轉譯傳統美術圖案的公眾情感認知解構

于雷1，馮鑫2，彭文博1，陳國強1

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

人工智能的發展逐漸滲透到人文藝術領域，其中智能輔助藝術創作引領了學科領域發展新趨勢，人工智能（AI）與傳統美術圖案的結合為傳統美術的創新與傳承帶來了新的活力。研究對公眾如何認知經由人工智能轉譯后的傳統美術圖案及影響此類認知的主要因素。研究運用人工智能圖像轉譯技術，將6幅中國傳統藝術圖案進行風格遷移和重構，并以網上問卷調查的方式，收集355名受試者對原圖案和轉譯圖案的情感評價與審美理解，進而對公眾的認知結構進行解構與分析。討論000 研究發現，公眾對經由人工智能轉譯后的傳統美術圖案的風格契合度的情感認知路徑是多元復雜的，其涉及美感、色彩、愉悅、工藝、構圖等多重元素的因素組合。公眾對人工智能轉移后的美術圖案的情感認知，除了現有研究所側重的色彩與紋理等因素，生成圖案的整體感以及其展現的情緒色彩也能夠對公眾契合度認知產生核心影響。

人工智能；傳統美術圖案；神經網絡；情感認知；情感設計

隨著時代演進，以大數據、算力和算法為核心的人工智能技術取得了突破性進展，與此同時也催生了一種新藝術形式——人工智能藝術。該藝術形式以特定算法為核心，對人類藝術語言符號進行轉譯，從而實現了類藝術家創作，這已經成為人文藝術領域學科發展的新趨勢[1-2]。盡管這一過程充滿爭議，但科技對藝術的拓展啟發和應用價值更值得深思和探討。人工智能藝術在推動藝術創新變革的同時，也引領了新的審美體驗和文化價值。故應該充分認識和重視人工智能在藝術領域的應用，不斷探索和創新，為推動人類文明進步作出更大貢獻。因此本文運用人工智能對中華傳統美術圖案進行轉譯，并度量和解構公眾對此類創作的情感認知，這對中華傳統美術圖案在全媒體時代的智能創新和全球傳播有重要指導意義。

1 研究回顧

1.1 人工智能輔助傳統美術圖案設計研究

中華傳統美術圖案是中華文化的重要視覺元素，蘊含深厚的文化內涵和地域特征。人工智能技術在傳統圖案研究與設計領域有廣泛應用，尤其是神經風格遷移技術的出現，極大推動了傳統圖案的數字化轉型與創新。具體來說，中華傳統美術圖案根植于中華文化，具有鮮明的風格特征和豐富的情感內涵，體現了公眾的審美趣味與文化自信[3-5]。在傳統圖案設計領域，人工智能技術被應用于提高圖案提取效率與組合創新設計，實現傳統圖案的數字化識別、分類與創作[6-7]。其中，神經風格遷移技術因其對數據集的需求少和精度高的優勢，被廣泛用于實現內容圖像向目標圖案風格的轉換，輔助傳統圖案的延續與發展[8-9]。神經風格遷移技術可以提取圖案的美術風格，并將其遷移至任意內容圖像，實現內容圖像風格向目標風格的轉化，因而常被用于圖像和視頻的風格過濾[10]。這種技術在傳統美術圖案領域的應用，不僅可以使傳統圖案得以延續，也為數字藝術創作提供了新思路和方法。綜上所述，中華傳統美術圖案具有深厚的文化底蘊，而人工智能技術的應用，尤其是神經風格遷移技術的出現，推動了傳統圖案在數字環境下的創新與發展。人工智能雖在理解與創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的結果，在繼承與創新之間達成平衡，是該領域一個重要的研究課題。這不僅關系到中華傳統文化的當代傳播，也關乎人工智能在文化創意產業的深度應用。

總體而言，現有研究廣泛采用神經風格遷移技術設計模型以輔助各種傳統圖案的設計與應用。但是，這些研究在評價生成結果時，通常缺乏對公眾審美認知的考量，導致生成圖像“形似而神不似”的問題，不能全面喚起公眾的情感體驗[8-10]。具體來說，研究人員常利用神經網絡設計新的風格遷移模型，或借助已有模型輔助傳統圖案設計。早期研究試圖對風格獨特的藝術家作品進行風格提取與復現，后來轉向傳統圖案，將不同算法融合用于不同風格設計領域。例如，有研究提出一種模擬葫蘆烙畫風格的方法[11]，也有研究設計人工智能模型快速生成民族圖案框架，通過風格遷移網絡抽取原有風格特征生成新圖案[12]。然而，風格遷移算法迭代過程中對生成結果的評價通常缺乏對公眾審美認知的研究，使評價帶有較強的主觀性[8-10]。雖然部分研究開始考慮圖像情感遷移和受試者評價，但評價維度較單一，忽略受試者情感之間的復雜關系，導致評價結果不夠客觀[13-15]。事實上，圖案體驗引發的情感體驗不僅與圖片色彩和紋理有關，還與文化背景和內容相關[16-17]。因此，僅根據圖片色彩和輪廓判斷風格會產生較大偏差。綜上，風格遷移技術在現有研究中對傳統圖案設計有重要作用，但對生成結果評價通常較為主觀和單一，未全面考慮公眾的審美認知。隨著人工智能在傳統圖案設計中的應用加深，設計實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知成為一個重要問題。這不僅關系到傳統文化的當代傳播，也關乎人工智能在文化創意產業的深度融合。

1.2 公眾情感認知研究

公眾情感認知指公眾通過感知某事物外部形象所引發的情感方面的認知，往往能夠通過情感表達進行推測[18-20]。在藝術領域，公眾的情感認知與多種因素有關，能夠體現公眾對藝術品的鑒賞判斷。傳統美術圖案是一種被公眾普遍接受，并融入生活中的藝術作品[21]，但隨著時代的變遷，傳統美術圖案帶給公眾的情感認知日漸模糊和淡薄。研究公眾對傳統美術圖案的情感認知能夠廣泛促進傳統藝術的傳播，并在理論層面對傳統美術圖案的應用做出指導[22-23]。

以往對傳統圖案的情感認知研究往往從設計者的角度對用戶的情感進行解構，提出不同的衡量指標[24-26]。隨著公眾在互聯網中積累的用戶內容信息不斷增加，公眾的情感認知往往能夠通過豐富的在線評論體現，以大數據分析為主的情感分析研究方法逐漸成為情感認知分析的主流[27]，研究者通常使用傳統線性模型分析公眾評論所體現的購買意愿、體驗因素等[28-29]。近期，對公眾評論的研究也被應用于傳統美術圖案研究領域，突破了以往僅從專業的設計者與藝術家的角度解讀傳統圖案的文化意涵和審美思想的局限性，有研究通過在線評論，分類了印花襯衫的感性意象[30]。這些研究往往使用傳統的數據分析和線性因果關系方法，能夠解釋單一特定認知性因素之間的關系。然而，人們對美術圖案的情感認知與多重因素有關[31]，藝術活動中的公眾參與，需要考慮復合的要素影響。這些要素之間相互依賴，多元并發，若從整體視角進行研究，可以獲得公眾對美術圖案情感認知分析的創造性發現。

綜上所述，針對傳統圖案公眾情感認知的研究多依賴UGC文本挖掘結合傳統線性分析，針對AIGC作品與人工作品的公眾情感認知差異的研究并不多見?；诖?，本研究旨在探究以下兩個問題：借助公眾評論，探究公眾對通過神經風格遷移模型轉譯后的傳統美術圖案的情感認知因素；從組態思維與整體視角出發，探究人工智能轉譯后的傳統美術圖案的公眾情感認知路徑。

2 實證研究

2.1 方案設計

研究選擇蔚縣剪紙為研究對象，獲取并分析了源自京東網的公眾評論，構建情感認知模型。為了明確公眾的情感認知路徑，使用人工智能（AI）將蔚縣剪紙的風格轉譯至老虎圖像，并設計問卷調研，使用fsQCA方法分析問卷數據，對復雜的公眾情感認知因素進行分析。具體來講，研究過程分為四個階段：第一階段，選擇一種有代表性的傳統美術圖案作為研究對象，提取以該圖案為關鍵詞的社交媒體評論，并獲取評論中的高頻詞與詞匯權重，以確認公眾對傳統美術圖案潛在的認知因素；第二階段，借助德爾菲法對公眾評論所體現的情感認知因素進行篩選與歸類，并提出研究假設；第三階段，基于前兩階段的分析結果與研究假設，設計問卷量表，確定合適的風格遷移目標圖像與內容圖像，選擇合適的受試者發放問卷并回收；第四階段，驗證問卷調查結果，并使用fsQCA方法進行數據分析，依據分析結果提出結論和建議，研究流程見圖1。

圖1 研究方案

2.2 公眾情感認知因素構建研究

在研究對象的選擇上，本研究選取了在河北地區，能體現典型區域特征的國家級非物質文化遺產蔚縣剪紙。蔚縣剪紙是傳統美術圖案的優秀載體，體現著獨特的地方美術風格，目前通過京東網平臺等渠道進行銷售。京東網蔚縣剪紙在線評論直觀體現了公眾欣賞圖案不同角度，基于此，研究對相關公眾評論進行了獲取、分析與整理，以明確公眾對傳統圖案的情感認知因素。

2.2.1 數據獲取與初步清洗

為了數據達到理論上的飽和，研究選取京東購物平臺截至2023年1月18日以“蔚縣剪紙”作為關鍵詞的商品中所有商品評價文本，去除同id的重復評論和總字數不大于2的評論，共獲得2 523條有效評論語句，對評論進行分詞后，使用中文停用詞表進行詞匯清洗。由于評價詞的重要性一般與其在文本中出現的次數成正比[32]，為了直觀展示公眾的評價，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價，對清洗后數據進行TD-IDF詞頻逆文本頻率指數分析，提取評論中的感性評價描述在所有評價中的權重（見表1），并繪制形容詞權重詞云圖（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，許多詞匯具有雙關的特性，故采用德爾菲法，通過專家研究，對蔚縣剪紙的描述進行篩選與分類。研究邀請7位具有設計藝術學專業背景的專家，根據公眾情感詞匯定義評量準則構建二級評量量表，并在問卷設計時選定作品樣本，專家情況見表2。

在專家樣本的挑選標準部分，本研究認為傳統美術圖案領域多元復雜，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準：有著較高分析技術的技術政策專家，包含相關學術領域研究者及實踐者；在本領域管理方向深入的管理型政策專家，包含本領域相關政策執行人員及產業園區運營管理人員；對產業深入了解并深度實踐的企業型政策專家，包含實際操作傳統美術圖案設計生產的企業管理人員。最終參與本研究的德爾菲法專家小組共計7人。

第一輪專家意見整理中，專家們從詞頻數不低于5的170個形容詞中選擇保留與傳統美術圖案公眾情感認知相關度較高的詞匯，并將其分類。根據專家意見，保留了29個有效詞匯。專家對詞匯的分類方式不盡相同，其中5位專家均提出審美特色、文化體驗與整體感受3個類別，同時，部分專家還提出了技藝特征、色彩感受、動態感受、圖像質量、構圖平衡、創意特色等類別。

第二輪意見整理時，將第一輪的詞匯分類情況進行整理，并發放給各專家，明確告知專家這些詞匯被用于描述公眾的情感認知，認為各個詞匯具有同等地位，并就詞匯分類問題詢問其意見。此輪過后，專家們對詞匯的大體分類趨于一致。專家將動態感受、構圖平衡、整體感受并歸于構圖特色；創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、色彩感受、工藝印象3個分類被完整保留。此時共有構圖特色、文化意趣、愉悅特性、審美體驗、色彩感受、工藝印象這6個分類。然而，在部分詞匯的歸類方面存在分歧：4位專家認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位專家認為在現代漢語辭典中，艷麗包含鮮明與美麗兩重含義，被用來形容多種意象，更偏向于表達一種鮮活的情緒沖擊，將其歸類為愉悅特性類；3位專家認為驚艷屬于一種審美體驗，2位專家認為驚艷屬于帶給受眾的愉悅感受，還有2位專家認為驚艷屬于一種獨特的文化意趣。在精美和精致兩個詞匯的分類過程中，有3位專家認為它們都是對美感的表述：精美與丑陋互為反義，精致包含精細和美好兩層含義，因此將它們歸類為審美體驗；有1位專家認為精美與精致均側重于對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位專家認為精美為審美體驗，精致為工藝印象。

圖2 總詞云圖

圖3 形容詞詞頻云

圖4 形容詞權重云

表1 部分形容詞詞頻以及權重

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，每位專家獲取其他專家的書面意見并對各個詞匯的分類進行再整理，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

Tab.3 Measurement indicator

2.3 人工智能轉譯傳統美術圖案的公眾情感認知路徑研究

2.3.1 問卷圖案與模型選擇

為了更好地探究人工智能轉譯后的傳統美術圖案（后簡稱“AI轉譯圖像”）的公眾情感認知路徑。研究選擇了一個內容圖案與6個風格圖案，并借助同一種風格遷移開源模型對6組樣本分別進行風格遷移處理。

在風格遷移模型的選擇中，研究運用焦點團體法，由9位設計學專業教師對比現有的AdaIN、WCT、MAST、SANet等算法。實驗中，9位教師針對4組對應的生成作品進行篩選，每位成員選出4組自己喜歡的作品，并闡述理由。相關教師普遍認為，AdaIN算法模型[34]生成圖像質量較高，匹配特征穩定，同時其難以控制局部風格的弊端較之其他模型中產生扭曲與偽影的弊端來講對本研究影響最小，最終研究選擇得到選票最多的AdaIN算法作為測試評價模型，并使用AdaIN算法的開源工具Arbitrary Style Transfer進行風格遷移，見圖5。

研究選擇了6張具有代表性的蔚縣剪紙作為風格圖像。同時，為了強化受測對象的文化認知，對象選擇時選擇了契合研究年份（中國虎年）的重要的文化符號老虎（東北虎照片）作為內容圖像，進行風格遷移，使生成圖像的風格與內容共同損失率最低。內容圖像、風格圖像、轉譯后畫作，見表4。

2.3.2 問卷題項設計

運用德爾菲法歸納出的6項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變量進行問卷設計。風格契合度為結果變量，代表了人們對風格的主觀感受，分別從風格相似度感知與轉譯質量感知兩個角度進行觀測。在進行驗證性因子分析后，刪除部分不合理的測量題項，最終保留用于數據分析的題項，見表5。

圖5 研究基于AdaIN的風格遷移網絡示意

表4 風格圖片與遷移結果

Tab.4 Style images and transfer results

2.3.3 樣本選擇

由于風格認知是專業性較強的研究內容，為避免普通消費者對風格理解的不確定或差異過大問題，本次實驗調研對象需要對蔚縣剪紙有著預先認知，同時對風格的理解有著較強的專業性[35]。藝術類專業學生是藝術與技術融合的驅動人群，具有代表性意義，最終研究擬定的測試人群是選修過剪紙藝術課程，并對蔚縣剪紙有著基礎認知的藝術類在校大學生。本次數據收集中獲得問卷355份，其中，去除所有題目選擇選項類別不超過2個、作答時長不足100 s的問卷后，共獲得有效問卷共190份。

3 數據研究

3.1 問卷的信度效度分析

對190份有效問卷進行統計檢驗，并進行信效度分析后，可以看出整體量表的系數為0.971，各分析向度量表的總系數均高于0.8，證明問卷信度好。問卷題項KMO值為0.953，小于0.005，各個題項關聯度較好，適合做因子分析，結果見表6。各因子載荷系數均高于0.8，AVE值不低于0.65，CR值不低于0.7，聚合效度良好。根據本研究假設與QCA方法的特性，承認變量間的相關性[36]。綜上所述，上述研究題項設置滿足效度要求。

表5 問卷設計

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能夠從整體和系統的角度考察導致結果產生的條件組態，著重識別和測量前因條件所構成的組態路徑，可以有效解決傳統定量研究中的共線性問題[37-38]。因此，根據研究假設，研究采用fsQCA方法對AI轉譯傳統美術圖案的公眾情感認知進行解構。

本研究的問卷采用7級李克特量表，本文選取選項中的最大值7、中間值4、最小值1作為完全隸屬點、交叉點以及非完全隸屬點的校準值[39]。

PRI一致性（PRI consistency）是fsQCA中重要的指標，當原始一致性與PRI一致性相近的時候能夠認為解是有效的。實驗過程中需要篩選出原始一致性高的解，并人工設定PRI一致性閾值。本文將一致性閾值設置為0.8，頻數閾值設定為1，將PRI一致性閾值設置為0.8[40]。

3.2.1 必要性分析

研究對6種因素進行了必要性分析（見表7），當契合認知產生時，6個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，無法構成充分必要條件。當契合認知不產生時，各個條件的一致性均低于0.9，無法構成充分必要條件。

由此可以看出，多因素導致契合認知是多重并發復雜因果，研究假設成立，需要對該復雜因果進行進一步的條件組態分析。

表7 受試者產生契合度認知的必要性分析

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 條件組態分析

通過fsQCA對觀眾對人工智能藝術的關注因素數據進行分析，通過分析，6個條件變量較好地完成了組態構型。當結果被接受時，共產生9條組態路徑?？傮w一致性達到0.916，能夠覆蓋77.1%的結果，見表8。當結果被拒絕時，有且僅有一條所有的條件均缺失的組態路徑，覆蓋度為64.5%，一致性達到0.948，美感、色彩、愉悅、文化均不契合構成這條組態的核心條件。據此，假設1、2均成立。

表8 契合認知產生時受試者的認知路徑分析

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，空白表示條件既可以出現，也可以不出現。

針對結果被接受時的條件組態分布進行分析，結合簡單解與中間解的對比結果，可以發現，在受試者認為契合的這9種組態構型中，所有組態的一致性均高于0.9，且均具備一定的獨立覆蓋度。

3.2.2.1 多種條件契合型

組態2、3、4、5、6的原始覆蓋度達到0.7以上，且這五條組態不存在核心或邊緣條件缺失，均為兩個核心條件與兩個邊緣條件契合。在這五條組態中，愉悅契合的條件出現在其中四條組態中，并全部構成核心條件；構圖契合出現在其中三條組態中且均構成核心條件；同時，色彩契合的因素在五條組態路徑中均有體現，但全部為邊緣條件；在這五條組態中，核心條件為工藝契合，且構圖契合的組態有著最高的獨立覆蓋度。

由此可以發現，在公眾的認知中，愉悅、構圖的契合往往決定著風格的契合。色彩因素雖然處于邊緣地位，但卻是每種構型中不可缺失的部分。這證明公眾在認為人工智能生成圖像與原風格圖像色彩相似的基礎上，更加關注愉悅、整體構圖這類能夠體現圖案設計感的部分。同時，工藝契合且構圖契合作為核心條件的組態代表了部分公眾對風格的感知偏向于對圖案紋理的感知。

3.2.2.2 部分條件缺失型

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

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

在色彩缺失的組態7和組態8中，文化契合均為條件缺失，同時，在組態7中文化為核心條件缺失。由于文化契合與色彩契合對風格契合的結果一般產生正向影響，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格契合結果帶來的負面影響或能相互抵消，并凸顯出工藝與構圖等因素的重要性。同時，這兩條組態也證明了風格能夠被遷移至文化背景不同的內容圖片中，并被公眾所認知。

組態1、9中美感契合與工藝契合分別構成條件缺失，此時愉悅因素與構圖因素均契合。愉悅與構圖因素在超過6個組態中構成核心條件，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揮重要作用，對公眾契合度認知產生決定性的影響。

3.4 穩健性檢驗

對研究結果的穩健性檢驗，通過將一致性閾值設定水平由0.8提升至0.85、0.9[38]。研究發現，一致性閾值的改變，并未導致中間解和簡單解的結果出現明顯變化，而解的一致性和覆蓋率也無明顯變動，證明研究結果具有穩健性。

4 結語

通過對人工智能轉譯后蔚縣剪紙圖樣的組態效應分析，研究發現，圖案的整體氛圍是公眾關注的焦點，在公眾情感認知過程中起到重要影響。首先，構圖與愉悅兩個因子在多條組態中起到核心的影響。構圖因素描述了圖案的整體設計，愉悅感是人情感認知中深層次的內容，具備愉悅感的圖案具有吸引力與樂趣，體現圖案中包含的情緒與圖案對公眾的吸引力。這說明以往研究對圖案整體設計的重視是有意義的，人工智能生成藝術能否體現出與觀眾認知相契合的整體設計與愉悅感，在公眾對圖像整體風格的契合度認知中有著重要的影響。同時，區別于早期研究中認為色彩是風格最鮮明的識別符號，研究結果表明色彩契合的缺失會凸顯工藝等紋理屬性在公眾風格契合認知中的地位，當色彩契合無法被滿足時，工藝、構圖因素的契合會作為核心條件出現，占據大眾風格情感認知的主要地位。這證明傳統美術圖案的工藝特性深深融入其風格之中，并在多種情況下喚起公眾的情感認知。

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圖樣，未探討其余的圖案風格，后續可以借助不同風格的圖案對公眾的情感認知進行研究，以期得到更具普遍性的結果。同時，本研究使用fsQCA對條件變量與結果變量之間的因果關系進行分析，得到的結論較為宏觀，各個變量之間的深層關系有著進一步挖掘的價值。

[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——中國傳統圖案在當代服裝設計中的植入路徑[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. 現代標志設計中傳統圖案的設計文化研究[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. 論傳統圖案在現代藝術設計中的作用[J]. 美術大觀, 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. 葫蘆烙畫的藝術風格遷移與模擬[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. 基于神經風格遷移網絡的民族圖案創新方法[J]. 圖學學報, 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. 人形機器人造型意象與用戶情感認知研究[J]. 機械設計, 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·基維的情感認知論[J]. 河南師范大學學報(哲學社會科學版), 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. 人工智能情感認知推理的計算模型分析[J]. 上海師范大學學報(哲學社會科學版), 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. 中國藝術傳播理論的當代生成研究[J]. 藝術傳播研究, 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. 移動商務環境下O2O用戶在線評論有用性影響因素研究[J]. 情報科學, 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. 在線評價對消費者購買意愿影響理論模型與實證研究[J]. 中國流通經濟, 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. 基于在線評論的考古盲盒用戶體驗影響因素研究[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的蒙古族家具裝飾知識獲取與重用實踐[J]. 林產工業, 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. 服裝印花圖案設計的感性研究[J]. 紡織學報, 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. 基于在線評論數據驅動的產品感性評價方法[J]. 計算機集成制造系統, 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, 馬婧婧. 科技人才激勵因素的組態路徑研究——一項QCA分析[J]. 科技進步與對策, 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年河北省社會科學基金項目（HB20YS016）

于雷（1982—），男，碩士，副研究員，主要研究方向為人工智能與情感化設計。

馮鑫（1986—），男，博士，副教授，主要研究方向為復雜知識網絡、文藝量化傳播、計算社會科學。

責任編輯：陳作