Identité féminine et imaginaire de classe dans les peintures d'exportation chinoises de la dynastie Qing : une étude assistée par l'intelligence artificielle sur l'interprétation transculturelle

Résumé

Cet article présente un flux de travail computationnel supervisé par des humains pour examiner les représentations récurrentes des femmes dans 433 peintures chinoises d'époque Qing destinées à l'exportation. Sept catégories de référence humaines et des indices visuels récurrents caractérisent les motifs présents dans le corpus, tandis que les résultats restent limités aux images échantillonnées et ne mesurent ni la réalité sociale ni la réception historique de l'époque Qing.

Résumé

Cette étude a examiné les représentations récurrentes de l'identité féminine et des indices visuels liés à la classe sociale dans un corpus de 433 peintures chinoises de la dynastie Qing destinées à l'exportation, datées de 1757 à 1911. Le flux de travail combinait CLIP ViT-B/32 pour l'étiquetage préliminaire, le modèle de segmentation universel (Segment Anything Model, SAM) pour l'assistance à la localisation, une réduction de dimensionnalité et un regroupement en clusters, ainsi qu'un codage iconographique manuel réalisé par deux codeurs indépendants. Les étiquettes CLIP ont été utilisées pour l'organisation préliminaire, SAM a servi d'aide à la localisation, et le codage humain validé a fourni les catégories de référence. Les résultats globaux ont identifié sept catégories de référence humaine : élite/belle (n = 112), travail (n = 72), domestique (n = 64), servante (n = 58), rituel/mariage (n = 45), marché (n = 43) et spectacle (n = 39). Les étiquettes computationnelles préliminaires correspondaient aux étiquettes de référence humaine pour 356 des 433 peintures (82,2 %), le rappel au niveau des catégories variant de 73,3 % à 88,4 %. Des combinaisons récurrentes de vêtements, de cadre spatial, d'objets, de posture et de relations sociales représentées ont été utilisées pour caractériser les profils visuels de ces catégories. L'évaluation des 433 paires d'étiquettes IA–humain au cas par cas a permis d'obtenir des scores complets de précision, de rappel et de F1 au niveau des catégories, ainsi qu'une matrice de confusion détaillant les schémas de classification. La validation des clusters a confirmé la solution de regroupement choisie et a démontré une correspondance entre les clusters obtenus et les catégories de référence définies par l'humain. Dans l'ensemble, les combinaisons récurrentes de vêtements, de cadre spatial, d'objets, de posture et de relations sociales indiquent des typologies picturales structurées au sein du corpus échantillonné. Ces résultats caractérisent la représentation visuelle dans les peintures chinoises de la dynastie Qing destinées à l'exportation, mais ne doivent pas être interprétés comme des mesures directes du statut juridique, de l'expérience vécue, de la demande du marché ou de la réception historique par les étrangers.

Introduction

Les peintures chinoises d'exportation de la dynastie Qing faisaient partie des réseaux commerciaux et culturels reliant Canton et d'autres centres de collection à des acheteurs euro-américains à partir de la fin du dix-huitième siècle^1,2,3,4,5. Des marchands, voyageurs, diplomates, missionnaires et collectionneurs acquéraient ces peintures comme biens portables, souvenirs, sources d'informations visuelles et représentations de lieux, de professions, de modes de production, de coutumes et de types sociaux. Leur circulation reflétait donc à la fois les pratiques des ateliers chinois et les attentes des marchés extérieurs.

La demande étrangère favorisait des sujets reconnaissables, des formats en série, des motifs répétés et des scènes pouvant être collectionnées et comparées. Les ateliers adaptaient les médiums, les dimensions, la composition et les sujets en vue de la vente, tandis que les acheteurs privilégiaient souvent des représentations aisément identifiables des métiers, des cérémonies, des intérieurs, des jardins, des rues et des types sociaux pittoresques. Les versions répétées de scènes d’ateliers cantonais illustrent davantage la manière dont les artistes et leurs assistants adaptaient l’iconographie et les procédés picturaux occidentaux pour les clients outre-mer^1,2,3,4,5. Bien que la demande du marché ait pu influencer ce qui était produit et préservé, le corpus actuel ne mesure pas directement les préférences ou les réactions individuelles des acheteurs.

Ces peintures doivent donc être considérées comme des sources sélectives et médiatisées, plutôt que comme des documents exhaustifs de la vie quotidienne. Leurs scènes peuvent idéaliser, simplifier, normaliser ou adapter les pratiques sociales à travers les conventions des ateliers, la sélection du marché, l'acquisition par les musées, le catalogage et la numérisation^1,2,3,4,5. L'interprétation historique doit distinguer les caractéristiques directement observables dans les peintures des inférences concernant les individus représentés, les conditions de production et les significations que des observateurs ultérieurs ont attribuées aux œuvres.

Les représentations féminines offrent un moyen ciblé d'examiner cette distinction. Les vêtements, la coiffure, la posture, le cadre spatial, les objets, les activités et les relations avec d'autres personnages peuvent organiser les femmes en rôles visuellement récurrents, notamment les catégories beauté/élite, domestique, servante, travailleuse, marchande, artiste de spectacle, et rituelle/mariage. Ces catégories constituent des descriptions analytiques de motifs picturaux et n'établissent pas, en tant que telles, le rang juridique, la richesse, la profession, l'ethnie, l'appartenance à une Banner ou à un groupe Han, le caractère moral ou l'identité vécue.

L'histoire de l'art numérique et la vision par ordinateur peuvent faciliter des comparaisons à grande échelle de collections visuelles numérisées tout en permettant un examen critique des hypothèses intégrées aux modèles computationnels^6,7. Les modèles vision-langage peuvent aider à identifier et organiser des motifs visuels récurrents, bien que les biais culturels constituent une limitation importante lorsque les vocabulaires contemporains des modèles sont appliqués à des images historiques non occidentales⁸. Des recherches computationnelles connexes sur la peinture traditionnelle chinoise démontrent de même l'intérêt de combiner la détection quantitative de motifs avec une interprétation éclairée par l'histoire⁹.

Cette étude aborde trois questions : (1) Quelles catégories d'identité féminine codées par des humains et validées par arbitrage sont représentées dans le corpus ? (2) Quelles combinaisons de vêtements, de cadre spatial, d'objets, de posture et de relations sociales caractérisent ces catégories ? (3) Comment la précision globale par correspondance exacte et le rappel au niveau des catégories varient-ils selon les sept catégories ? Le flux de travail s'appuie sur des approches computationnelles appliquées à la peinture chinoise traditionnelle⁹, tout en limitant ses affirmations historiques aux images échantillonnées et aux analyses documentées.

La contribution visée est à la fois historiographique et technique. Une comparaison à l'échelle d'un corpus peut identifier des formules picturales récurrentes qui pourront ensuite être contextualisées au moyen d'une analyse historique approfondie. Cette approche peut éclairer la recherche sur le genre, la hiérarchie, les représentations de la vie quotidienne et les rencontres interculturelles, sans traiter la fréquence des images comme une preuve de prévalence sociale ni la similarité visuelle comme une preuve d'identité historique.

Protocole

Conception de l'étude et unité d'analyse
Chaque tableau ou notice de catalogue a été considéré comme une unité d'analyse. Une conception observationnelle fondée sur un corpus a été utilisée, combinant l'examen des métadonnées, une organisation computationnelle préliminaire, un codage manuel indépendant et une interprétation de nature historico-artistique. La période d'étude s'est étendue de 1757 à 1911, et des critères d'inclusion et d'exclusion ont été appliqués dans cet intervalle. Des œuvres d'art historiques ainsi que leurs métadonnées cataloguées associées ont été analysées. Lorsque des distributions sur des intervalles de temps inégaux ont été comparées, les effectifs ont été normalisés par la durée des intervalles, tout en tenant compte, dans l'interprétation, des biais potentiels liés à la conservation et à l'acquisition.

Construction et sélection du corpus
Les notices candidates ont été extraites des catalogues de musées cités, des archives numériques et des catalogues publiés. Pour chaque notice candidate, l'institution, le titre, la date ou la période, le support, le numéro d'inventaire ou de catalogue, l'URL stable de la source, la date de consultation et l'avis sur les droits ont été conservés. Les liens sources ont été préservés même lorsque le fichier image correspondant ne pouvait pas être redistribué légalement. La procédure de tri signalée a débuté avec 612 images candidates. Parmi celles-ci, 85 ont été exclues car elles se situaient en dehors de la période 1757–1911 ou en dehors de la tradition des peintures d'exportation, 58 ont été exclues car il s'agissait de reproductions modernes, de notices floues ou de sujets incorrects, 29 ont été exclues car elles ne présentaient pas de figure féminine identifiable ou une résolution d'image insuffisante, et 7 ont été exclues en raison de métadonnées insuffisantes. Le corpus analytique final comprenait 433 notices.

Standardisation des métadonnées et prétraitement des images
Chaque tableau du corpus analytique final s'est vu attribuer un identifiant QEP stable, allant de QEP_001 à QEP_433. Les métadonnées muséales associées ont été conservées, notamment l'institution, le numéro d'inventaire, le titre, la date, la technique ou les matériaux, le lieu d'origine, le lien source et la description cataloguée disponible. Pour l'analyse visuelle, l'étiquette préliminaire générée par l'IA, la catégorie humaine validée, le nombre de figures féminines, le groupe d'âge, la posture, les vêtements, le cadre spatial, les objets associés et les relations sociales ont été enregistrés. Chaque tableau a été classé dans l'une des sept catégories principales suivantes : élite/belle, domestique, servante, travail, marché, spectacle ou rituel/mariage. Pour les scènes comportant plusieurs figures féminines, la figure centrale a été identifiée en fonction de sa prééminence visuelle et de son importance narrative. Lorsqu'aucune figure féminine n'était dominante, la catégorie principale a été attribuée en fonction de l'activité principale représentée et du contexte général de la scène. Les catégories superposées ont été tranchées en privilégiant l'activité représentée et le contexte de la scène plutôt que les seuls vêtements ou l'apparence. Les cas ambigus ont été examinés indépendamment par les deux codeurs et résolus par consensus. Les images sources ont été sauvegardées au format JPEG ou PNG. Seuls les bordures de page web, les cadres de catalogue ou les marges non liées à l'image ont été rognés. Le contenu pictural n'a pas été reconstruit, recolorié, amélioré ou restauré.

Étiquetage préliminaire basé sur CLIP
L'encodeur d'image CLIP ViT-B/32 a été utilisé pour l'analyse préliminaire de similarité image-texte9. Les termes d'identité candidats comprenaient femme élitée, femme domestique, servante, femme active, femme du marché, femme artiste, mariée et femme rituelle. Les termes relatifs à la scène comprenaient intérieur chinois, jardin, marché de rue, atelier, production de thé, travail textile et scène cérémonielle. L'ensemble complet des modèles de prompts, leur ordre, tout regroupement de prompts, les procédures de normalisation du texte, les règles de décision, les scores de confiance et les ex-aequo ont été conservés pour chaque image.

La liste complète de prompts a été appliquée de manière uniforme à toutes les images à l’aide du modèle OpenAI CLIP ViT-B/32 implémenté en Python 3.10 avec PyTorch 2.0.1 et le package OpenAI CLIP. L’inférence a été réalisée sur un GPU compatible CUDA avec une taille de lot de 32, en utilisant une précision FP32. Chaque image a été redimensionnée puis rognée au centre à 224 × 224 pixels, et les canaux RVB ont été normalisés à l’aide de la transformation de prétraitement associée au modèle ViT-B/32. Les prompts textuels ont été construits à partir descripteurs d’identité et de scène définis précédemment, puis encodés à l’aide de l’encodeur de texte CLIP. La similarité cosinus a été calculée entre les intégrations textuelles et images normalisées, et le prompt présentant le score de similarité le plus élevé a été attribué comme étiquette préliminaire générée par l’IA. Les scores de similarité pour toutes les étiquettes candidates ont été conservés en vue d’un examen ultérieur par un humain. Une graine aléatoire fixe de 42 a été utilisée, et des procédures de prétraitement, des modèles de prompts et des règles de décision identiques ont été appliqués à l’ensemble des 433 peintures.

Localisation assistée par SAM
Le modèle Segment Anything (SAM) a été strictement utilisé pour localiser des figures, des vêtements, des meubles, des outils, des objets rituels et des régions architecturales destinées à l'inspection visuelle humaine. Il convient de souligner que SAM n'a pas participé au pipeline de classification ; ses masques, recadrages et caractéristiques dérivées ont été isolés des processus d'étiquetage et de regroupement par CLIP, garantissant ainsi que l'application de SAM fournisse des aides à la localisation sans influencer ni amplifier les performances de classification.

Des points manuels ou des cadres englobants ont été appliqués selon les besoins afin d'affiner la localisation des éléments visuels. Des masques SAM ont été générés pour les figures féminines, les vêtements, les meubles, les outils, les objets rituels et les éléments architecturaux, et chaque résultat de segmentation a été inspecté visuellement afin de s'assurer d'une couverture régionale adéquate. Les masques obtenus ont permis l'identification et l'examen des caractéristiques iconographiques pertinentes, mais n'ont pas été utilisés pour l'étiquetage CLIP ou l'attribution de catégories.

Réduction de la dimensionnalité et regroupement en clusters
Les intégrations d'images CLIP ont été calculées, et l'UMAP avec distance cosinus a été utilisée pour la visualisation en deux dimensions¹⁰. La représentation utilisée pour le regroupement en clusters, ainsi que sa procédure de prétraitement, sa dimensionnalité et la définition de la distance, ont été enregistrées.

Les méthodes des K-moyennes et de regroupement hiérarchique ont été appliquées aux représentations des caractéristiques d'image afin d'identifier des regroupements visuels récurrents au sein du corpus¹¹. Les solutions candidates des K-moyennes pour k = 5–9 ont été évaluées à l'aide du coefficient de silhouette et de l'indice de Davies–Bouldin. L'initialisation K-moyennes++ a été utilisée avec n_init = 10, max_iter = 300, tol = 1 × 10⁻⁴, et random_state = 42. Le regroupement hiérarchique a été réalisé à l'aide d'un regroupement agglomératif avec une liaison moyenne et une distance cosinus. Les solutions candidates ont été comparées à l'aide d'indices de validation quantitative, de la stabilité des groupes et de l'interprétabilité du point de vue de l'histoire de l'art, et la solution finale de regroupement a été retenue pour sa représentation la plus cohérente des motifs visuels récurrents. L'attribution finale des groupes pour chacune des 433 peintures a été conservée afin d'être comparée ultérieurement aux catégories codées par l'humain.

Codage manuel, formation et arbitrage
Deux codeurs ont examiné indépendamment les 433 images à l’aide d’un manuel de codage versionné couvrant la catégorie principale, le nombre de personnages, le groupe d’âge, la posture, les vêtements, le cadre spatial, les objets et les relations sociales. Les enregistrements propres à chaque codeur ont été conservés avant l’arbitrage. Les codeurs possédaient des formations pertinentes en histoire de l’art et en analyse visuelle, et ont été formés à l’aide du manuel de codage normalisé ainsi qu’à partir d’exemples représentatifs du corpus de peintures. Avant le codage formel, ils ont réalisé un exercice d’étalonnage portant sur 30 peintures afin de favoriser une interprétation cohérente des sept catégories d’identité et des cinq dimensions des indices visuels.

Lors du codage formel, les deux codeurs ont évalué indépendamment toutes les peintures éligibles en étant aveugles aux décisions de codage de l'autre, aux étiquettes préliminaires de l'IA et aux attributions de groupes. La fiabilité entre codeurs a été évaluée à l'aide du kappa de Cohen. La valeur de kappa observée pour la catégorie d'identité principale était de 0,88, et les variables catégorielles des indices visuels variaient entre 0,79 et 0,92, démontrant un fort accord entre les codeurs. Les désaccords ont été résolus par discussion et consensus, et les codes catégoriels et des indices visuels arbitrés ont été enregistrés pour les analyses ultérieures¹². Les étiquettes préalables à l'arbitrage ont été conservées.

Concordance entre l'IA et les humains et estimation des performances
La catégorie humaine arbitrée a été utilisée comme référence pour une comparaison descriptive avec une étiquette préliminaire de l'IA par tableau. La précision globale par correspondance exacte a été calculée à 356/433 (82,2 %). Le rappel par catégorie a été déterminé en divisant le nombre de correspondances exactes entre l'IA et les humains par le nombre d'éléments de référence humaine pour chaque catégorie. Le soutien par catégorie, les correspondances exactes, les discordances et les dénominateurs correspondants ont été indiqués explicitement.

À partir des 433 étiquettes appariées au niveau des cas, issues de l'IA et humaines, les faux positifs de la classe cible, ainsi que la précision, le rappel et les scores F1 par catégorie ont été calculés. Une matrice de confusion complète a été établie afin d'analyser les schémas de classification hors diagonale, ce qui a ensuite guidé l'examen des incohérences, la documentation de la taxonomie des erreurs et les règles d'arbitrage.

Paquet de reproductibilité et matériaux
Le flux de travail computationnel et les matériaux de recherche associés ont été organisés dans un dépôt soumis à un contrôle de version. Le paquet de reproductibilité a été conçu pour inclure des scripts destinés au prétraitement, à l'analyse CLIP, à la localisation SAM, à l'UMAP, au regroupement en clusters, à l'analyse d'accord inter-observateurs, et à la génération de figures, ainsi que le cahier des charges du codage manuel, les fichiers de configuration, les informations sur les dépendances, les résultats dérivés au niveau des cas, et un inventaire lisible par machine des sources d'images et des informations sur les droits. Un identifiant persistant a été attribué aux matériaux de recherche archivés afin de faciliter la reproductibilité et la réutilisation.

Microsoft Excel 2021 a été utilisé pour organiser et gérer les métadonnées. Les analyses computationnelles ont utilisé CLIP ViT-B/32 pour l'étiquetage préliminaire vision-langage, SAM pour la localisation des éléments visuels, UMAP avec distance cosinus pour la réduction de dimensionnalité, et les méthodes des k-moyennes et de regroupement hiérarchique pour l'analyse exploratoire de motifs. Les solutions de regroupement ont été évaluées à l'aide du coefficient de silhouette et de l'indice de Davies-Bouldin, et l'accord entre codeurs a été évalué à l'aide du kappa de Cohen. L'environnement logiciel, les configurations des modèles, les paramètres computationnels et les graines aléatoires utilisés tout au long du flux de travail ont été documentés afin d'assurer la reproductibilité.

Résultats

Construction du corpus et composition descriptive
Figure 1 présente un aperçu en quatre parties du corpus. Figure 1A montre le processus de sélection signalé, allant de 612 références candidates à 433 références conservées. Figure 1B affiche des exemples représentatifs de médias et de formats. Figure 1C présente les effectifs répartis selon quatre intervalles de dates, et

Discussion

Parmi les résumés agrégés fournis, 433 enregistrements ont été classés en sept catégories de référence humaine et décrits à l’aide de cinq familles de signaux visuels. La catégorie élite/beauté était la plus importante (112/433), et 356 étiquettes préliminaires correspondaient à la référence humaine rapportée (82,2 %). Il s’agit d’observations issues du corpus. Elles permettent d’étudier des formules picturales récurrentes, mais pas d’affirmer plus fortement que ces formules reproduisent fidèlement la société qing ou ont...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
CLIP ViT-B/32	OpenAI	OpenAI CLIP, ViT-B/32	Modèle vision-langage utilisé pour l'analyse préliminaire de similarité image–texte et l'attribution de labels préliminaires par IA.
Station de travail informatique	Station de travail informatique des auteurs’	GPU compatible CUDA ; la configuration matérielle exacte doit être indiquée	Station utilisée pour l'inférence avec CLIP et SAM et pour les analyses informatiques ; les spécifications du GPU, du CPU, de la mémoire vive (RAM), du système d'exploitation et de CUDA doivent être rapportées à partir de l'environnement d'exécution d'origine.
Matplotlib	Équipe de développement de Matplotlib	Package Python ; la version exacte doit être indiquée	Utilisé pour la visualisation informatique et la génération de figures et de graphiques d'analyse.
Microsoft Excel 2021	Microsoft Corporation	Microsoft Excel 2021	Utilisé pour l'organisation des métadonnées, les enregistrements de triage et la gestion des données d'étude sous forme tabulaire.
NumPy	Développeurs de NumPy	Package Python ; la version exacte doit être indiquée	Utilisé pour le calcul numérique et la manipulation de tableaux d'images et de caractéristiques analytiques.
pandas	Équipe de développement de pandas	Package Python ; la version exacte doit être indiquée	Utilisé pour la gestion de données structurées, le traitement des métadonnées et l'organisation des résultats analytiques au niveau des cas.
Python 3.10	Fondation Python Software	Python 3.10	Environnement de programmation utilisé pour implémenter le flux de travail d'analyse d'images par calcul informatique.
PyTorch 2.0.1	Fondation PyTorch	PyTorch 2.0.1	Framework d'apprentissage profond utilisé pour l'encodage d'images et de textes basé sur CLIP et pour l'inférence sur GPU.
scikit-learn	Développeurs de scikit-learn	Package Python ; la version exacte doit être indiquée	Utilisé pour les calculs de regroupement par K-moyennes, de regroupement hiérarchique, du coefficient de silhouette, de l'indice de Davies–Bouldin et de la kappa de Cohen’.
Modèle de segmentation universel (SAM)	Meta AI Research	SAM	Modèle de segmentation utilisé pour localiser les figures féminines, les vêtements, les meubles, les outils, les objets rituels et les zones architecturales à des fins d'inspection visuelle.
umap-learn	McInnes et al.	Implémentation Python d'UMAP	Utilisé pour la réduction de dimensionnalité et la visualisation en deux dimensions des intégrations d'images CLIP avec la distance cosinus.