Tożsamość kobieca i wyobrażenia klasowe w chińskich obrazach eksportowych z okresu dynastii Qing: badanie interpretacji międzykulturowej wspomagane przez sztuczną inteligencję

Podsumowanie

Niniejszy artykuł przedstawia nadzorowany przez człowieka przepływ pracy obliczeniowej w celu zbadania powracających reprezentacji kobiet na 433 chińskich obrazach eksportowych z ery Qing. Siedem kategorii referencyjnych zdefiniowanych przez ludzi oraz powtarzające się wskazówki wizualne charakteryzują wzorce w obrębie korpusu, podczas gdy wyniki ograniczają się do pobranych obrazów i nie mierzą rzeczywistości społecznej okresu Qing ani odbioru historycznego.

Streszczenie

W niniejszym badaniu przeanalizowano powtarzające się reprezentacje tożsamości kobiecej oraz wizualne wskazówki kodujące klasę społeczną w korpusie 433 chińskich obrazów eksportowych z dynastii Qing, datowanych na lata 1757–1911. Przepływ pracy łączył model CLIP ViT-B/32 do wstępnego etykietowania, lokalizację wspomaganą modelem Segment Anything Model (SAM), redukcję wymiarowości i klasteryzację oraz ręczne kodowanie ikonograficzne przeprowadzone przez dwóch niezależnych koderów. Etykiety CLIP posłużyły do wstępnej organizacji, SAM pełnił funkcję narzędzia wspomagającego lokalizację, a rozstrzygnięte kodowanie ludzkie dostarczyło kategorii referencyjnych. Wyniki zbiorcze pozwoliły zidentyfikować siedem ludzkich kategorii referencyjnych: elita/piękno (n = 112), pracujące (n = 72), domowe (n = 64), służba (n = 58), rytualne/ślubne (n = 45), targowe (n = 43) oraz artystyczne (n = 39). Wstępne etykiety obliczeniowe były zgodne z ludzkimi etykietami referencyjnymi dla 356 z 433 obrazów (82,2%), przy czym czułość na poziomie kategorii wahała się od 73,3% do 88,4%. Do charakterystyki profili wizualnych tych kategorii wykorzystano powtarzające się kombinacje ubioru, otoczenia przestrzennego, przedmiotów, postawy oraz przedstawionych relacji społecznych. Ewaluacja 433 par etykiet AI–człowiek na poziomie poszczególnych przypadków pozwoliła uzyskać kompleksowe wyniki precyzji, czułości i miary F1 na poziomie kategorii, a także macierz pomyłek szczegółowo opisującą wzorce klasyfikacji. Walidacja klastrów potwierdziła wybrany sposób grupowania i wykazała zgodność między uzyskanymi klastrami a zdefiniowanymi przez ludzi kategoriami referencyjnymi. Ogólnie rzecz biorąc, powtarzające się kombinacje ubioru, otoczenia przestrzennego, przedmiotów, postawy i relacji społecznych wskazują na ustrukturyzowane typologie malarskie w badanym korpusie. Wyniki te charakteryzują reprezentację wizualną w chińskich obrazach eksportowych z okresu dynastii Qing, lecz nie powinny być interpretowane jako bezpośrednie mierniki statusu prawnego, doświadczeń życiowych, popytu rynkowego czy historycznego odbioru za granicą.

Wprowadzenie

Chińskie obrazy eksportowe z okresu dynastii Qing stanowiły część handlowych i kulturowych sieci łączących Kanton i inne centra kolekcjonerskie z nabywcami z Europy i Ameryki od końca XVIII wieku^1,2,3,4,5. Kupcy, podróżnicy, dyplomaci, misjonarze i kolekcjonerzy nabywali te obrazy jako przenośne towary, pamiątki, źródła informacji wizualnych oraz przedstawienia miejsc, zawodów, produkcji, obyczajów i typów społecznych. Ich obieg odzwierciedlał zatem zarówno praktyki chińskich warsztatów, jak i oczekiwania rynków zewnętrznych.

Zagraniczny popyt sprzyjał rozpoznawalnym tematom, formatom seryjnym, powtarzalnym motywom oraz scenom, które można było kolekcjonować i porównywać. Warsztaty dostosowywały media, skalę, kompozycję i tematykę do celów sprzedażowych, podczas gdy nabywcy często preferowali czytelne przedstawienia rzemiosł, ceremonii, wnętrz, ogrodów, ulic oraz malowniczych typów społecznych. Powtarzające się wersje scen z warsztatów kantońskich dodatkowo demonstrują, w jaki sposób artyści i asystenci adaptowali ikonografię oraz zachodnie środki wyrazu malarskiego dla zagranicznych patronów^1,2,3,4,5. Chociaż popyt rynkowy mógł wpływać na to, co było wytwarzane i zachowane, obecny korpus nie mierzy bezpośrednio preferencji ani reakcji poszczególnych nabywców.

Obrazy te należy zatem traktować jako źródła wybiórcze i zapośredniczone, a nie jako kompleksowe zapisy życia codziennego. Przedstawione na nich sceny mogą idealizować, upraszczać, standaryzować lub adaptować praktyki społeczne poprzez konwencje warsztatowe, selekcję rynkową, nabytki muzealne, katalogowanie i digitalizację^1,2,3,4,5. Interpretacja historyczna musi odróżniać cechy bezpośrednio obserwowalne na obrazach od wniosków dotyczących przedstawionych osób, warunków produkcji oraz znaczeń, jakie późniejsi widzowie przypisywali tym dziełom.

Postacie kobiece stanowią ukierunkowany sposób badania tego rozróżnienia. Odzież, fryzura, postawa, otoczenie przestrzenne, przedmioty, czynności oraz relacje z innymi postaciami mogą grupować kobiety w wizualnie powtarzalne role, w tym kategorie elitarno-urodowe, domowe, służebne, robotnicze, rynkowe, wykonawcze oraz rytualne/ślubne. Kategorie te są analitycznymi opisami wzorców przedstawieniowych i same w sobie nie określają rangi prawnej, zamożności, zawodu, etniczności, przynależności do dynastii Banner lub Han, charakteru moralnego ani tożsamości życiowej.

Cyfrowa historia sztuki oraz komputerowe rozpoznawanie obrazów (computer vision) mogą ułatwiać wielkoskalowe porównania zdigitalizowanych kolekcji wizualnych, umożliwiając jednocześnie krytyczną analizę założeń zawartych w modelach obliczeniowych^6,7. Modele wizualno-językowe mogą pomagać w identyfikacji i organizacji powracających motywów wizualnych, choć stronniczość kulturowa pozostaje istotnym ograniczeniem w przypadku zastosowania współczesnych słowników modelowych do historycznych obrazów spoza kręgu kultury zachodniej⁸. Powiązane badania obliczeniowe nad tradycyjnym malarstwem chińskim w podobny sposób wykazują wartość łączenia ilościowego wykrywania wzorców z interpretacją opartą na wiedzy historycznej⁹.

Niniejsze badanie odnosi się do trzech pytań: (1) Które uznane, zakodowane przez ludzi kategorie tożsamości żeńskiej są reprezentowane w korpusie? (2) Jakie kombinacje ubrań, ustawień przestrzennych, obiektów, postawy i relacji społecznych charakteryzują te kategorie? (3) W jaki sposób ogólna dokładność dopasowania (exact-match accuracy) oraz pełność (recall) na poziomie kategorii różnią się pomiędzy siedmioma kategoriami? Przepływ pracy opiera się na podejściach obliczeniowych stosowanych w tradycyjnym malarstwie chińskim⁹, ograniczając jednocześnie swoje twierdzenia historyczne do wybranych obrazów i udokumentowanych analiz.

Zamierzony wkład ma charakter zarówno historiograficzny, jak i techniczny. Porównanie w skali całego korpusu pozwala zidentyfikować powtarzające się formuły obrazowe, które mogą zostać następnie poddane kontekstualizacji poprzez wnikliwą analizę historyczną. Takie podejście może wspomóc badania nad płcią, hierarchią, reprezentacjami życia codziennego oraz spotkaniami międzykulturowymi, bez traktowania częstotliwości występowania obrazów jako dowodu na powszechność społeczną, a podobieństwa wizualnego jako dowodu na tożsamość historyczną.

Protokół

Projekt badania i jednostka analityczna
Każdy obraz lub wpis w katalogu traktowano jako jedną jednostkę analityczną. Zastosowano obserwacyjny projekt oparty na korpusie, łączący przegląd metadanych, wstępną organizację komputerową, niezależne kodowanie ręczne oraz interpretację historii sztuki. Okres badania określono na lata 1757–1911, a kryteria włączenia i wykluczenia stosowano w ramach tego przedziału czasowego. Analizie poddano historyczne dzieła sztuki oraz powiązane z nimi metadane katalogowe. W przypadku porównywania rozkładów w przedziałach czasowych o różnej długości, liczebność znormalizowano względem czasu trwania przedziału, natomiast w interpretacji uwzględniono potencjalne błędy wynikające z przeżywalności i nabytego zbioru.

Konstrukcja i wybór korpusu
Rekordy kandydujące pobrano z cytowanych katalogów muzealnych, archiwów cyfrowych oraz opublikowanych katalogów. Dla każdego rekordu kandydującego zachowano informacje o instytucji, tytule, dacie lub przedziale dat, medium, numerze inwentarzowym lub katalogowym, stałym adresie URL źródła, dacie pobrania oraz oświadczeniu dotyczącym praw. Linki do źródeł zachowano nawet w przypadkach, gdy odpowiadający im plik obrazu nie mógł zostać legalnie redystrybuowany. Opisana procedura selekcji rozpoczęła się od 612 obrazów kandydujących. Z tej liczby wykluczono 85, ponieważ wykraczały one poza okres 1757–1911 lub tradycję malarstwa eksportowego, 58 wykluczono z powodu bycia współczesnymi reprodukcjami, rozmycia obrazu lub przedstawiania niewłaściwych tematów, 29 wykluczono z powodu braku możliwej do zidentyfikowania postaci kobiecej lub niewystarczającej rozdzielczości obrazu, a 7 wykluczono ze względu na niewystarczające metadane. Ostateczny korpus analityczny objął 433 rekordy.

Standaryzacja metadanych i przetwarzanie wstępne obrazów
Każdemu obrazowi w końcowym korpusie analitycznym przypisano stabilny identyfikator QEP w zakresie od QEP_001 do QEP_433. Zachowano powiązane metadane muzealne, w tym instytucję, numer inwentarzowy, tytuł, datę, technikę lub materiały, miejsce pochodzenia, link źródłowy oraz dostępny opis katalogowy. Na potrzeby analizy wizualnej odnotowano wstępną etykietę AI, kategorię zweryfikowaną przez człowieka, liczbę postaci kobiecych, grupę wiekową, posturę, ubiór, otoczenie przestrzenne, powiązane obiekty oraz relacje społeczne. Każdy obraz zaklasyfikowano do jednej z siedmiu głównych kategorii: elita/piękno, domowa, służąca, pracująca, targowa, artystyczna lub rytualna/ślubna. W scenach zawierających wiele postaci kobiecych, postać centralną identyfikowano na podstawie widocznej dominacji i znaczenia dla narracji. W przypadku braku jednej dominującej postaci kobiecej, kategorię główną przypisywano na podstawie przedstawionej aktywności przewodniej i ogólnego kontekstu sceny. Nakładające się kategorie rozstrzygano, nadając priorytet przedstawionej aktywności i kontekstowi sceny nad samym ubiorami lub wyglądem. Przypadki niejednoznaczne były niezależnie recenzowane przez obu koderów i rozstrzygane w drodze konsensusu. Obrazy źródłowe zapisano w formacie JPEG lub PNG. Przycięto wyłącznie obramowania stron internetowych, ramki katalogowe lub marginesy niebędące częścią obrazu. Treść malarska nie była rekonstruowana, przekolorowywana, ulepszana ani odnawiana.

Wstępne etykietowanie oparte na CLIP
Koder obrazów CLIP ViT-B/32 został wykorzystany do wstępnej analizy podobieństwa obraz-tekst9. Do kandydujących terminów tożsamości należały: elite woman, domestic woman, female servant, working woman, market woman, female performer, bride oraz ritual woman. Terminy opisujące scenę obejmowały: Chinese interior, garden, street market, workshop, tea production, textile work oraz ceremonial scene. Dla każdego obrazu zachowano pełny zestaw szablonów promptów, ich kolejność, wszelkie ansamble promptów, procedury normalizacji tekstu, reguły decyzyjne, wyniki ufności oraz przypadki remisów.

Pełna lista promptów została zastosowana spójnie do wszystkich obrazów przy użyciu modelu OpenAI CLIP ViT-B/32 zaimplementowanego w języku Python 3.10 z bibliotekami PyTorch 2.0.1 oraz OpenAI CLIP. Wnioskowanie przeprowadzono na procesorze GPU z obsługą CUDA z rozmiarem partii (batch size) wynoszącym 32 przy zastosowaniu precyzji FP32. Każdy obraz został przeskalowany i przycięty do rozmiaru 224 × 224 pikseli z centrum obrazu, a kanały RGB zostały znormalizowane przy użyciu transformacji wstępnego przetwarzania powiązanej z modelem ViT-B/32. Prompty tekstowe sformułowano w oparciu o zdefiniowane powyżej deskryptory tożsamości i sceny, a następnie zakodowano za pomocą koderów tekstu CLIP. Obliczono podobieństwo cosinusowe między znormalizowanymi osadzeniami (embeddings) obrazów i tekstu, a prompt z najwyższą wartością podobieństwa przypisano jako wstępną etykietę AI. Wartości podobieństwa dla wszystkich kandydatów na etykiety zachowano do późniejszego przeglądu przez człowieka. Zastosowano stałe ziarno losowości (random seed) o wartości 42, a identyczne procedury wstępnego przetwarzania, szablony promptów i reguły decyzyjne zastosowano do wszystkich 433 obrazów.

Lokalizacja wspomagana przez SAM
Model Segment Anything (SAM) został wykorzystany wyłącznie do lokalizacji postaci, odzieży, mebli, narzędzi, przedmiotów rytualnych oraz obszarów architektonicznych w celu przeprowadzenia wizualnej inspekcji przez człowieka. Należy podkreślić, że SAM nie uczestniczył w procesie klasyfikacji; wygenerowane przez niego maski, wycinki i pochodne cechy zostały odseparowane od procesów etykietowania i klastrowania CLIP, co zapewniło, że zastosowanie SAM dostarczyło jedynie pomocy w lokalizacji, nie wpływając i nie zawyżając wyników klasyfikacji.

W razie potrzeby stosowano ręczne podpowiedzi punktowe lub ramki ograniczające, aby doprecyzować lokalizację elementów wizualnych. Maski SAM generowano dla postaci kobiecych, odzieży, mebli, narzędzi, przedmiotów rytualnych oraz elementów architektonicznych, a każdy wynik segmentacji poddawano inspekcji wizualnej w celu sprawdzenia prawidłowości pokrycia obszaru. Powstałe maski wspomagały identyfikację i analizę istotnych cech ikonograficznych, lecz nie były wykorzystywane do etykietowania CLIP ani przypisywania kategorii.

Redukcja wymiarowości i klasteryzacja
Obliczono osadzenia obrazów CLIP, a do wizualizacji dwuwymiarowej wykorzystano UMAP z odległością cosinusową¹⁰. Zapisano reprezentację wykorzystaną do klasteryzacji wraz z procedurą wstępnego przetwarzania, wymiarowością i definicją odległości.

W celu zidentyfikowania powtarzających się grup wizualnych w korpusie zastosowano algorytmy K-średnich oraz klasteryzację hierarchiczną do reprezentacji cech obrazów¹¹. Kandydackie rozwiązania K-średnich dla k = 5–9 oceniono przy użyciu współczynnika sylwetki (silhouette coefficient) oraz indeksu Daviesa-Bouldina. Wykorzystano inicjalizację K-means++ z parametrami n_init = 10, max_iter = 300, tol = 1 × 10⁻⁴ oraz random_state = 42. Klasteryzację hierarchiczną przeprowadzono metodą aglomeracyjną z zastosowaniem średniego wiązania (average linkage) i odległości cosinusowej. Potencjalne rozwiązania porównano pod kątem ilościowych indeksów walidacji, stabilności klastrów oraz interpretowalności z perspektywy historii sztuki, a końcowy podział na klastry wybrano ze względu na najbardziej spójną reprezentację powtarzających się wzorców wizualnych. Wynikowe przypisanie do klastrów dla każdego z 433 obrazów zachowano do późniejszego porównania z kategoriami zakodowanymi przez ludzi.

Kodowanie ręczne, szkolenie i rozstrzyganie rozbieżności
Dwoje koderów niezależnie przeanalizowało wszystkie 433 obrazy, korzystając z ujednoliconego klucza kodowego obejmującego kategorię główną, liczbę postaci, grupę wiekową, postawę, ubiór, otoczenie przestrzenne, przedmioty oraz relacje społeczne. Przed etapem rozstrzygania rozbieżności zachowano osobne zapisy dla każdego kodera. Koderzy posiadali odpowiednie przygotowanie w zakresie historii sztuki i analizy wizualnej, a ich szkolenie oparto na zestandaryzowanym podręczniku kodowania oraz reprezentatywnych przykładach z korpusu malarstwa. Przed rozpoczęciem formalnego kodowania przeprowadzono ćwiczenie kalibracyjne na 30 obrazach, aby zapewnić spójną interpretację siedmiu kategorii tożsamości i pięciu wymiarów wskazówek wizualnych.

Podczas formalnego kodowania obaj koderzy niezależnie oceniali wszystkie kwalifikujące się obrazy, nie mając wglądu w decyzje kodowania drugiej osoby, wstępne etykiety AI oraz przypisania do klastrów. Niezawodność między koderami oceniono za pomocą kappa Cohena. Obserwowana wartość kappa dla głównej kategorii tożsamości wyniosła 0,88, a dla kategorycznych zmiennych wskazówek wizualnych wahała się od 0,79 do 0,92, co wykazało silną zgodność między koderami. Rozbieżności rozstrzygano w drodze dyskusji i konsensusu, a rozstrzygnięte kategorie i kody wskazówek wizualnych zapisywano do późniejszej analizy¹². Zachowano etykiety sprzed rozstrzygnięć.

Zgodność AI–człowiek i szacowanie wydajności
Ustalona przez ludzi kategoria posłużyła jako punkt odniesienia do porównania opisowego z jedną wstępną etykietą AI dla każdego obrazu. Ogólna dokładność dopasowania idealnego została obliczona jako 356/433 (82,2%). Czułość kategorii obliczono jako liczbę idealnych dopasowań AI–człowiek podzieloną przez liczbę przypadków w referencyjnej kategorii ludzkiej dla każdej grupy. Wsparcie kategorii, idealne dopasowania, niedopasowania oraz odpowiadające im mianowniki zostały przedstawione w sposób jawny.

Na podstawie 433 sparowanych etykiet przypisanych przez AI i ludzi na poziomie poszczególnych przypadków, obliczono liczbę wyników fałszywie dodatnich dla klasy docelowej oraz precyzję, czułość i wskaźniki F1 dla każdej kategorii. Sporządzono pełną macierz pomyłek w celu analizy wzorców klasyfikacji poza przekątną, co posłużyło następnie jako podstawa do przeglądu niezgodności, opracowania taksonomii błędów oraz ustalenia reguł rozstrzygania.

Pakiet odtwarzalności i materiały
Przepływ obliczeniowy oraz pomocnicze materiały badawcze zostały zorganizowane w repozytorium z kontrolą wersji. Pakiet odtwarzalności został zaprojektowany tak, aby zawierać skrypty do przetwarzania wstępnego, analizy CLIP, lokalizacji SAM, UMAP, klastrowania, analizy zgodności oraz generowania rycin, wraz z księgą kodową do kodowania ręcznego, plikami konfiguracyjnymi, informacjami o zależnościach, wynikami wyprowadzonymi na poziomie poszczególnych przypadków oraz czytelnym dla maszyn wykazem źródeł obrazów i informacji o prawach autorskich. Materiałom badawczym przekazanym do archiwum przypisano trwały identyfikator, aby ułatwić odtwarzalność i ponowne wykorzystanie danych.

Do organizacji i zarządzania metadanymi wykorzystano program Microsoft Excel 2021. W analizach obliczeniowych zastosowano model CLIP ViT-B/32 do wstępnego etykietowania wizualno-językowego, model SAM do lokalizacji elementów wizualnych, metodę UMAP z odległością cosinusową do redukcji wymiarowości oraz algorytmy K-średnich i klastrowanie hierarchiczne do eksploracyjnej analizy wzorców. Rozwiązania klastrowe oceniano za pomocą współczynnika sylwetki (silhouette coefficient) oraz indeksu Daviesa-Bouldina, a zgodność między koderami oceniano przy użyciu statystyki kappa Cohena. W celu zapewnienia odtwarzalności udokumentowano środowisko programistyczne, konfiguracje modeli, ustawienia obliczeniowe oraz ziarna losowe stosowane w całym przebiegu prac.

Wyniki

Budowa korpusu i skład opisowy
Rysunek 1 przedstawia czteropanelowy przegląd korpusu. Rysunek 1A pokazuje zgłoszony proces przesiewowy, od 612 rekordów kandydujących do 43 rekordów zachowanych. Rysunek 1B prezentuje reprezentatywne przykłady mediów i formatów. Rysunek 1C przedstawia liczebność w czterech przedziałach czasowych, a Rysunek 1D podsumowuje ...

Dyskusja

W ramach dostarczonych podsumowań zbiorczych 433 rekordy zostały uporządkowane w siedem kategorii odniesienia dla ludzi i opisane za pomocą pięciu rodzin wskazówek wizualnych. Największą kategorią była elita/piękno (112/433), a 356 etykiet wstępnych było zgodnych z raportowanym odniesieniem ludzkim (82,2%). Są to obserwacje korpusowe. Wspierają one badanie powracających formuł obrazowych, ale nie potwierdzają silniejszej tezy, że formuły te wiernie odzwierciedlają społeczeństwo Qing lub wywołały konkretną reakcję u zagra...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
CLIP ViT-B/32	OpenAI	OpenAI CLIP, ViT-B/32	Model wizualno-językowy wykorzystywany do wstępnej analizy podobieństwa obraz-tekst – oraz przypisywania wstępnych etykiet AI.
Stacja robocza obliczeniowa	Stacja robocza obliczeniowa autorów’	GPU z obsługą CUDA; należy podać dokładną konfigurację sprzętową	Stacja robocza wykorzystywana do wnioskowania CLIP i SAM oraz analiz obliczeniowych; należy podać specyfikację GPU, CPU, RAM, systemu operacyjnego i CUDA z oryginalnego środowiska uruchomieniowego.
Matplotlib	Zespół programistów Matplotlib	Pakiet Python; należy podać dokładną wersję	Wykorzystywany do wizualizacji obliczeniowej oraz generowania rycin i wykresów analitycznych.
Microsoft Excel 2021	Microsoft Corporation	Microsoft Excel 2021	Wykorzystywany do organizacji metadanych, zapisów przesiewowych i zarządzania tabelarycznymi danymi badania.
NumPy	Programiści NumPy	Pakiet Python; należy podać dokładną wersję	Wykorzystywany do obliczeń numerycznych oraz manipulowania tablicami cech obrazów i tablicami analitycznymi.
pandas	Zespół programistów pandas	Pakiet Python; należy podać dokładną wersję	Wykorzystywany do obsługi ustrukturyzowanych danych, przetwarzania metadanych i organizacji wyników analitycznych na poziomie poszczególnych przypadków.
Python 3.10	Python Software Foundation	Python 3.10	Środowisko programistyczne wykorzystane do implementacji obliczeniowego przepływu pracy analizy obrazów.
PyTorch 2.0.1	PyTorch Foundation	PyTorch 2.0.1	Framework głębokiego uczenia wykorzystywany do kodowania obrazów i tekstu w oparciu o CLIP oraz do wnioskowania na GPU.
scikit-learn	Programiści scikit-learn	Pakiet Python; należy podać dokładną wersję	Wykorzystywany do klastrowania metodą K-średnich, klastrowania aglomeracyjnego, obliczeń współczynnika sylwetki, indeksu Daviesa–-Bouldina oraz kappa Cohena’.
Segment Anything Model (SAM)	Meta AI Research	SAM	Model segmentacji wykorzystywany do lokalizacji postaci kobiecych, odzieży, mebli, narzędzi, obiektów rytualnych i obszarów architektonicznych do inspekcji wizualnej.
umap-learn	McInnes i inni	Implementacja UMAP w Pythonie	Wykorzystywany do redukcji wymiarowości i dwuwymiarowej wizualizacji osadzeń obrazów CLIP z wykorzystaniem odległości cosinusowej.