Identidade Feminina e Imaginação de Classe nas Pinturas de Exportação Chinesas da Dinastia Qing: Um Estudo de Interpretação Transcultural Assistido por Inteligência Artificial

Resumo

Este artigo apresenta um fluxo de trabalho computacional supervisionado por humanos para examinar representações recorrentes de mulheres em 433 pinturas chinesas de exportação do período Qing. Sete categorias de referência humana e pistas visuais recorrentes caracterizam os padrões dentro do corpus, enquanto os resultados permanecem limitados às imagens amostradas e não medem a realidade social ou a recepção histórica do período Qing.

Resumo

Este estudo analisou representações recorrentes de identidade feminina e pistas visuais codificadas por classe em um corpus de 433 pinturas chinesas de exportação da dinastia Qing, datadas entre 1757 e 1911. O fluxo de trabalho combinou o CLIP ViT-B/32 para rotulagem preliminar, localização assistida pelo Segment Anything Model (SAM), redução de dimensionalidade e agrupamento em clusters, além de codificação iconográfica manual realizada por dois codificadores independentes. Os rótulos do CLIP foram utilizados para organização inicial, o SAM atuou como auxílio na localização, e a codificação humana consensual forneceu as categorias de referência. Os resultados agregados identificaram sete categorias com referência humana: elite/beleza (n = 112), trabalho (n = 72), doméstica (n = 64), servente (n = 58), ritual/casamento (n = 45), mercado (n = 43) e artística (n = 39). Os rótulos computacionais preliminares coincidiram com os rótulos de referência humana em 356 das 433 pinturas (82,2%), com índices de revocação no nível das categorias variando de 73,3% a 88,4%. Combinações recorrentes de vestuário, cenário espacial, objetos, postura e relações sociais retratadas foram utilizadas para caracterizar os perfis visuais dessas categorias. A avaliação dos 433 pares de rótulos IA–humano por caso gerou escores abrangentes de precisão, revocação e F1 em nível de categoria, juntamente com uma matriz de confusão detalhando os padrões de classificação. A validação dos clusters apoiou a solução de agrupamento selecionada e demonstrou correspondência entre os clusters derivados e as categorias de referência definidas por humanos. No geral, combinações recorrentes de vestuário, cenário espacial, objetos, postura e relações sociais indicam tipologias pictóricas padronizadas dentro do corpus amostrado. Esses achados caracterizam a representação visual em pinturas chinesas de exportação da dinastia Qing, mas não devem ser interpretados como medidas diretas de status legal, experiências vividas, demanda de mercado ou recepção histórica por estrangeiros.

Introdução

As pinturas chinesas de exportação da dinastia Qing fizeram parte das redes comerciais e culturais que ligavam Cantão e outros centros colecionadores a compradores euro-americanos a partir do final do século XVIII^1,2,3,4,5. Mercadores, viajantes, diplomatas, missionários e colecionadores adquiriram essas pinturas como bens portáteis, lembranças, fontes de informação visual e representações de lugares, profissões, processos produtivos, costumes e tipos sociais. Assim, sua circulação refletiu tanto as práticas de oficinas chinesas quanto as expectativas dos mercados externos.

A demanda estrangeira favorecia assuntos reconhecíveis, formatos seriados, motivos repetidos e cenas que podiam ser coletadas e comparadas. Os ateliês adaptavam o suporte, a escala, a composição e o tema para a venda, enquanto os compradores muitas vezes preferiam representações legíveis de ofícios, cerimônias, interiores, jardins, ruas e tipos sociais pitorescos. Versões repetidas de cenas de ateliês de Cantão demonstram ainda mais como artistas e assistentes adaptavam a iconografia e os recursos pictóricos ocidentais para clientes no exterior^1,2,3,4,5. Embora a demanda do mercado possa ter influenciado o que foi produzido e preservado, o corpus atual não mede diretamente as preferências ou respostas individuais dos compradores.

Essas pinturas devem, portanto, ser consideradas fontes seletivas e mediadas, e não registros abrangentes da vida cotidiana. Suas cenas podem idealizar, simplificar, padronizar ou adaptar práticas sociais por meio de convenções de oficina, seleção de mercado, aquisição por museus, catalogação e digitalização^1,2,3,4,5. A interpretação histórica deve distinguir características diretamente observáveis nas pinturas de inferências sobre os indivíduos representados, as condições de produção e os significados que espectadores posteriores atribuíram às obras.

As figuras femininas oferecem um meio focado para examinar essa distinção. Roupas, penteados, postura, cenário espacial, objetos, atividades e relações com outras figuras podem organizar as mulheres em papéis visualmente recorrentes, incluindo categorias de elite/beleza, doméstica, servidora, trabalhadora, de mercado, artística e ritual/nupcial. Essas categorias são descrições analíticas de padrões pictóricos e, por si só, não estabelecem patente legal, riqueza, ocupação, etnia, filiação a Banner ou Han, caráter moral ou identidade vivida.

A história da arte digital e a visão computacional podem facilitar comparações em larga escala de coleções visuais digitalizadas, ao mesmo tempo que permitem a análise crítica das suposições incorporadas nos modelos computacionais^6,7. Modelos de visão e linguagem podem auxiliar na identificação e organização de motivos visuais recorrentes, embora o viés cultural permaneça uma limitação importante quando vocabulários contemporâneos de modelos são aplicados a imagens históricas não ocidentais⁸. Pesquisas computacionais relacionadas sobre pintura tradicional chinesa demonstram igualmente o valor de combinar a detecção quantitativa de padrões com interpretações informadas historicamente⁹.

Este estudo aborda três perguntas: (1) Quais categorias de identidade feminina codificadas por humanos e julgadas estão representadas no corpus? (2) Quais combinações de vestuário, cenário espacial, objetos, postura e relações sociais caracterizam essas categorias? (3) Como a precisão geral de correspondência exata e a recordação em nível de categoria variam entre as sete categorias? O fluxo de trabalho baseia-se em abordagens computacionais para pintura tradicional chinesa⁹, limitando ao mesmo tempo suas afirmações históricas às imagens amostradas e às análises documentadas.

A contribuição pretendida é tanto historiográfica quanto técnica. A comparação em escala de corpus pode identificar fórmulas pictóricas recorrentes que, posteriormente, podem ser contextualizadas por meio de análise histórica detalhada. Essa abordagem pode orientar pesquisas sobre gênero, hierarquia, representações da vida cotidiana e encontros interculturais, sem tratar a frequência de imagens como evidência de prevalência social ou a semelhança visual como prova de identidade histórica.

Protocolo

Desenho do estudo e unidade analítica
Cada pintura ou registro catalográfico foi tratado como uma unidade analítica. Utilizou-se um desenho observacional baseado em corpus, combinando revisão de metadados, organização computacional preliminar, codificação manual independente e interpretação histórico-artística. O período do estudo foi definido como 1757–1911, e os critérios de inclusão e exclusão foram aplicados dentro desse intervalo. Obras de arte históricas e seus metadados catalográficos associados foram analisados. Quando foram comparadas distribuições ao longo de intervalos de datas de duração desigual, as contagens foram normalizadas pela duração do intervalo, considerando-se potenciais vieses de sobrevivência e aquisição na interpretação.

Construção e seleção do corpus
Os registros candidatos foram recuperados dos catálogos de museus citados, arquivos digitais e catálogos publicados. Para cada registro candidato, foram mantidos a instituição, título, data ou período, suporte, número de aquisição ou catálogo, URL estável da fonte, data de recuperação e declaração de direitos. Os links de origem foram preservados mesmo quando o arquivo de imagem correspondente não podia ser redistribuído legalmente. O procedimento de triagem relatado iniciou-se com 612 imagens candidatas. Desses, 85 foram excluídos por estarem fora do período de 1757–1911 ou da tradição das pinturas de exportação, 58 foram excluídos por serem reproduções modernas, registros desfocados ou retratarem temas incorretos, 29 foram excluídos por não apresentarem uma figura feminina identificável ou por terem resolução de imagem inadequada, e 7 foram excluídos por apresentarem metadados insuficientes. O corpus analítico final compreendeu 433 registros.

Padronização de metadados e pré-processamento de imagens
Cada pintura no corpus analítico final recebeu um identificador QEP estável, variando de QEP_001 a QEP_433. Os metadados do museu associados foram mantidos, incluindo instituição, número de registro, título, data, técnica ou materiais, local de origem, link de origem e descrição de catálogo disponível. Para análise visual, foram registrados a classificação preliminar por IA, a categoria humana validada, o número de figuras femininas, grupo etário, postura, vestuário, cenário espacial, objetos associados e relações sociais. Cada pintura foi classificada em uma das sete categorias principais: elite/beleza, doméstica, servidão, trabalho, mercado, atuação ou ritual/casamento. Em cenas com múltiplas figuras femininas, a figura focal foi identificada com base na proeminência visual e centralidade narrativa. Quando nenhuma figura feminina era predominante, a categoria principal foi definida com base na atividade principal retratada e no contexto geral da cena. Categorias sobrepostas foram resolvidas priorizando a atividade retratada e o contexto da cena em vez do vestuário ou aparência isoladamente. Casos ambíguos foram revisados independentemente por ambos os codificadores e resolvidos por consenso. As imagens originais foram salvas nos formatos JPEG ou PNG. Apenas bordas de páginas, molduras de catálogo ou margens sem imagem foram recortadas. O conteúdo pictórico não foi reconstruído, recolorido, melhorado ou restaurado.

Rotulagem preliminar baseada em CLIP
O codificador de imagens CLIP ViT-B/32 foi utilizado para análise preliminar de similaridade entre imagem e texto9. Os termos candidatos de identidade incluíram mulher elite, mulher doméstica, empregada doméstica, mulher trabalhadora, mulher do mercado, mulher artista, noiva e mulher ritualística. Os termos de cena incluíram interior chinês, jardim, mercado de rua, oficina, produção de chá, trabalho têxtil e cena cerimonial. O conjunto completo de modelos de prompts, sua ordem, qualquer agrupamento de prompts, procedimentos de normalização de texto, regras de decisão, pontuações de confiança e empates foram mantidos para cada imagem.

A lista completa de prompts foi aplicada de forma consistente a todas as imagens utilizando o modelo OpenAI CLIP ViT-B/32 implementado em Python 3.10 com PyTorch 2.0.1 e o pacote OpenAI CLIP. A inferência foi realizada em uma GPU com suporte a CUDA, com tamanho de lote de 32, usando precisão FP32. Cada imagem foi redimensionada e recortada no centro para 224 × 224 pixels, e os canais RGB foram normalizados usando a transformação de pré-processamento associada ao modelo ViT-B/32. Os prompts de texto foram construídos utilizando os descritores de identidade e de cena definidos acima e codificados com o codificador de texto do CLIP. A similaridade cosseno foi calculada entre os embeddings normalizados de imagem e texto, e o prompt com a maior pontuação de similaridade foi atribuído como rótulo preliminar de IA. As pontuações de similaridade para todos os rótulos candidatos foram mantidas para revisão humana subsequente. Uma semente aleatória fixa de 42 foi utilizada, e procedimentos idênticos de pré-processamento, modelos de prompts e regras de decisão foram aplicados a todas as 433 pinturas.

Localização assistida por SAM
O Modelo de Segmentação Universal (SAM) foi utilizado estritamente para localizar figuras, vestuários, móveis, ferramentas, objetos rituais e regiões arquitetônicas para inspeção visual humana. É fundamental enfatizar que o SAM não participou do processo de classificação; suas máscaras, recortes e características derivadas foram isolados dos processos de rotulagem e agrupamento do CLIP, garantindo que a aplicação do SAM fornecesse apenas auxílios de localização sem influenciar ou inflar o desempenho da classificação.

Sugestões manuais de pontos ou caixas delimitadoras foram aplicadas quando necessário para refinar a localização de elementos visuais. Máscaras SAM foram geradas para figuras femininas, vestuários, móveis, ferramentas, objetos rituais e elementos arquitetônicos, e cada resultado de segmentação foi inspecionado visualmente quanto à cobertura regional adequada. As máscaras resultantes auxiliaram na identificação e revisão de características iconográficas relevantes, mas não foram utilizadas para rotulagem CLIP ou atribuição de categorias.

Redução de dimensionalidade e agrupamento
Os embeddings de imagens CLIP foram calculados, e o UMAP com distância cosseno foi utilizado para visualização bidimensional¹⁰. A representação usada para agrupamento, juntamente com seu procedimento de pré-processamento, dimensionalidade e definição de distância, foi registrada.

Aplicaram-se agrupamentos por K-médias e hierárquico às representações baseadas em características visuais para identificar agrupamentos recorrentes dentro do corpus¹¹. Avaliaram-se soluções candidatas do K-médias para k = 5–9 utilizando o coeficiente de silhueta e o índice de Davies–Bouldin. Utilizou-se inicialização K-médias++ com n_init = 10, max_iter = 300, tol = 1 × 10⁻⁴ e random_state = 42. Realizou-se o agrupamento hierárquico utilizando agrupamento aglomerativo com ligação média e distância cosseno. Compararam-se as soluções candidatas utilizando índices quantitativos de validação, estabilidade dos agrupamentos e interpretabilidade sob a perspectiva da história da arte, selecionando-se a solução final de agrupamento por apresentar a representação mais coerente dos padrões visuais recorrentes. A atribuição final de agrupamentos para cada uma das 433 pinturas foi mantida para comparações posteriores com as categorias codificadas por humanos.

Codificação manual, treinamento e adjudicação
Dois codificadores revisaram independentemente todas as 433 imagens utilizando um manual de codificação versionado que abrangia categoria principal, quantidade de figuras, grupo etário, postura, vestuário, cenário espacial, objetos e relações sociais. Os registros específicos de cada codificador foram mantidos antes da adjudicação. Os codificadores tinham formações relevantes em história da arte e análise visual e foram treinados com o manual de codificação padronizado e exemplos representativos do corpus de pinturas. Antes da codificação formal, eles realizaram um exercício de calibração envolvendo 30 pinturas para promover a interpretação consistente das sete categorias de identidade e das cinco dimensões de indicadores visuais.

Durante a codificação formal, ambos os codificadores avaliaram independentemente todas as pinturas elegíveis, permanecendo cegos às decisões de codificação um do outro, bem como aos rótulos preliminares da IA e às atribuições de agrupamento. A confiabilidade entre codificadores foi avaliada utilizando o kappa de Cohen. O valor de kappa observado para a categoria principal de identidade foi de 0,88, e as variáveis categóricas de pistas visuais variaram de 0,79 a 0,92, demonstrando forte concordância entre os codificadores. Os desacordos foram resolvidos por meio de discussão e consenso, e as categorias adjudicadas e os códigos de pistas visuais foram registrados para análises posteriores¹². Os rótulos pré-adjudicação foram mantidos.

Concordância entre IA e humano e estimativa de desempenho
A categoria humana adjudicada foi usada como referência para comparação descritiva com uma etiqueta preliminar de IA por pintura. A acurácia geral de correspondência exata foi calculada como 356/433 (82,2%). A recordação por categoria foi calculada como o número de correspondências exatas entre IA e humano dividido pelo suporte da referência humana para cada categoria. O suporte por categoria, correspondências exatas, discrepâncias e os respectivos denominadores foram relatados explicitamente.

Com base nas 433 etiquetas pareadas em nível de caso, de IA e humanas, foram calculados os falsos positivos da classe-alvo, além das pontuações de precisão, revocação e F1 por categoria. Uma matriz de confusão completa foi construída para analisar os padrões de classificação fora da diagonal, o que posteriormente orientou a revisão de discrepâncias, a documentação da taxonomia de erros e as regras de arbitragem.

Pacote e materiais de reprodutibilidade
O fluxo de trabalho computacional e os materiais de pesquisa complementares foram organizados em um repositório com controle de versão. O pacote de reprodutibilidade foi projetado para incluir scripts para pré-processamento, análise de CLIP, localização de SAM, UMAP, agrupamento, análise de concordância e geração de figuras, juntamente com o código de codificação manual, arquivos de configuração, informações sobre dependências, resultados derivados por caso e um inventário legível por máquina das fontes de imagens e informações sobre direitos. Um identificador persistente foi atribuído aos materiais de pesquisa arquivados para facilitar a reprodutibilidade e o reuso.

O Microsoft Excel 2021 foi utilizado para organizar e gerenciar os metadados. As análises computacionais utilizaram o CLIP ViT-B/32 para rotulagem preliminar visão-linguagem, o SAM para localização de elementos visuais, o UMAP com distância cosseno para redução de dimensionalidade e os métodos de agrupamento K-médias e agrupamento hierárquico para análise exploratória de padrões. As soluções de agrupamento foram avaliadas utilizando o coeficiente de silhueta e o índice de Davies–Bouldin, e a concordância entre codificadores foi avaliada usando o kappa de Cohen. O ambiente de software, as configurações dos modelos, as configurações computacionais e as sementes aleatórias utilizadas em todo o fluxo de trabalho foram documentadas para apoiar a reprodutibilidade.

Resultados

Construção do corpus e composição descritiva
Figura 1 apresenta a visão geral em quatro painéis do corpus. Figura 1A mostra o processo de triagem relatado, desde 612 registros candidatos até 433 registros mantidos. Figura 1B exibe exemplos representativos de mídias e formatos. Figura 1C apresenta as contagens em quatro intervalos de datas, e Figura 1D r...

Discussão

Nas sumarizações agregadas fornecidas, 433 registros foram organizados em sete categorias de referência humana e descritos por meio de cinco famílias de sinais visuais. Elite/beleza foi a categoria mais numerosa (112/433), e 356 rótulos preliminares coincidiram com a referência humana relatada (82,2%). Essas são observações do corpus. Elas apoiam o estudo de fórmulas pictóricas recorrentes, mas não a proposição mais forte de que as fórmulas reproduzem fielmente a sociedade Qing ou provocaram uma resposta específica entre...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
CLIP ViT-B/32	OpenAI	OpenAI CLIP, ViT-B/32	Modelo de visão e linguagem utilizado para análise preliminar de similaridade entre imagem–texto e atribuição de rótulos preliminares de IA.
Estação de trabalho computacional	Estação de trabalho computacional dos autores’	GPU com suporte a CUDA; configuração exata do hardware a ser informada	Estação de trabalho utilizada para inferência do CLIP e do SAM e análises computacionais; as especificações da GPU, CPU, RAM, sistema operacional e CUDA devem ser relatadas a partir do ambiente original de execução.
Matplotlib	Equipe de desenvolvimento do Matplotlib	Pacote Python; versão exata a ser informada	Utilizado para visualização computacional e geração de figuras e gráficos de análise.
Microsoft Excel 2021	Microsoft Corporation	Microsoft Excel 2021	Utilizado para organização de metadados, registros de triagem e gerenciamento de dados tabulares do estudo.
NumPy	Desenvolvedores do NumPy	Pacote Python; versão exata a ser informada	Utilizado para cálculos numéricos e manipulação de matrizes de características de imagem e dados analíticos.
pandas	Equipe de desenvolvimento do pandas	Pacote Python; versão exata a ser informada	Utilizado para manipulação de dados estruturados, processamento de metadados e organização de resultados analíticos por caso.
Python 3.10	Python Software Foundation	Python 3.10	Ambiente de programação utilizado para implementar o fluxo de trabalho computacional de análise de imagens.
PyTorch 2.0.1	PyTorch Foundation	PyTorch 2.0.1	Framework de aprendizado profundo utilizado para execução da codificação de imagens e textos baseada no CLIP e inferência com GPU.
scikit-learn	Desenvolvedores do scikit-learn	Pacote Python; versão exata a ser informada	Utilizado para cálculos de agrupamento por K-médias, agrupamento aglomerativo, coeficiente de silhueta, índice de Davies–Bouldin e kappa de Cohen’.
Modelo de Segmentação Universal (SAM)	Pesquisa da Meta AI	SAM	Modelo de segmentação utilizado para localizar figuras femininas, vestuários, móveis, ferramentas, objetos rituais e regiões arquitetônicas para inspeção visual.
umap-learn	McInnes et al.	Implementação Python do UMAP	Utilizado para redução de dimensionalidade e visualização bidimensional dos embeddings de imagens do CLIP com distância cosseno.