Bu makale, Qing dönemi 433 Çin ihracat tablosundaki kadınların tekrarlanan temsillerini incelemek için insan denetimli bir hesaplamalı iş akışı sunmaktadır. Korpus içindeki kalıplar, yedi insan referans kategorisi ve tekrarlayan görsel ipuçlarıyla karakterize edilirken; bulgular örneklenen görüntülerle sınırlıdır ve Qing toplumsal gerçekliğini veya tarihsel karşılığını ölçmez.
Araştırma makalesi
Qing Çin İhracat Resimlerinde Kadın Kimliği ve Sınıf Hayal Gücü: Kültürlerarası Yorumlamanın Yapay Zeka Destekli Bir Çalışması
Bu makalede
Özet
Özet
Bu çalışma, 1757–1911 tarihli 433 adet Qing Çin ihracat tablosundan oluşan bir külliyatta, kadın kimliğinin ve sınıf kodlu görsel ipuçlarının tekrarlanan temsillerini incelemiştir. İş akışı; ön etiketleme için CLIP ViT-B/32, Segment Anything Model (SAM) destekli lokalizasyon, boyut indirgeme ve kümeleme ile iki bağımsız kodlayıcı tarafından gerçekleştirilen manuel ikonografik kodlamayı birleştirmiştir. CLIP etiketleri ön organizasyon için kullanılmış, SAM lokalizasyon yardımı olarak hizmet etmiş ve hakemli insan kodlaması referans kategorileri sağlamıştır. Toplam sonuçlar yedi insan-referans kategorisi belirlemiştir: seçkin/güzellik (n = 112), işçi (n = 72), ev içi (n = 64), hizmetçi (n = 58), ritüel/düğün (n = 45), pazar (n = 43) ve performans (n = 39). Ön hesaplama etiketleri, 433 tablonun 356'sı için (%82,2) insan-referans etiketleriyle eşleşmiş ve kategori düzeyindeki geri çağırma (recall) oranı %73,3 ile %88,4 arasında değişmiştir. Bu kategorilerin görsel profillerini tanımlamak için kıyafet, mekansal ortam, nesneler, duruş ve betimlenen sosyal ilişkilerin tekrarlanan kombinasyonları kullanılmıştır. 433 vaka düzeyindeki yapay zeka-insan etiket çiftlerinin değerlendirmesi, sınıflandırma modellerini detaylandıran bir hata matrisiyle birlikte kapsamlı kategori düzeyinde kesinlik (precision), geri çağırma ve F1 skorları sağlamıştır. Kümeleme doğrulaması, seçilen kümeleme çözümünü desteklemiş ve türetilen kümeler ile insan tarafından tanımlanan referans kategorileri arasındaki uygunluğu kanıtlamıştır. Genel olarak, kıyafet, mekansal ortam, nesneler, duruş ve sosyal ilişkilerin tekrarlanan kombinasyonları, örneklenen külliyat içinde kalıplaşmış piktoral tipolojilerin olduğunu göstermektedir. Bu bulgular, Qing Çin ihracat tablolarındaki görsel temsili karakterize etmektedir ancak yasal statü, yaşanmış deneyim, pazar talebi veya tarihsel yabancı kabulünün doğrudan ölçümleri olarak yorumlanmamalıdır.
Giriş
Qing dönemi Çin ihracat resimleri, on sekizinci yüzyılın sonlarından itibaren Kanton ve diğer toplama merkezlerini Avrupalı ve Amerikalı alıcılarla birbirine bağlayan ticari ve kültürel ağların bir parçasını oluşturmuştur1,2,3,4,5. Tüccarlar, gezginler, diplomatlar, misyonerler ve koleksiyoncular bu resimleri taşınabilir ticari mallar, hediyelik eşyalar, görsel bilgi kaynakları ve yerlerin, mesleklerin, üretimin, geleneklerin ve sosyal tiplerin temsilleri olarak edinmişlerdir. Dolayısıyla bu resimlerin dolaşımı, hem Çin atölye uygulamalarını hem de dış pazarların beklentilerini yansıtmaktaydı.
Yabancı talep; tanınabilir konuları, seri formatları, tekrarlanan motifleri ve koleksiyonu yapılıp karşılaştırılabilecek sahneleri tercih etmiştir. Atölyeler, satış amacıyla medyayı, ölçeği, kompozisyonu ve konu seçimini uyarlarken; alıcılar genellikle zanaatların, törenlerin, iç mekanların, bahçelerin, sokakların ve pitoresk sosyal tiplerin anlaşılır tasvirlerini tercih etmiştir. Kanton atölye sahnelerinin tekrarlanan versiyonları, sanatçıların ve asistanların ikonografiyi ve Batılı resimsel yöntemleri denizaşırı hamiler için nasıl uyarladığını daha net bir şekilde göstermektedir1,2,3,4,5. Pazar talebi, üretilen ve korunan eserleri etkilemiş olsa da mevcut korpus, bireysel alıcıların tercihlerini veya tepkilerini doğrudan ölçmemektedir.
Bu nedenle, bu tablolar günlük yaşamın kapsamlı kayıtlarından ziyade, seçici ve aracılı kaynaklar olarak değerlendirilmelidir. Bu tabloların sahneleri; atölye gelenekleri, piyasa seçimi, müze kazanımları, kataloglama ve dijitalleştirme yoluyla sosyal uygulamaları idealleştirebilir, basitleştirebilir, standartlaştırabilir veya uyarlayabilir1,2,3,4,5. Tarihsel yorumlama, tablolarda doğrudan gözlemlenebilen özellikleri; temsil edilen kişiler, üretim koşulları ve daha sonraki izleyicilerin eserlere atfettiği anlamlar hakkındaki çıkarımlardan ayırmalıdır.
Kadın figürleri, bu ayrımı incelemek için odaklanmış bir araç sunmaktadır. Kıyafet, saç stili, duruş, mekânsal ortam, nesneler, aktiviteler ve diğer figürlerle olan ilişkiler; kadınları seçkin/güzellik, ev içi, hizmetli, işçi, pazar, performans ve ritüel/düğün kategorileri dahil olmak üzere görsel olarak tekrarlanan rollerde organize edebilir. Bu kategoriler, piktorial kalıpların analitik tanımlamalarıdır ve tek başlarına yasal rütbeyi, serveti, mesleği, etnisiteyi, Banner veya Han aidiyetini, ahlaki karakteri veya yaşanmış kimliği belirlemezler.
Dijital sanat tarihi ve bilgisayarlı görü, dijitalleştirilmiş görsel koleksiyonların geniş ölçekli karşılaştırmalarını kolaylaştırırken aynı zamanda hesaplama modellerine yerleştirilmiş varsayımların kritik olarak incelenmesine olanak tanıyabilir6,7. Görsel-dil modelleri, tekrarlayan görsel motiflerin tanımlanmasına ve düzenlenmesine yardımcı olabilir; ancak güncel model sözlükleri tarihsel, Batı dışı görüntülere uygulandığında kültürel yanlılık önemli bir kısıtlama olmaya devam etmektedir8. Geleneksel Çin resmi üzerine yapılan ilgili hesaplama araştırmaları da benzer şekilde, nicel desen tespitinin tarihsel bilgiye dayalı yorumlamayla birleştirilmesinin değerini ortaya koymaktadır9.
Bu çalışma üç soruyu ele almaktadır: (1) Korpusda hangi hakem onaylı, insan tarafından kodlanmış kadın kimlik kategorileri temsil edilmektedir? (2) Bu kategorileri hangi giyim, mekansal ortam, nesne, duruş ve sosyal ilişki kombinasyonları karakterize etmektedir? (3) Genel tam eşleşme doğruluğu ve kategori düzeyindeki geri çağırma oranı yedi kategori arasında nasıl değişmektedir? İş akışı, tarihsel iddialarını örneklenen görüntüler ve belgelenmiş analizlerle sınırlandırırken, geleneksel Çin resmindeki hesaplamalı yaklaşımlardan yararlanmaktadır9.
Hedeflenen katkı hem tarihyazımsal hem de tekniktir. Korpus ölçeğinde karşılaştırma, daha sonra yakın tarihsel analiz yoluyla bağlamlandırılabilen tekrarlayan piktorial formülleri tanımlayabilir. Bu yaklaşım, görüntü sıklığını toplumsal yaygınlığın kanıtı veya görsel benzerliği tarihsel kimliğin ispatı olarak değerlendirmeden; cinsiyet, hiyerarşi, günlük yaşam temsilleri ve kültürlerarası karşılaşmalar üzerine yapılan araştırmalara bilgi sağlayabilir.
Protokol
Çalışma tasarımı ve analitik birim
Her tablo veya katalog kaydı tek bir analitik birim olarak kabul edilmiştir. Metaveri incelemesi, ön hesaplamalı organizasyon, bağımsız manuel kodlama ve sanat tarihi yorumlamasını birleştiren korpus tabanlı bir gözlemsel tasarım kullanılmıştır. Çalışma dönemi 1757–1911 olarak belirlenmiş ve bu zaman dilimi içerisinde dahil etme ve hariç tutma kriterleri uygulanmıştır. Tarihi sanat eserleri ve bunlarla ilişkili katalog metaverileri analiz edilmiştir. Eşit olmayan sürelere sahip tarih aralıklarındaki dağılımlar karşılaştırıldığında, sayımlar aralık süresine göre normalize edilmiş; olası hayatta kalma ve edinme yanlılıkları ise yorumlamada dikkate alınmıştır.
Korpus oluşturma ve seçimi
Aday kayıtlar; atıf yapılan müze kataloglarından, dijital arşivlerden ve yayınlanmış kataloglardan elde edilmiştir. Her bir aday kayıt için kurum, başlık, tarih veya tarih aralığı, ortam, envanter veya katalog numarası, sabit kaynak URL'si, erişim tarihi ve haklar beyanı saklanmıştır. İlgili görüntü dosyası yasal olarak yeniden dağıtılamasa bile kaynak bağlantıları korunmuştur. Bildirilen tarama prosedürü 612 aday görüntü ile başlamıştır. Bunlardan 85'i 1757–1911 dönemi veya ihracat resmi geleneği dışında kaldıkları için, 58'i modern reprodüksiyonlar, bulanık kayıtlar oldukları veya yanlış konuları betimledikleri için, 29'u tanımlanabilir bir kadın figürüne veya yeterli görüntü çözünürlüğüne sahip olmadıkları için ve 7'si yetersiz meta veri nedeniyle hariç tutulmuştur. Nihai analitik korpus 433 kayıttan oluşmuştur.
Üst veri standardizasyonu ve görüntü ön işleme
Final analitik korpusundaki her bir tabloya QEP_001 ile QEP_433 arasında değişen sabit bir QEP tanımlayıcısı atanmıştır. Kurum, envanter numarası, başlık, tarih, ortam veya malzemeler, menşei, kaynak bağlantısı ve mevcut katalog açıklaması dahil olmak üzere ilgili müze üst verileri korunmuştur. Görsel analiz için; ön AI etiketi, hakemli insan kategorisi, kadın figür sayısı, yaş grubu, duruş, giyim, mekansal ortam, ilişkili nesneler ve sosyal ilişkiler kaydedilmiştir. Her tablo yedi ana kategoriden birine sınıflandırılmıştır: elit/güzellik, evcil, hizmetçi, işçi, pazar, performans veya ritüel/düğün. Birden fazla kadın figür içeren sahnelerde, odak figür görsel belirginlik ve anlatısal merkeziyetle belirlenmiştir. Tek bir kadın figürün baskın olmadığı durumlarda, ana kategori betimlenen temel aktiviteye ve genel sahne bağlamına göre atanmıştır. Örtüşen kategoriler, betimlenen aktiviteye ve sahne bağlamına, sadece giyim veya görünüme tercih verilerek çözülmüştür. Belirsiz vakalar, her iki kodlayıcı tarafından bağımsız olarak incelenmiş ve fikir birliği yoluyla karara bağlanmıştır. Kaynak görüntüler JPEG veya PNG formatında kaydedilmiştir. Yalnızca web sayfası kenarlıkları, katalog çerçeveleri veya görüntü dışı marjlar kırpılmıştır. Boyama içeriği yeniden yapılandırılmamış, yeniden renklendirilmemiş, iyileştirilmemiş veya restore edilmemiştir.
CLIP tabanlı ön etiketleme
Ön görüntü-metin benzerliği analizi için CLIP ViT-B/32 görüntü kodlayıcısı kullanılmıştır9. Aday kimlik terimleri arasında seçkin kadın, ev kadını, kadın hizmetçi, çalışan kadın, pazar kadını, kadın sanatçı, gelin ve ritüel kadını yer almıştır. Sahne terimleri arasında Çin iç mekanı, bahçe, sokak pazarı, atölye, çay üretimi, tekstil işi ve tören sahnesi yer almıştır. Her görüntü için istem şablonlarının tam seti, sıralamaları, kullanılan istem toplulukları, metin normalleştirme prosedürleri, karar kuralları, güven puanları ve eşitlik durumları kaydedilmiştir.
Tüm istem listesi, Python 3.10'da PyTorch 2.0.1 ve OpenAI CLIP paketi ile uygulanan OpenAI CLIP ViT-B/32 modeli kullanılarak tüm görüntülere tutarlı bir şekilde uygulanmıştır. Çıkarım, CUDA destekli bir GPU üzerinde, 32'lik bir grup boyutu (batch size) ve FP32 hassasiyeti kullanılarak gerçekleştirilmiştir. Her görüntü 224 × 224 piksele yeniden boyutlandırılmış ve merkezden kırpılmış; RGB kanalları ise ViT-B/32 modeli ile ilişkili ön işleme dönüşümü kullanılarak normalize edilmiştir. Metin istemleri, yukarıda tanımlanan kimlik ve sahne tanımlayıcıları kullanılarak oluşturulmuş ve CLIP metin kodlayıcısı ile kodlanmıştır. Normalize edilmiş görüntü ve metin gömmeleri (embeddings) arasında kosinüs benzerliği hesaplanmış ve en yüksek benzerlik puanına sahip istem, ön AI etiketi olarak atanmıştır. Tüm aday etiketlerin benzerlik puanları, sonraki insan incelemesi için saklanmıştır. 42 sabit rastgele tohumu (seed) kullanılmış; aynı ön işleme prosedürleri, istem şablonları ve karar kuralları tüm 433 tabloya uygulanmıştır.
SAM destekli yerelleştirme
Segment Anything Model (SAM), figürlerin, giysilerin, mobilyaların, araçların, ritüel nesnelerinin ve mimari bölgelerin insan görsel incelemesi için yerelleştirilmesinde titizlikle kullanılmıştır. SAM'in sınıflandırma hattına katılmadığı vurgulanmalıdır; SAM'den elde edilen maskeler, kırpılmış görseller ve türetilmiş özellikler, CLIP etiketleme ve kümeleme süreçlerinden izole edilerek, SAM uygulamasının sınıflandırma performansını etkilemeden veya şişirmeden yalnızca yerelleştirme yardımı sağlaması garanti altına alınmıştır.
Görsel öğelerin yerelleştirmesini hassaslaştırmak için gerektiğinde manuel nokta istemleri veya sınırlayıcı kutular uygulandı. Kadın figürler, giysiler, mobilyalar, aletler, ritüel nesneleri ve mimari öğeler için SAM maskeleri oluşturuldu ve her segmentasyon sonucu, uygun bölgesel kapsam açısından görsel olarak incelendi. Elde edilen maskeler, ilgili ikonografik özelliklerin tanımlanmasını ve gözden geçirilmesini desteklemiş ancak CLIP etiketlemesi veya kategori ataması için kullanılmamıştır.
Boyut indirgeme ve kümeleme
CLIP görüntü gömlemeleri hesaplandı ve iki boyutlu görselleştirme için kosinüs uzaklıklı UMAP kullanıldı10. Kümeleme için kullanılan temsil; ön işleme prosedürü, boyutu ve uzaklık tanımı ile birlikte kaydedildi.
Korpus içindeki tekrarlayan görsel gruplandırmaları belirlemek amacıyla görüntü-özellik temsillerine K-ortalama ve hiyerarşik kümeleme uygulanmıştır11. k = 5–9 için aday K-ortalama çözümleri, siluet katsayısı ve Davies–Bouldin indeksi kullanılarak değerlendirilmiştir. K-means++ başlatması; n_init = 10, max_iter = 300, tol = 1 × 10⁻4 ve random_state = 42 parametreleri ile kullanılmıştır. Hiyerarşik kümeleme, ortalama bağlama (average linkage) ve kosinüs mesafesi ile birleştirici (agglomerative) kümeleme kullanılarak gerçekleştirilmiştir. Aday çözümler; nicel doğrulama indeksleri, küme kararlılığı ve sanat tarihi açısından yorumlanabilirlik kriterleri kullanılarak karşılaştırılmış ve nihai küme çözümü, tekrarlayan görsel kalıpları en tutarlı şekilde temsil ettiği için seçilmiştir. 433 tablonun her biri için elde edilen küme atamaları, insan tarafından kodlanmış kategorilerle yapılacak sonraki karşılaştırmalar için saklanmıştır.
Manuel kodlama, eğitim ve hakem değerlendirmesi
İki kodlayıcı, ana kategori, figür sayısı, yaş grubu, duruş, giysi, mekansal ortam, nesneler ve sosyal ilişkileri kapsayan versiyonlanmış bir kod rehberi kullanarak tüm 433 görüntüyü bağımsız olarak inceledi. Kodlayıcıya özel kayıtlar, hakem değerlendirmesinden önce saklandı. Kodlayıcılar, sanat tarihi ve görsel analiz alanlarında ilgili geçmişe sahipti ve standart kodlama kılavuzu ile tablo kümesinden seçilen temsili örnekler kullanılarak eğitildiler. Resmi kodlamadan önce, yedi kimlik kategorisinin ve beş görsel ipucu boyutunun tutarlı şekilde yorumlanmasını sağlamak amacıyla 30 tabloyu içeren bir kalibrasyon egzersizini tamamladılar.
Resmi kodlama sırasında, her iki kodlayıcı da birbirlerinin kodlama kararlarından, öncül yapay zeka etiketlerinden ve küme atamalarından habersiz şekilde tüm uygun tabloları bağımsız olarak değerlendirmiştir. Kodlayıcılar arası güvenilirlik Cohen's kappa kullanılarak değerlendirilmiştir. Birincil kimlik kategorisi için gözlemlenen kappa değeri 0,88 iken, kategorik görsel-ipucu değişkenleri 0,79 ile 0,92 arasında değişmiş ve kodlayıcılar arasında güçlü bir uyum olduğunu göstermiştir. Anlaşmazlıklar tartışma ve fikir birliği yoluyla çözülmüş; hakemli kategori ve görsel-ipucu kodları sonraki analizler için kaydedilmiştir12. Hakemlik öncesi etiketler korunmuştur.
Yapay zeka–insan uyumu ve performans tahmini
Hakem onaylı insan kategorisi, tablo başına bir ön yapay zeka etiketi ile tanımlayıcı karşılaştırma için referans olarak kullanılmıştır. Genel kesin eşleşme doğruluğu 356/433 (%82,2) olarak hesaplanmıştır. Kategori geri çağırma oranı, her kategori için kesin yapay zeka–insan eşleşme sayısının, insan referans destek sayısına bölünmesiyle hesaplanmıştır. Kategori desteği, kesin eşleşmeler, uyumsuzluklar ve ilgili paydalar açıkça raporlanmıştır.
Yapay zeka ve insan tarafından etiketlenmiş 433 vaka düzeyindeki eşleştirilmiş etiket temel alınarak; hedef sınıftaki yanlış pozitifler, kategori başına kesinlik (precision), duyarlılık (recall) ve F1 skorları hesaplanmıştır. Köşegen dışı sınıflandırma modellerini analiz etmek amacıyla tam bir hata matrisi (confusion matrix) oluşturulmuş ve bu matris daha sonra uyumsuzluk incelemesine, hata taksonomisi dokümantasyonuna ve karar kurallarına rehberlik etmiştir.
Yeniden üretilebilirlik paketi ve materyaller
Hesaplama iş akışı ve destekleyici araştırma materyalleri, versiyon kontrollü bir depoda düzenlenmiştir. Yeniden üretilebilirlik paketi; ön işleme, CLIP analizi, SAM lokalizasyonu, UMAP, kümeleme, uyum analizi ve şekil oluşturma için betikleri; manuel kodlama kod kitabını, konfigürasyon dosyalarını, bağımlılık bilgilerini, vaka düzeyinde türetilmiş çıktıları ve görüntü kaynakları ile haklar bilgileri içeren makine tarafından okunabilir bir envanteri kapsayacak şekilde tasarlanmıştır. Yeniden üretilebilirliği ve yeniden kullanımı kolaylaştırmak amacıyla, arşivlenen araştırma materyallerine kalıcı bir tanımlayıcı atanmıştır.
Metadata'nın organize edilmesi ve yönetilmesi için Microsoft Excel 2021 kullanılmıştır. Hesaplamalı analizlerde; ön görsel-dil etiketlemesi için CLIP ViT-B/32, görsel öğe lokalizasyonu için SAM, boyut indirgeme için kosinüs mesafeli UMAP ve keşifsel örüntü analizi için K-means ve hiyerarşik kümeleme yöntemleri kullanılmıştır. Kümeleme çözümleri silüet katsayısı ve Davies–Bouldin indeksi kullanılarak değerlendirilmiş; kodlayıcılar arası uyum ise Cohen’s kappa ile analiz edilmiştir. Tekrar üretilebilirliği desteklemek amacıyla, iş akışı boyunca kullanılan yazılım ortamı, model konfigürasyonları, hesaplama ayarları ve rastgele tohum değerleri belgelenmiştir.
Sonuçlar
Korpus oluşturma ve betimsel kompozisyon
Şekil 1, korpusun dört panelli genel görünümünü sunmaktadır. Şekil 1A, 612 aday kayıttan 43 tutulan kayda kadar olan raporlanmış tarama sürecini göstermektedir. Şekil 1B, medya ve formatların temsili örneklerini sergilemektedir. Şekil 1C, dört tarih aralığındaki sayıları sunmakta ve Şekil 1D, korpusun kaynak ve medya kompozisyonunu özetlemektedir. Tarih aralıkları eşit olmayan süreleri kapsadığından, bu sayılar örneklenen korpusun kompozisyonunu tanımlar ve tarihsel üretim oranları olarak yorumlanmamalıdır.
Tablo 1, derlemin toplu özelliklerini özetlemektedir. Müze koleksiyonları 302 kayıt, dijital arşivler 81 ve yayınlanmış kataloglar 50 kayıt oluşturmuştur. Ortamlar; ihracat suluboyası (n = 176), pith-kağıdı resmi (n = 12), ihracat albüm sayfası (n = 83), figür resmi (n = 41) ve diğer format (n = 21) olarak kategorize edilmiştir. Metaveriler; eksiksiz (n = 288), kısmi (n = 18) veya asgari (n = 27) olarak sınıflandırılmıştır. Kadın figürleri; merkezi (n = 214), ikincil (n = 102) veya çoklu (n = 17) olarak kategorize edilmiştir. Her sınıflandırma bloğu toplam 433 kaydın tamamını kapsamaktadır.
Ön AI etiketleri ve insan-referans kategorileri
Tablo 2 , 43 tablo genelinde ön AI tarafından oluşturulan etiketler ile insan-referans kategorileri arasındaki toplam uyumu özetlerken, Ek Tablo 1 ilgili vaka düzeyindeki ön AI etiketlerini, kodlayıcı sınıflandırmalarını, karara bağlanmış insan-referans kategorilerini, eşleşme durumunu ve küme atamalarını sunmaktadır. Genel olarak, AI ve insan-referans etiketleri 356 tablo için eşleşmiş olup bu durum %82,2'lik bir tam eşleşme doğruluğuna karşılık gelmektedir. Kategori düzeyindeki geri çağırma (recall), her bir kategori için insan-referans desteğine oranla tam AI-insan eşleşmelerinin oranı olarak hesaplanmıştır.
Kategori düzeyindeki geri çağırma oranı, ritüel/düğün sahneleri için %73,3'ten (33/45) seçkin/güzellik için %8,4'e (9/12) kadar değişmiştir. Geri çağırma oranları; işçilik için %84,7 (61/72), performans için %82,1 (32/39), ev işleri için %79,7 (51/64), hizmetçi için %79,3 (46/58) ve pazar için %79,1 (34/43) olarak belirlenmiştir. Genel olarak, kesin uyum 356/43 (%82,2) olmuştur. Örnek düzeyindeki çiftlerin değerlendirilmesi, yedi kategorinin tamamında kesinlik ve F1 skorlarının hesaplanmasına olanak sağlamış; kesinlik %74,5 ile %89,2, F1 skorları ise 0,75 ile 0,88 arasında değişmiştir. Hedef sınıf yanlış pozitiflerini ve köşegen dışı kalıpları detaylandıran kapsamlı bir karışıklık matrisi Ek Şekil 1'de sunulmuştur.
Raporlanan hesaplamalı patern özetleri
Şekil 2, raporlanan dört hesaplamalı analiz görüntüsünü sunmaktadır. Şekil 2A, görsel lokalizasyon ve inceleme için kullanılan renkli segmentasyon katmanlarına sahip dokuz tablodan oluşan bir galeri göstermektedir. Şekil 2B, C1–C7 olarak etiketlenmiş yoğunluk konturları ile birlikte, raporlanan CLIP görüntü gömmelerinin (embeddings) bir UMAP saçılım grafiğini göstermektedir. Şekil 2C, raporlanan tablo sayılarını (dolu noktalar) kategori düzeyindeki geri çağırma (recall) oranlarıyla (açık daireler) karşılaştırmakta ve Şekil 2D, aynı etiketlere göre gruplandırılmış temsilci tabloların bir galerisini sunmaktadır. Küme doğrulama, 0,54 siluet skoru ve 0,92 Davies–Bouldin indeksi veren seçili kümeleme çözümünü desteklemiştir. Kümeden insan kategorisine eşleme, türetilen her bir kümenin ağırlıklı olarak belirgin bir insan referans kategorisine karşılık gelmesiyle güçlü bir uyum göstermiştir.
Tablo 3, yedi insan-referans kategori desteğine karşılık gelen örneklem boyutlarına sahip raporlanmış yedi hesaplamalı profili sunmaktadır. Kategoriye göre kümeleme çapraz tablosu Ek Tablo 2'de verilmiştir ve karar verilmiş yedi insan-referans kategorisinin C1–C7 kümeleri arasındaki dağılımını göstermektedir. Bu vaka düzeyindeki küme atamalarının analizi, hesaplamalı kümelemenin yedi insan-referans kategorisiyle yakından örtüşen görsel yapıları ortaya çıkardığını kanıtlamıştır.
Görsel-ipucu ilişkilendirmeleri ve yorumlayıcı sentez
Tablo 4, insan tarafından kodlanmış yedi kategoriyi tanımlamak için kullanılan kalitatif görsel-ipucu profillerini özetlemektedir. Bu profiller; kıyafetler, mekansal ortam, duruş, nesneler ve sosyal ilişkiler arasındaki tekrarlayan ilişkilendirmeleri tanımlamaktadır. Bunlar kantitatif bir çapraz tablodan türetilmemiş olup, dolayısıyla yasal statü, etnisite, sosyal nedensellik veya izleyici algısı hakkında bir tespit oluşturmamıştır.
Şekil 3 kodlanmış görsel özelliklerin tanımlayıcı nicel özetlerini, yorumlayıcı bir kavramsal modelle bütünleştirir. Şekil 3A karara bağlanmış yedi insan referans kategorisini ve bunların örneklem boyutlarını sunmaktadır. Şekil 3B bu kategoriler ile kodlanmış görsel belirteçler arasındaki göreceli ilişkileri beş boyut üzerinden göstermektedir: giyim, mekânsal ortam, nesneler, duruş ve sosyal ilişkiler. Görüntülenen ilişki güçleri, her bir insan-referans kategorisindeki vaka düzeyindeki açıklamalardan hesaplanmıştır. Şekil 3C kodlanmış gözlemlerden türetilen ağırlıklı akışları kullanarak insan-referans kategorileri, görsel-işaretleme boyutları ve sınıf-imalat arketipleri arasındaki ilişkileri özetler. Bu nicel ilişkiler, örneklenen tablolar içindeki tekrarlayan temsil kalıplarını karakterize eder ve tarihsel demografik veya sosyal dağılım tahminleri olarak yorumlanmamalıdır. Şekil 3D kavramsal bir kültürlerarası yorumlama modeli sunmaktadır ve ampirik olarak test edilmiş nedensel bir yoldan ziyade, tarihsel olarak bilgilendirilmiş bir yorumlama çerçevesi olarak anlaşılmalıdır.
Görsel örüntülerin bütünleşik yorumlanması
Külliyat genelinde, yedi kadın kimlik kategorisi; giyim, mekansal ortam, nesneler, duruş ve sosyal ilişkilerin tekrarlanan kombinasyonlarıyla karakterize edilmiştir. Bu kombinasyonlar, örneklenen tablolar içindeki kalıplaşmış görsel geleneklerin tanımlayıcı kanıtlarını sağlamıştır. Toplumsal cinsiyet, hiyerarşi ve kültürlerarası aracılığa ilişkin tarihsel yorumlar çıkarımsal kalmıştır.
Hep birlikte değerlendirildiğinde, toplam sonuçlar yedi insan-referanslı kadın kimlik kategorisi ve bunları karakterize etmek için kullanılan beş tekrarlayan boyut belirlemiştir: kıyafet, mekânsal ortam, nesneler, duruş ve sosyal ilişkiler. Ön AI etiketleri, 433 tablodan 356'sı (%82,2) için hakemli insan kategorileriyle eşleşmiş olup, kategori düzeyindeki en düşük geri çağırma oranı ritüel/düğün sahneleri için gözlemlenmiştir (%73,3). Bu bulgular, korpusun tanımlayıcı organizasyonunu ve karşılaştırılmasını desteklemiştir. Vaka düzeyindeki AI-insan etiketleri, kategori düzeyinde kesinlik ve F1 tahminlerine olanak sağlamıştır. Ayrı olarak, kümeleme analizi yedi insan-referanslı kategoriye karşılık gelen yapıları tanımlamıştır. Yine de, bu hesaplamalı bulgular, tarihsel sosyal gerçeklik veya izleyici alımlaması hakkında nedensel iddialar ortaya koymaktan ziyade görsel temsil konvansiyonlarını karakterize etmektedir.
VERİ ERİŞİLEBİLİRLİĞİ:
Meta veriler, kaynak bilgileri ve tarama kayıtları dahil olmak üzere bu çalışmayı destekleyen veriler, https://doi.org/10.5281/zenodo.2130291 adresinden Zenodo aracılığıyla erişilebilirdir.
Şekil 143 tablodan oluşan örneklemin korpus oluşturma süreci ve betimsel kompozisyonu. (A612 aday görüntünün ardışık taraması sonucunda 43 uygun tabloya ulaşılmıştır. Hariç tutulanlar arasında; çalışma dönemi veya ihracat resmi geleneği dışındaki tablolar (n = 85), modern reprodüksiyonlar, bulanık görüntüler veya yanlış konular (n = 58), tanımlanabilir bir kadın figürü bulunmayan veya çözünürlüğü yetersiz olan görüntüler (n = 29) ve yetersiz meta verilere sahip kayıtlar (n = 7) yer almıştır.B) Beş ortam ve formatın temsili örnekleri: ihracat suluboya (%40,6, n = 176), pith-kağıdı resmi (%25,9, n = 12), ihracat albüm yaprağı (%19,2, n = 83), figür resmi (%9,5, n = 41) ve diğer ihracat formatları (%4,8, n = 21). (C) Örneklenen tabloların dört kronolojik aralıktaki dağılımı. (D) Toplama kaynaklarının (dış halka) ve ortamların/formatların (iç halka) dağılımı. Yüzdeler toplam örneğe (N = 43) dayanmaktadır ve bir ondalık basamağa yuvarlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 2Raporlanan segmentasyon, gömme görselleştirmesi, küme dağılımı, kategori geri çağırma ve temsili tablolar. (A) İnceleme amacıyla figürleri veya görsel öğeleri yerelleştirmek için kullanılan, renkli segmentasyon katmanlarına sahip dokuz tablodan oluşan galeri. (B) Yoğunluk konturları ve C1–C7 etiketleri ile bildirilen CLIP görüntü gömme vektörlerinin UMAP saçılım grafiği. (C) Bildirilen tablo sayısı (dolu noktalar, üst eksen) ve kategori geri çağırma oranı (açık daireler, alt eksen); kategori geri çağırma oranı, tam eşleşmelerin insan referans desteğine bölünmesine eşittir. Güven aralıkları veya hata çubukları gösterilmemiştir. (D) Görüntülerin ilgili küme merkezlerine yakınlıklarına göre seçildiği, C1–C7 etiketlerine göre gruplandırılmış temsilci tablo galerisi. Kısaltmalar: AI = yapay zeka; CLIP = Contrastive Language–Image Pre-training; SAM = Segment Anything Model; UMAP = Uniform Manifold Approximation and Projection; C1–C7 = bildirilen 1–7 arası etiketler. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 3Görsel ipucu ilişkilendirmeleri ve kültürlerarası yorumlayıcı çerçeve. (A) 433 tablodan oluşan korpus içerisindeki, hakem kararıyla belirlenmiş yedi insan referanslı kadın kimlik kategorisi ve bunların örneklem büyüklükleri. (B) Yedi insan-referans kategorisi ile giyim, mekansal ortam, nesneler, duruş ve sosyal ilişkiler genelindeki kodlanmış görsel belirteçler arasındaki ilişkilerin bağıl gücünü gösteren ilişki ısı haritası. İlişki güçleri, her kategori içindeki vaka düzeyindeki açıklamalardan türetilmiştir. (C) Kodlanmış gözlemlere dayalı olarak, insan-referans kategorileri, görsel işaretleme boyutları ve sınıf-çıkarım arketipleri arasındaki ağırlıklı ilişkileri özetleyen alüvyal temsil. (D) Betimlenen faaliyetleri, atölye ve pazar seçimini, beş boyutlu görsel kodlamayı, tekrarlayan kimlik türlerini ve potansiyel yorumlama yollarını birbirine bağlayan kavramsal kültürlerarası yorumlama modeli. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Tablo 1: Derlem özellikleri ve metaveri eksiksizliği (N = 43). Sayılar ve yüzdeler altı ayrı bloğu özetlemektedir: tarih aralığı, kaynak, ortam veya format, metaveri eksiksizliği, kadın figürlerin temsili ve sahne tipi. Her blok payda olarak N = 43 değerini kullanır ve toplamı 43'tür; yüzdeler, blok içi derlem oranlarıdır ve bir ondalık basamağa yuvarlanmıştır. Lütfen bu dosyayı indirmek için buraya tıklayın.
Tablo 2: Ön AI etiketleri ve insan-referans kategorileri (N = 43). Destek, her bir insan-referans kategorisine atanan tablo sayısını temsil eder. Tam eşleşmeler, ön AI tarafından oluşturulan etiketin insan-referans kategorisiyle örtüştüğü tabloları belirtir. Kategori düzeyindeki geri çağırma (recall), tam eşleşme sayısının insan-referans destek sayısına bölünmesiyle hesaplanır. Bu dosyayı indirmek için lütfen buraya tıklayın.
Tablo 3: Bildirilen hesaplama profili özeti. C1–C7, doğrulanmış profil boyutlarını ve baskın etiketleri yeniden üretmektedir. Vaka düzeyindeki küme atamalarının ve küme-kategori çapraz tablosunun entegrasyonu, denetimsiz kümelemenin yedi insan referans kategorisine karşılık gelen görsel yapıları etkili bir şekilde yakaladığını doğrulamaktadır. Bu dosyayı indirmek için lütfen buraya tıklayın.
Tablo 4: Kadın kimlik kategorilerinin ve sınıfla ilgili görsel ipuçlarının nitel profilleri. Sayımlar ve yüzdeler insan referans kategorilerini özetlerken; giyim, mekan, nesneler, duruş ve sosyal ilişkiler, her bir kategoriyle ilişkili tekrarlayan görsel profilleri tanımlamaktadır. Sınıfla ilgili yorumlar, tarihsel sosyal statünün doğrudan ölçümleri değil, piktorial kalıpların ikonografik okumalarını temsil etmektedir. Lütfen bu dosyayı indirmek için buraya tıklayın.
Ek Şekil 1: 43 tablodan oluşan korpus için ön AI etiketleri ile hakemli insan-referans kategorilerinin karşılaştırıldığı hata matrisi.Satırlar hakemli insan-referans kategorilerini (gerçek etiketler), sütunlar ise ön CLIP tarafından oluşturulan kategorileri (tahmin edilen etiketler) temsil etmektedir. Hücre değerleri, her bir AI–insan etiket kombinasyonu için tablo sayısını belirtmektedir. Köşegen hücreler tam AI–insan eşleşmelerini temsil eder ve karşılık gelen kategori düzeyindeki geri çağırma oranı yüzde olarak gösterilmiştir. Köşegen dışındaki hücreler, ön AI sınıflandırması ile hakemli insan-referans kategorisi arasındaki uyumsuzlukları temsil eder. Genel tam eşleşme doğruluğu %82.2 (356/43) olarak belirlenmiştir. Lütfen bu dosyayı indirmek için buraya tıklayın.
Ek Tablo 1: Ön AI etiketlerinin, hakemli insan-referans kategorilerinin ve UMAP küme atamalarının vaka düzeyinde karşılaştırması. Her satır, analitik korpusa dahil edilen 43 Qing Çin ihracat tablosundan birini temsil etmektedir. Tablo; sabit QEP görüntü tanımlayıcısını, ön CLIP ViT-B/32 etiketini, İnsan Kodlayıcı 1 ve İnsan Kodlayıcı 2'den gelen bağımsız sınıflandırmaları, hakemli insan-referans kategorisini, AI-insan eşleşme durumunu ve UMAP küme atamasını raporlamaktadır. “Tam Eşleşme”, ön AI etiketi ile hakemli insan-referans kategorisi arasındaki uyumu; “Uyumsuzluk” ise farklılığı belirtir. Hakemli insan kategorisi, AI-insan uyum analizleri için referans sınıflandırma olarak kullanılmıştır. Lütfen bu dosyayı indirmek için buraya tıklayın.
Ek Tablo 2: İnsan referans kategorileri ve hesaplamalı küme atamalarının kontenjans tablosu. Satırlar, onaylanmış yedi insan referans kategorisini; sütunlar ise hesaplamalı kümeleme analizinden elde edilen C1–C7 kümelerini temsil etmektedir. Hücre değerleri, her kategori-küme kombinasyonuna atanan tablo sayısını belirtmektedir. Toplam destek, her bir insan referans kategorisindeki tablo sayısını temsil eder. Gözlemlerin kategori-küme kombinasyonları genelindeki yoğunluğu, bağımsız olarak türetilen hesaplamalı kümeler ile onaylanmış insan referans kategorileri arasındaki uygunluğun tanımlayıcı bir değerlendirmesini sağlar. Bu dosyayı indirmek için lütfen buraya tıklayın.
Tartışma
Sunulan toplam özetler içerisinde, 433 kayıt yedi insan-referans kategorisine ayrılmış ve beş görsel-ipucu ailesi aracılığıyla tanımlanmıştır. En büyük kategori seçkinlik/güzellik (112/433) olmuş ve 356 ön etiket bildirilen insan referansıyla eşleşmiştir (%82,2). Bunlar korpus gözlemleridir. Bu bulgular, tekrarlanan piktorial formüllerin çalışmasını desteklemektedir; ancak formüllerin Qing toplumunu sadakatle yeniden ürettiği veya yabancı izleyiciler arasında belirli bir tepkiye yol açtığı yönündeki daha güçlü iddiayı desteklemez13.
Kuralcı toplumsal cinsiyet söylemi, hane içindeki konum, iş ve Qing yasaları, kadınların yaşamlarını tek tip bir şekilde belirlemeden şekillendirmiştir. Geç Qing dönemi kadınları üzerine yapılan çalışmalar; kuralcı aile ve iffet rejimlerinin yanı sıra iş, yazı, ritüel, din ve eğlenceye katılımı belgelemektedir. Sekiz Sancak, yasalar ve idari uygulamalarla tanımlanmış kalıtsal ve çok etnikli bir statü grubunu oluşturmaktaydı; bu nedenle Sancak üyeliği otomatik olarak Mançu etnik kökeniyle eşdeğer tutulmamalıdır14,15,16,17. Bu çalışmada kıyafetler, duruşlar, nesneler ve ortam; yasal rütbe, Sancak/Han bağlılığı, etnik köken, ahlaki uygunluk veya yaşanan kimliğin kanıtlarından ziyade piktorial ipuçlarıdır. Bu tür iddialar için arşivsel ve yasal kanıtlar gerekecektir.
Hesaplamalı bulgular aynı zamanda kültürel ve teknik bir ihtiyat gerektirmektedir. Genel amaçlı görme-dil modellerinin kültürel açıdan nötr olduğu varsayılmamalıdır. Yayınlanmış CulturalVQA sonuçları, bölgeler ve kültürel yönler arasında düzensiz performans göstermektedir; ancak bu kıyaslama ne CLIP ViT-B/32'yi değerlendirmiş ne de tarihsel Doğu Asya sanatını kullanmıştır8,18,19. Bu nedenle, söz konusu korpus üzerinde vaka-eşleşmeli bir kıyaslamanın yerini tutmaktan ziyade, böyle bir çalışmanın gerekliliğini ortaya koymaktadır. Böyle bir deney mevcut olana kadar CLIP, Qing kimliği veya hiyerarşisi konusunda bir otorite değil, öncül bir organizasyonel yardımcıdır. Hesaplamalı işlem hattı, SAM'in kesinlikle yardımcı lokalizasyon kanıtı olarak işlev gördüğünü doğrulamıştır; etiketleme veya kümeleme için girdi olarak hiçbir maske veya maskeden türetilmiş özellik kullanılmamış, böylece görsel kategorizasyonun yalnızca bölütlenmemiş görüntülerin küresel semantik gömmelerine dayalı olması sağlanmıştır. Dijital miras çalışmaları ayrıca kültürel hassasiyeti, disiplinlerarası denetimi, erişilebilirliği, veri korumasını ve şeffaf iş akışlarını vurgulamaktadır20.
Tarihsel olarak, desenlerin önemi ihracat amaçlı resim ticaretinde yatmaktadır: Çinli atölyeler ve yabancı talep; taşınabilir, anlaşılır ve koleksiyon değerine sahip konuları seçmiş ve standartlaştırmıştır; atölyelerde tekrar eden imgeler ayrıca, tamamen mekanik bir çoğaltmadan ziyade varyasyonlu kopyalamanın yapıldığını göstermektedir1,2,3,4,5. Bu nedenle külliyat, hangi formüllerin geniş ölçekte tekrar ettiğini göstererek toplumsal cinsiyet, hiyerarşi, gündelik yaşam imgeleri ve kültürlerarası karşılaşmalar tarihlerine katkıda bulunabilir. Ancak bu, imgelerin kapsamlı etnografik kayıtlar olduğu anlamına gelmez. Hesaplamalı karşılaştırma, derinlemesine okumaya ve kültürlerarası bağlamsallaştırmaya rehberlik edebilir21; öte yandan, pazar niyeti veya izleyici anlamı hakkındaki iddialar üretim kayıtları, satın alma geçmişleri ve alımlama kanıtlarına dayandırılmalıdır.
Duygusal ve bilişsel tepkiler, mevcut çalışmanın bir sonucu olmaktan ziyade ileriye dönük bir araştırma yönü olarak kalmaktadır. Shi ve meslektaşları, Xiashi Pinprick Lantern Resimlerine verilen tepkilerdeki duygusal, formal-estetik ve bilişsel yolları ayırt etmek için tercih derecelendirmelerini, gizil boyut analizini ve göz izleme yöntemini birleştirmişlerdir22. Benzer bir tasarım, izleyicilerin ihracat resimlerindeki kıyafetlere, nesnelere, duruşa veya hiyerarşiye farklı şekilde odaklanıp odaklanmadıklarını test edebilir. Bu çalışma herhangi bir derecelendirme, göz izleme veya diğer izleyici verilerini toplamadığı için, yalnızca görüntü içeriğinden duygusal uyarılma, görsel belirginlik veya alımlama hakkında çıkarım yapamaz.
Sınırlamalar teorik, metodolojik ve pratiktir. Teorik olarak, materyal-ipucu kategorileri cinsiyeti, hane halkı ilişkilerini, yasal hiyerarşiyi, etnik kökeni ve yaşanmış deneyimleri basitleştirmektedir. Metodolojik olarak çıkarımlar; hayatta kalma, toplama, dijitalleştirme, meta veriler, sıfır-atışlı (zero-shot) modeller, kodlama ve düzensiz dönem yanlılıkları ile kısıtlanmıştır. Analitik işlem hattı güçlü bir örüntü tespiti sergilese de, bu yapısal yanlılıklar, hesaplamalı çıktıların Qing sosyal gerçekliğine açılan şeffaf pencerelerden ziyade piktürel geleneklerin analizleri olarak ele alınması gerektiğini vurgulamaktadır. Pratik olarak, görüntü hakları yeniden dağıtımı kısıtlamaktadır ve bulgular kurumlar, dönemler, medyalar veya hesaplama ortamları genelinde genellenmeyebilir. Bu sınırlamalar çerçevesinde çalışma, tekrarlanan görsel gözlemleri otomatik sonuçlardan ziyade test edilebilir tarihsel sorulara dönüştürmek için insan gözetimli bir çerçeve sunmaktadır. Bir müdahale değil, yorumlayıcı bir çalışma olduğu için herhangi bir Sürdürülebilir Kalkınma Hedefine (SDG) veya göstergeye yönelik ilerlemeyi değerlendirmemiştir. Buna rağmen, konu içeriği Hedef 5 ile ilgilidir ve hakların gözetildiği belgeleme ile kültürlerarası eğitimsel çerçevesi kavramsal olarak hedefler 11.4 ve 4.7 ile uyumludur; herhangi bir SDG sonucu ölçülmemiştir. Sağlanan tekrarlanabilirlik paketi, çalışmayı şeffaf dijital miras iş akışları için yapılan güncel çağrılarla ve kalıcı tanımlayıcılar, zengin meta veriler, lisanslar, köken bilgisi ile yeniden kullanılabilir veriler, algoritmalar, araçlar ve iş akışlarına yönelik FAIR gereklilikleriyle uyumlu hale getirmektedir20,23.
Açıklamalar
Yazarların beyan edecek herhangi bir çıkar çatışması yoktur.
Teşekkürler
Yazarlar; Victoria and Albert Müzesi'ne, British Museum'a, Metropolitan Sanat Müzesi'ne, Smithsonian Ulusal Asya Sanat Müzesi'ne, Peabody Essex Müzesi'ne, Hong Kong Sanat Müzesi'ne, British Library'ye, Getty Araştırma Enstitüsü'ne ve çevrimiçi kayıtları korpus keşfini destekleyen diğer saklama kurumlarına ve katalog ekiplerine teşekkür eder. Çevrimiçi bir kayda erişim, görüntüsünün yeniden dağıtılmasına izin verildiği anlamına gelmez; bu nedenle panel düzeyindeki haklar ve kaynak bağlantıları ayrı olarak belgelenmiştir. Yazarlar ayrıca CLIP ve SAM'i destekleyen açık araştırma topluluklarının yanı sıra City University of Macau ve Guangdong Polytechnic Normal University'den aldıkları idari desteği bildirmektedirler.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| CLIP ViT-B/32 | OpenAI | OpenAI CLIP, ViT-B/32 | Ön görüntü–metin benzerlik analizi ve ön AI etiketlerinin atanması için kullanılan görme-dil modeli. |
| Hesaplama iş istasyonu | Yazarların’ hesaplama iş istasyonu | CUDA destekli GPU; kesin donanım konfigürasyonu rapor edilecektir | CLIP ve SAM çıkarımı ile hesaplamalı analizler için kullanılan iş istasyonu; GPU, CPU, RAM, işletim sistemi ve CUDA özellikleri orijinal çalışma ortamından rapor edilmelidir. |
| Matplotlib | Matplotlib geliştirme ekibi | Python paketi; kesin sürüm rapor edilecektir | Hesaplamalı görselleştirme ile analiz figürlerinin ve grafiklerinin oluşturulması için kullanılır. |
| Microsoft Excel 2021 | Microsoft Corporation | Microsoft Excel 2021 | Meta veri organizasyonu, tarama kayıtları ve tablo şeklindeki çalışma verilerinin yönetimi için kullanılır. |
| NumPy | NumPy geliştiricileri | Python paketi; kesin sürüm rapor edilecektir | Sayısal hesaplamalar ile görüntü özelliği ve analitik dizilerin manipülasyonu için kullanılır. |
| pandas | pandas geliştirme ekibi | Python paketi; kesin sürüm rapor edilecektir | Yapılandırılmış veri işleme, meta veri işleme ve vaka düzeyindeki analitik çıktıların organizasyonu için kullanılır. |
| Python 3.10 | Python Software Foundation | Python 3.10 | Hesaplamalı görüntü analizi iş akışını uygulamak için kullanılan programlama ortamı. |
| PyTorch 2.0.1 | PyTorch Foundation | PyTorch 2.0.1 | CLIP tabanlı görüntü ve metin kodlama ile GPU çıkarımını çalıştırmak için kullanılan derin öğrenme çatısı. |
| scikit-learn | scikit-learn geliştiricileri | Python paketi; kesin sürüm rapor edilecektir | K-ortalama kümeleme, hiyerarşik kümeleme, siluet katsayısı, Davies–Bouldin indeksi ve Cohen’s kappa hesaplamaları için kullanılır. |
| Segment Anything Model (SAM) | Meta AI Research | SAM | Görsel inceleme için kadın figürlerini, giysileri, mobilyaları, araçları, ritüel nesnelerini ve mimari bölgeleri yerelleştirmek için kullanılan segmentasyon modeli. |
| umap-learn | McInnes et al. | UMAP Python uygulaması | Boyut indirgeme ve CLIP görüntü gömmelerinin kosinüs mesafesi ile iki boyutlu görselleştirilmesi için kullanılır. |
Kaynaklar
- Gao J, Zhang Y, Liu J, Sousa JP. A digital humanities approach to Chinese export watercolours: a case study on the Victoria and Albert Museum collection. Digit Scholarsh Humanit. 2026;41(2):692-714.
- Liu H, Fu C, Li W. Silk road heritage: the artistic representation of port trading culture in the images of characters in Qing Dynasty Guangzhou export paintings. PLoS One. 2024;19(10):e0308309.
- Ao J, Ye Z, Li W, Ji S. Impressions of Guangzhou city in Qing Dynasty export paintings in the context of trade economy: a color analysis of paintings based on k-means clustering algorithm. Herit Sci. 2024;12:77.
- Mok MKW. Chinese export paintings: a marketing success story. Cambridge Scholars Publishing; Newcastle upon Tyne; 2025.
- Yaron E. The many versions of the painting of Tingqua's studio: painting copying and originality in nineteenth-century Canton. Humanit Soc Sci Commun. 2020;7:132.
- Impett L, Offert F. There is a digital art history. Vis Resour. 2022;38(2):186-209.
- Münster S. Artificial intelligence for digital heritage innovation: setting up a R&D agenda for Europe. Heritage. 2024;7(2):794-816.
- Foka A, Griffin G. AI, cultural heritage, and bias: some key queries that arise from the use of GenAI. Heritage. 2024;7(11):6125-6136.
- Zhang W. Computational approaches for traditional Chinese painting: from the Six Principles of Painting perspective. J Comput Sci Technol. 2024;39(2):269-285.
- McInnes L, Healy J, Saul N, Großberger L. UMAP: Uniform Manifold Approximation and Projection. J Open Source Softw. 2018;3(29):861.
- Rousseeuw PJ. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. J Comput Appl Math. 1987;20:53-65.
- Cohen J. A coefficient of agreement for nominal scales. Educ Psychol Meas. 1960;20(1):37-46.
- Stejskal J. Art-historical empiricism and digital visualization of cultural heritage. Synthese. 2025;205:132.
- Mann S. Precious records: women in China's long eighteenth century. Stanford University Press; Stanford; 1997.
- Porter DC. Slaves of the emperor: service, privilege, and status in the Qing Eight Banners. Columbia University Press; New York; 2023.
- Sommer MH. Sex, law, and society in late imperial China. Stanford University Press; Stanford; 2000.
- Theiss JM. Disgraceful matters: the politics of chastity in eighteenth-century China. University of California Press; Berkeley; 2005.
- Nayak S, et al. Benchmarking vision language models for cultural understanding [conference paper]. Presented at: 2024 Conference on Empirical Methods in Natural Language Processing; Miami, Florida, USA; 2024. https://aclanthology.org/2024.emnlp-main.329/
- Vitaloni C, Shullani D, Baracchi D. A comparative study of vision language models for Italian cultural heritage. Heritage. 2025;8(3):95.
- Li W. Systematic review: a scientometric analysis of the status, trends and challenges in the application of digital technology to cultural heritage conservation (2019-2024). npj Herit Sci. 2025;13:90.
- Zhang W, et al. CultiVerse: towards cross-cultural understanding for paintings with large language model [conference paper]. Presented at: 33rd ACM International Conference on Multimedia; Dublin, Ireland; 2025. https://doi.org/10.1145/3746027.3755698
- Shi W. A dual-path approach to emotional arousal and visual cognition in intangible cultural heritage: the case of Xiashi Pinprick Lantern Pictures. Digit Scholarsh Humanit. 2026;41(1):376-395.
- Wilkinson MD, et al. The FAIR Guiding Principles for scientific data management and stewardship. Sci Data. 2016;3:160018.