Как люди выносят эстетические суждения?

Вам нравятся толстые мазки кисти и мягкие цветовые палитры картин импрессионистов, например Клода Моне? Или вы предпочитаете смелые цвета и абстрактные формы Ротко? Индивидуальные художественные вкусы имеют определенную загадочность, но новое исследование в Калифорнийского технологического института показывает, что простая компьютерная программа может точно предсказать, какие картины понравятся человеку.

Новое исследование, опубликованное в журнале Nature Human Behavior, использовало краудсорсинговую платформу Amazon Mechanical Turk, чтобы привлечь более 1500 добровольцев для оценки картин в жанрах импрессионизма, кубизма, абстракции и цветового поля. Ответы добровольцев вводились в компьютерную программу, а затем, после этого периода обучения, компьютер мог прогнозировать художественные предпочтения добровольцев гораздо лучше, чем это могло бы произойти случайно.

“Раньше я думал, что оценка искусства дело личное и субъективное, поэтому я был удивлен таким результатом”, – говорит ведущий автор Кийохито Игая, аспирант, работающий в лаборатории профессора психологии Калифорнийского технологического института Джона О’Доэрти, члена Института неврологии им. Тяньцяо и Крисси Чен в Калифорнийском технологическом институте.

Полученные результаты не только продемонстрировали, что компьютеры могут делать такие прогнозы, но и привели к новому пониманию того, как люди судят об искусстве.

“Главное, что мы получаем представление о механизме, который люди используют для вынесения эстетических суждений. То есть люди, по-видимому, используют элементарные функции изображения и комбинируют их. Это первый шаг к пониманию того, как работает этот процесс”, – – говорит О’Доэрти.

В ходе исследования команда запрограммировала компьютер таким образом, чтобы визуальные атрибуты картины разбивались на то, что они назвали низкоуровневыми функциями – например контрастность, насыщенность и оттенок,—а также на высокоуровневые функции, которые требуют человеческого суждения и включают, например, такие черты, как динамичность или неподвижность картины.

“Затем компьютерная программа оценивает, насколько конкретная функция учитывается при принятии решения о том, насколько нравится конкретное произведение искусства”, – объясняет Игая. “При принятии таких решений сочетаются как функции низкого, так и высокого уровня. Как только компьютер это оценит, он сможет успешно спрогнозировать симпатию человека к другому ранее ему неизвестному произведению искусства.”

Абстрактная живопись Джозефа Шиллингера. Смитсоновский музей американского искусства, подарок миссис Джозеф Шиллингер

Исследователи также обнаружили, что добровольцы, как правило, делятся на три основные категории: тех, которым нравятся картины с реальными объектами, например картины импрессионистов; тех, которым нравятся красочные абстрактные картины, например Ротко; и тех, которым нравятся сложные картины, например кубистические портреты Пикассо.

Большинство людей попали в первую категорию любителей “реальных объектов”. “Многим людям понравились картины импрессионистов”, – говорит Игайя.

Более того, исследователи обнаружили, что они также могут обучить глубокую сверточную нейронную сеть (DCNN) прогнозировать художественные предпочтения добровольцев с аналогичным уровнем точности. DCNN – это тип программы машинного обучения, в которой компьютеру подается серия обучающих изображений, чтобы он мог научиться классифицировать объекты, например кошек и собак. В этих нейронных сетях есть блоки, которые связаны друг с другом, как нейроны в мозге. Изменяя силу соединения одного блока с другим, сеть может “обучаться”.”

В этом случае подход глубокого обучения не включал ни одну из выбранных визуальных функций низкого или высокого уровня, используемых в первой части исследования, поэтому компьютер должен был  самостоятельно “решить”, какие функции анализировать.

“В моделях с глубокими нейронными сетями мы на самом деле не знаем точно, как сеть решает ту или иную задачу, потому что модели обучаются сами по себе, как это делает настоящий мозг”, – объясняет Игайя.

“Это может быть очень загадочным, но когда мы заглянули внутрь нейронной сети, то смогли сказать, что она использует те же категории функций, которые выбрали мы сами.” Эти результаты намекают на возможность того, что функции, используемые для определения эстетических предпочтений, могут естественным образом возникнуть в структуре, подобной мозгу.

“Сейчас мы активно изучаем, так ли это на самом деле, рассматривая мозг людей, когда они принимают такие же решения”, – говорит О’Доэрти.

В другой части исследования ученые также продемонстрировали, что их простая компьютерная программа, которая уже была обучена художественным предпочтениям, могла точно предсказать, какие фотографии понравятся добровольцам. Они показали добровольцам фотографии бассейнов, еды и различных сцен и увидели результаты, аналогичные тем, которые были связаны с картинами. Кроме того, исследователи показали, что изменение порядка также работает: после первого обучения по фотографиям с использованием добровольцев, они могли использовать программу для точного прогнозирования художественных предпочтений испытуемых.

Хотя компьютерная программа успешно прогнозировала художественные предпочтения добровольцев, исследователи говорят, что еще многое предстоит узнать о нюансах, которые придутся по вкусу любому человеку.

“Есть аспекты предпочтений, уникальные для человека, которые нам не удалось объяснить с помощью этого метода”, – говорит О’Доэрти.

“Этот более специфический компонент может относиться к семантическим особенностям или значению картины, прошлому опыту и другим индивидуальным личностным чертам, которые могут повлиять на оценку. По-прежнему возможно идентифицировать и узнать об этих особенностях в компьютерной модели, но для этого потребуется более подробное изучение предпочтений каждого человека таким образом, чтобы они не могли распространяться на отдельных людей, как мы здесь обнаружили”.