ARTificial intelligence

Kunst meets IT. Thomas Gengenbach und ich haben unser Wissen kombiniert und zusammen diese schöne Arbeit geschaffen, die nun im Journal of Science and Technology of the Arts publiziert wurde. Die neuronalen Netze verwenden die von mir entwickelte RizbA Skala und ermöglichen eine effiziente Bewertung großer Bildstichproben. Unsere Arbeit ist Open Access und wir wären nicht wir, wenn der Code nicht auch Open Source wäre. Feel free to reuse.

Cover des Journals: Graphik mit schwarzen Balken und weißen Balken mit schwarzem Umriss. Rechts unten steht JSTA.

abstract

Bisherige Studien zur Klassifizierung von Kunstwerken zeigen, dass Merkmale von Malerei mit Machine Learning Ansätzen erfasst und kategorisiert werden können. Diese Erkenntnis kommt auch der Kunstpsychologie zugute. Es erleichtert die Datenerhebung bei Kunstwerken ohne dass Expert*innen als Rater*innen eingesetzt werden müssen. Diese Studie nutzt Machine Learning Ansätze um RizbA (Ratinginstrument für zweidimensionale bildnerische Arbeiten) Ratings vorherzusagen. Auf Basis eines vortrainierten Modells wurde der Algorithmus durch Transferlernen an 886 bildnerischen Arbeiten zeitgenössischer professioneller Künstler*innen und Nicht-Künstler*innen feinabgestimmt. Als Qualitätskriterium werden Artificial Intelligence Rater*innen (ART) mit generischen Rater*innen (GR) verglichen, die aus Ratings echter menschlicher Expert*innen erstellt wurden. Hierbei wurde die Fehlerquote sowie der mittlere quadratische Fehler (MSE) verwendet. Dabei zeigte sich, dass die ART-Ratings den gleichen Fehlerbereich aufweisen wie zufällig ausgewählte menschliche Ratings. Die ART können daher für fast alle RizbA Items als gleichwertig mit echten menschlichen Expert*innen betrachtet werden. Ein weiteres Training des neuronalen Netzes an noch mehr Daten wird die Lücke zu den menschlichen Rater*innen bei allen Items schließen.

Gengenbach, T., & Schoch, K. (2022). ARTificial intelligence raters. Neural networks for rating pictorial expression. Journal of Science and Technology of the Arts, 14(1), 49-71. https://doi.org/10.34632/jsta.2022.10196

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert