13、跨学科艺术研究：挑战与机遇

跨学科艺术研究：挑战与机遇

在当今的学术领域，跨学科研究已成为一种趋势，尤其是在数字艺术历史领域。然而，如何在认识论的鸿沟上建立真正的交流界面，是一个亟待解决的问题。

1. 数字艺术历史研究的现状

在数字艺术历史研究中，方法通常归属于计算机科学，而主题则归属于艺术历史。或者，以计算方法为起点，随后进行人文主义解读。艺术历史学科最初是一个实证主义、痴迷于分类学的学科，但在其一百多年的发展历程中，它已经发展到包含对其最初表述的各种批判，并补充了一套用于分析艺术作品和物质文化的批判性框架。尽管艺术历史的实证主义和分类学方面从未消失，但在过去五十年中，它们的重要性已大大降低。

当前面临的主要问题是如何弥合方法上的差距。例如，在研究艺术作品的风格分类时，不同学科的方法和视角存在明显差异。计算机科学侧重于利用算法和数据进行分类，而艺术历史则更注重作品的历史背景和文化内涵。

2. 人文实验室的兴起

实验室是自然科学研究的象征和体现，它被引入人文学科研究后，在人文学者中引发了不适和争论。在过去十年中，以数字人文（DH）的名义，使用计算方法研究文化变得流行起来。由于此类研究通常需要不同的技能组合，许多项目由人文学者和数据/计算机科学家组成的团队进行。这导致了世界各地大学都创建了数字人文实验室。

然而，“人文实验室”是否是一个矛盾的概念呢？在传统人文学科部门，合著仍然很少见，更不用说像科学领域那样由六到十二名合作者共同撰写了。人文学术研究往往维持着一种孤独追求的假象。关于人文学科方法论选择的持续争论，通常归结为哪种方法更具进步性的竞争。数字人文主义者认为新技术是人文学科的进步力量，而批评者则声称他们与商业利益和管理思维的勾结实际上是一种压制批判性的反动力量。

数字人文实验室的资金引发了人们的担忧，即大学不再重视人文学者的传统方法，这些方法通常不需要巨额预算、复杂设备和额外的支持人员。例如，一些学者认为数字人文并非如宣称的那样，是利用数字或定量方法回答人文学科的研究问题，而是推动基于项目的学习和基于实验室的研究，而不是阅读和写作；将不稳定的校园就业重新包装为一种赋权的“另类学术”职业选择；并将技术专长重新定义为一种（实际上是优越的）人文学科知识形式。

尽管存在这些争议，许多人文学者仍将合作视为一种积极的发展。它使研究人员能够探索超出其有限专业知识和技能范围的主题，并与更广泛的受众进行交流。对于数字人文项目，自动化为人文学者提供了以新方式筛选材料的能力。然而，由于学术学科的高度专业化，将不同领域的研究人员聚集在一起并不总是一件和谐的事情。当学术文化和方法的规范发生冲突时，可能没有中间地带。

数字人文倡议经常因其跨学科性而受到赞扬。然而，有人质疑数字人文研究默认具有跨学科性的假设。有人认为将跨学科性视为一种情境化的实践，而不是对学科的全面掌握或元学科视角，可能更有用。也有人认为“跨学科”和“多学科”等术语由于被广泛滥用，其含义已被耗尽，而且它们暗示领域专家（如艺术史学家）也应该成为其他领域的专家，但实际上，自20世纪80年代开始的数据和知识革命，使得大多数研究人员很难甚至不可能成为并保持多个领域的专家。

实际上，当代学术界并不适合合作。尽管行政部门推动跨学科研究，但研究人员可能直到在自己的领域活跃很长时间后，才真正有机会在多个学科中开展工作。理想情况下，跨学科工作应从本科阶段或最迟在博士阶段开始。然而，真正的跨学科项目仍然很少见，并且往往难以得到既定学科纯粹主义者的认真对待。

人文实验室与传统学术研究实验室不同，传统实验室往往局限于所有研究人员共享的特定领域，而人文实验室建立在跨学科性之上。将人文实验室描述为政府或企业在学术界的影响工具，意味着此类实验室的研究是僵化和功利的。但实际上，人文实验室通常更多地是一种隐喻，而不是严格的物理现实。这意味着研究人员并不总是像在传统实验室工作台上那样并肩积极工作，而是实验室象征着实验的愿望。

以下是一个简单的mermaid流程图，展示了人文实验室研究面临的一些主要因素和关系：

graph LR
    A[数字人文研究] --> B[跨学科合作]
    B --> C[人文学者]
    B --> D[计算机科学家]
    C --> E[传统方法与观念]
    D --> F[计算方法与技术]
    E & F --> G[方法冲突与融合]
    G --> H[人文实验室]
    H --> I[成果与争议]

3. 外国隐喻作为跨学科工具

人文实验室可能是跨学科合作的场所，但工具是什么呢？使用何种学术语言呢？批评者声称，在数字人文项目中，人文学科在方法论上从属于数字领域。在这种情况下，人文学者被迫使用计算机科学的语言，而计算机科学家则避免使用人文学者的语言。

在合作研究中，每个学科都可能倾向于保持自己的学科纯粹性，在自己学科的期刊上发表文章，关注自己学科的独特问题和理论。但如果没有人冒险进入彼此的学科领域，研究又如何能声称具有跨学科性呢？

通过比较两位艺术史学家詹姆斯·埃尔金斯（James Elkins）和乔治·库布勒（George Kubler）的跨学科研究，可以看到两种不同的方法。埃尔金斯试图保持外部学科的纯粹性，小心避免引入“外来”概念。他研究了来自广泛学术领域的研究人员的图像制作实践，分析了人文学者和科学家在工作中使用图像和可视化的差异。他主张以“非因果”的方式讨论这些图像，认为常用的视觉研究方法将科学插图置于批判理论或历史背景中，很大程度上忽略了科学学科的本土语言，因此忽略了人文学科以外的读者。他试图以一种对人文学科和自然科学受众都有吸引力的方式分析这些图像，并声称通过避免“原始文本中未出现的”隐喻，可以建立跨学科的桥梁。

而乔治·库布勒则大量使用隐喻。他的《时间的形状》（The Shape of Time，1962）一书挑战了主导的艺术历史方法和风格理论。根据瑞瓦·沃尔夫（Reva Wolf）的观点，库布勒使用隐喻不仅是理解历史过程的“工具”，而且是其艺术历史认识论的核心。隐喻将“一个经验领域与另一个领域”联系起来，对于库布勒来说，隐喻是构建其论点的绝对基础，特别是在向受西方艺术历史偏见影响的同事传达他对前哥伦布时期艺术的看法时。隐喻不是简单的翻译或随意插入“外来”术语，而是创造知识的具体手段，它为我们的理解开辟了新的途径。

埃尔金斯虽然详细论证了自然科学领域的人误解或滥用哲学/艺术历史术语，如“美”，但他自己似乎也对科学图像的本质做出了假设。在为一个“跨大学”的图像展览进行研究时，他似乎假设自然科学中的可视化和图像是“有用的”，并通过其视觉表现直接产生科学发现。但在与创建这些图像的研究人员讨论后，他惊讶地发现，这些研究人员经常“滥用视觉”，创造出实际上无助于发现、测量或量化研究结果的“无用”图像，这些图像主要用于宣传目的，以吸引资助者、管理人员和期刊对研究的兴趣。

研究人员害怕方法论和解释性“污染”的原因在于，跨学科合作的目标是利用不同专业知识的差异进行研究。让一个学科未经训练和缺乏经验的成员模仿另一个学科的方法，或者在不承认或不学习某一学科现有研究的情况下将一种学科方法应用于另一个学科的主题，往往会导致不同领域专家之间的误解和指责。解决这个问题的一个办法是，不同领域的研究人员必须共同地“污染”他们的主题。跨学科研究可以利用隐喻作为跨越认识论鸿沟的工具，也许这样的工具不仅可以开辟理解特定主题的新途径，还可以促进跨学科的更广泛理解。

以下是一个表格，总结了埃尔金斯和库布勒的研究方法对比：
| 研究者 | 研究方法特点 | 对隐喻的态度 |
| ---- | ---- | ---- |
| 詹姆斯·埃尔金斯 | 保持外部学科纯粹性，以“非因果”方式分析图像，避免引入“外来”概念 | 避免使用“原始文本中未出现的”隐喻 |
| 乔治·库布勒 | 大量使用隐喻构建论点，将隐喻作为艺术历史认识论核心 | 视隐喻为创造知识、沟通思想的重要手段 |

总之，隐喻是一种强大的工具，它不仅有助于我们理解周围的世界，还能将一种理解范式转化为另一种。认为隐喻是错误或“滥用科学”的观点，会错过促进更深入跨学科合作的机会。实现此类合作的目标并不意味着轮流涉足其他领域，而是研究人员必须利用可用的工具，在相互开放的基础上，在不同学科之间开辟同时进行的沟通渠道。

跨学科艺术研究：挑战与机遇

4. 艺术风格分类研究案例

在跨学科的艺术研究中，艺术风格分类是一个重要的研究方向，众多学者和研究团队进行了相关的研究，以下是一些具有代表性的研究案例。

数据集/文章	主题/来源	风格分类
“Content - Based Access to Art Paintings”（2005）	西方绘画，来源：互联网（Web Museum Paris）	古典主义、立体主义、表现主义、印象主义、超现实主义
“Classifying Paintings by Artistic Genre: An Analysis of Features & Classifiers”（2009）	西方绘画，来源：互联网（未指定）	抽象表现主义、立体主义、印象主义、波普艺术、现实主义
“Combining Multiple Kernels for Efficient Image Classification”（2009）	西方绘画，来源：互联网（未指定）	抽象表现主义、巴洛克、立体主义、涂鸦、印象主义、文艺复兴
“Impressionism, Expressionism, Surrealism: Automated Recognition of Painters and Schools of Art”（2010）	现代西方绘画，来源：互联网（未指定）	抽象表现主义、印象主义、超现实主义
“Classification of Art Paintings by Genre”（2011）	西方绘画，来源：“Google搜索引擎”（即互联网）	立体主义、野兽派、印象主义、天真艺术、点彩派、现实主义
“Recognizing Image Style”（2013）	西方绘画 + 浮世绘，来源：Wikipaintings	抽象艺术、抽象表现主义、不定形艺术、新艺术（现代）、巴洛克、色域绘画、立体主义、早期文艺复兴、表现主义、盛期文艺复兴、印象主义、魔幻现实主义、风格主义（晚期文艺复兴）、极简主义、天真艺术（原始主义）、新古典主义、北方文艺复兴、波普艺术、后印象主义、现实主义、洛可可、浪漫主义、超现实主义、象征主义、浮世绘
“Painting - 91: A Large Scale Database for Computational Painting Categorization”（2014）	西方绘画，来源：互联网（未指定）	抽象表现主义、巴洛克、构成主义、立体主义、印象主义、新古典主义、波普艺术、后印象主义、现实主义、文艺复兴、浪漫主义、超现实主义、象征主义
“Large - Scale Classification of Fine - Art Paintings: Learning the Right Metric on the Right Feature”（2015, 2016）	西方绘画 + 浮世绘，来源：WikiArt	27种风格类别：抽象表现主义、行动绘画、分析立体主义、新艺术 - 现代艺术、巴洛克、色域绘画、当代现实主义、立体主义、早期文艺复兴、表现主义、野兽派、盛期文艺复兴、印象主义、风格主义 - 晚期文艺复兴、极简主义、新现实主义、北方文艺复兴、点彩派、波普艺术、后印象主义、原始主义 - 天真艺术、现实主义、洛可可、浪漫主义、象征主义、综合立体主义、浮世绘
“Classification of Artistic Styles Using Binarized Features Derived from a Deep Neural Network”（2015）	西方绘画 + 浮世绘，来源：WikiArt	与上述27种WikiArt风格类别相同
“Ceci n’est pas une pipe: A Deep Convolutional Network for Fine - Art Paintings Classification”（2016）	西方绘画 + 浮世绘，来源：WikiArt	与上述27种WikiArt风格类别相同
“DeepArt: Learning Joint Representations of Visual Arts”（2017）	“一切”（主要是西方艺术），来源：超过500,000件来自WikiArt、Web Gallery of Art、Rijksmuseum、Google Arts & Culture的作品，通过Google（互联网）收集的图像	-
“The Shape of Art History in the Eyes of the Machine”（2018）	西方绘画 + 浮世绘，来源：WikiArt	20种（修正类别）：抽象表现主义、新艺术、巴洛克、色域绘画、立体主义、早期文艺复兴、表现主义、野兽派、盛期文艺复兴、印象主义、风格主义和晚期文艺复兴、极简主义、天真艺术 - 原始主义、北方文艺复兴、波普艺术、后印象主义、现实主义、洛可可、浪漫主义、浮世绘
“How to Read Paintings: Semantic Art Understanding with Multi - Modal Retrieval”（2018）	创建SemArt：一个带有文本属性的艺术图像集合	-
“OmniArt: A Large - Scale Artistic Benchmark”（2018）	“一切”（主要是西方艺术），来源：超过200万件来自WikiArt、16个博物馆收藏的作品（从这些数据库更新/抓取新内容）	-
“Predicting and Grouping Digitized Paintings by Style Using Unsupervised Feature Learning”（2018）	西方绘画，来源：abcartgallery（现为“Olga’s Gallery”）	新艺术、巴洛克、表现主义、印象主义、后印象主义、现实主义、文艺复兴、浪漫主义
“A Deep Learning Perspective on Beauty, Sentiment, and Remembrance of Art”（2019）	西方绘画 + 浮世绘，来源：Wikiart	抽象艺术、抽象表现主义、学院派、不定形艺术、新艺术、巴洛克、色域绘画、立体主义、表现主义、印象主义、抒情抽象、魔幻现实主义、风格主义、极简主义、天真艺术、新古典主义、波普艺术、后印象主义、现实主义、文艺复兴、洛可可、浪漫主义、超现实主义、象征主义、浮世绘
“Two - Stage Deep Learning Approach to the Classification of Fine - Art Paintings”（2019）	西方绘画 + 浮世绘 + 澳大利亚土著艺术，来源：Wikiart（Wikiart派生子集Pandora18K），作者创建的土著类别	数据集1：澳大利亚土著艺术、表现主义、印象主义、后印象主义、现实主义、浪漫主义；数据集2：抽象表现主义、新艺术（现代）、澳大利亚土著艺术、巴洛克、色域绘画、立体主义、早期文艺复兴、表现主义、野兽派、盛期文艺复兴、印象主义、风格主义（晚期文艺复兴）、极简主义、天真艺术（原始主义）、北方文艺复兴、波普艺术、后印象主义、现实主义、洛可可、浪漫主义、象征主义、浮世绘；数据集3：抽象艺术、澳大利亚土著艺术、巴洛克、拜占庭圣像画、立体主义、早期文艺复兴、表现主义、野兽派、盛期文艺复兴、印象主义、天真艺术、北方文艺复兴、波普艺术、后印象主义、现实主义、洛可可、浪漫主义、超现实主义、象征主义
“Recognizing the Style of Visual Arts via Adaptive Cross - Layer Correlation”（2019）	Painting - 91	Painting - 91风格（见上文）
“The Performance of Two CNN Methods in Artworks Aesthetic Feature Recognition”（2020）	西方艺术：5位艺术家，来源：“Best Artworks of All Time: Collection of Paintings of the 50 Most Influential Artists of All Time”	-
“Fine - Art Painting Classification via Two - Channel Dual Path Networks”（2020）	西方艺术 + 浮世绘，来源：WikiArt, Gallerix	抽象艺术、抽象表现主义、不定形艺术、新艺术（现代）、巴洛克、色域绘画、概念艺术、立体主义、早期文艺复兴、表现主义、盛期文艺复兴、印象主义、风格主义（晚期文艺复兴）、极简主义、天真艺术（原始主义）、新古典主义、北方文艺复兴、波普艺术、后印象主义、现实主义、浪漫主义、洛可可、超现实主义、象征主义、浮世绘
“GCNBoost: Artwork Classification by Label Propagation through a Knowledge Graph”（2021）	SemArt数据集和佛像数据集	SemArt：“流派”指国籍，“类型”包括肖像、风景等；佛像风格时期：中国、平安时期、镰仓时期和奈良时期
“Integrating Contextual Knowledge to Visual Features for Fine Art Classification”（2021）	ArtGraph：基于WikiArt和DBpedia的艺术知识图谱	-
“Deep Learning Approaches to Pattern Extraction and Recognition in Paintings and Drawings: An Overview”（2021）	这是深度学习和艺术分析的综述	-
“How to Represent Paintings: A Painting Classification Using Artistic Comments”（2021）	西方艺术，来源：Painting - 91; WikiArt	见WikiArt风格类别以上
“Compare the Performance of the Models in Art Classification”（2021）	多任务绘画100K数据集（作者创建）	-

从这些案例可以看出，不同的研究在主题来源和风格分类上存在差异。主题来源主要集中在互联网上的艺术数据库和博物馆收藏，这得益于数字技术的发展，使得大量的艺术作品可以被方便地获取和研究。而风格分类则涵盖了众多的艺术风格，从传统的西方艺术风格如巴洛克、文艺复兴等，到现代的抽象表现主义、波普艺术等，甚至还包括了非西方的艺术风格如浮世绘和澳大利亚土著艺术。

以下是一个mermaid流程图，展示了艺术风格分类研究的一般流程：

graph LR
    A[数据收集] --> B[数据预处理]
    B --> C[特征提取]
    C --> D[模型选择与训练]
    D --> E[风格分类]
    E --> F[结果评估与优化]

5. 跨学科艺术研究的未来展望

跨学科艺术研究虽然面临着诸多挑战，但也蕴含着巨大的机遇。在未来，随着技术的不断发展和学术观念的进一步转变，跨学科艺术研究有望取得更大的突破。

一方面，技术的进步将为跨学科艺术研究提供更强大的工具。例如，人工智能和机器学习技术的不断发展，可以帮助研究人员更高效地处理和分析大量的艺术数据，挖掘艺术作品背后隐藏的信息和规律。虚拟现实和增强现实技术则可以为艺术研究和展示带来全新的体验，让观众更加身临其境地感受艺术作品。

另一方面，学术观念的转变将促进不同学科之间的深度融合。越来越多的学者认识到，单一学科的研究方法已经难以满足对复杂艺术现象的全面理解，跨学科研究成为必然趋势。未来，不同学科的研究人员将更加积极地开展合作，打破学科壁垒，共同探索艺术的奥秘。

为了实现跨学科艺术研究的可持续发展，还需要采取以下措施：
1. 加强跨学科教育 ：在大学和研究机构中，开设跨学科的课程和项目，培养学生具备多学科的知识和技能，使他们能够在跨学科的研究环境中发挥作用。
2. 建立跨学科研究平台 ：搭建专门的跨学科研究平台，为不同学科的研究人员提供交流和合作的机会，促进知识的共享和创新。
3. 完善评价机制 ：建立适合跨学科研究的评价机制，鼓励研究人员开展具有挑战性和创新性的跨学科研究项目，而不是仅仅以传统的学科标准来评价研究成果。

总之，跨学科艺术研究是一个充满挑战和机遇的领域。通过充分利用技术和学术资源，加强不同学科之间的合作与交流，我们有望在跨学科艺术研究中取得更加丰硕的成果，推动艺术研究的发展和创新。