《Information》：AI–Human Collaborative Interpretation (AHCI)—A Methodological Framework for Human–Machine Collaboration in the Visualisation and Aesthetic Evaluation of Complex Cultural Heritage
编辑推荐：
本文提出了AI-人类协同解释（AHCI）人机协作方法论框架，为复杂文化遗产的数字化阐释提供了新的研究路径。该框架整合了多源数据处理、形式化特征建模、可解释分析以及人机反馈机制，将文化遗产的复杂信息转化为可分析且可交互的结构。在此基础上，Tianlai.Chin
本文提出了AI-人类协同解释（AHCI）人机协作方法论框架，为复杂文化遗产的数字化阐释提供了新的研究路径。该框架整合了多源数据处理、形式化特征建模、可解释分析以及人机反馈机制，将文化遗产的复杂信息转化为可分析且可交互的结构。在此基础上，Tianlai.China项目作为《历代名瓷图谱》的多模态数据集成、审美特征建模与交互可视化的案例研究。通过专家-公众-AI比较实验和人机反馈循环实验验证了协作机制的有效性。本文的主要贡献包括：提出了文化遗产价值评估中的人机协作方法论框架；构建了可解释的形式化文化特征模型及相应的可视化系统；通过实证研究分析了AI解释对专家认知的影响；并探索了该框架在不同类型文化遗产间的可迁移性。在此背景下，AHCI开发的人机协作系统——包含“数据语义-特征建模-视觉输出-认知反馈”——具有跨领域适用性。
**论文解读：AI-人类协同解释（AHCI）框架在复杂文化遗产可视化与审美评估中的应用**
**研究背景与问题**
文化遗产的阐释长期依赖专家经验和历史文献，但在“有图无物”、资料残缺等情境下，面临审美判断高度主观、评价标准难以统一、隐含的审美逻辑难以系统表达与验证等挑战。以明代收藏家项元汴《历代名瓷图谱》为例，该图谱仅含二维线图和主观评注，缺乏实物佐证，且包含大量难以量化的审美判断。这类文化遗产的解读常受限于数据不完整、术语晦涩、主观性过强以及语境框架不完整等因素。如何对复杂文化特征进行结构化、可比较且可解释的分析，仍是数字人文研究尚未充分解决的问题。
近年来，人工智能在文化遗产领域的图像处理、文本分析和三维重建等任务中广泛应用，展现出多源数据处理和特征提取的优势，但研究仍集中于可见特征计算或语义检索，对审美和文化意义的深度理解与可视化阐释关注不足。同时，AI常被视为单纯工具，其结果缺乏可解释性，难以与专家知识有效交互，尤其在价值判断场景中，AI输出缺乏对主观审美判断的可解释性，无法形成促进专家反思的交互模式。随着可解释人工智能（XAI）和人机协同（human-in-the-loop）方法的发展，AI的角色正从计算工具转向协作分析机制。本研究旨在探讨如何利用AI工具实现人机协作，在复杂语境中促进文化遗产的可视化与转化，建立连接主观审美经验与计算模型（computational model）的协作机制。研究聚焦三个核心问题：如何将人类审美经验形式化为结构化表征以支持复杂文化特征的量化分析；可解释AI协作能否提升公众理解与研究效率，并促使专家在查看模型输出后产生“二次认知”（AI触发的反思）；如何开发可迁移的人机协作方法论用于不同类型文化遗产的解读、分析与评估。
**研究内容与结论**
针对上述问题，研究人员提出了AI-人类协同解释（AHCI）方法论框架，将AI视为文化遗产阐释过程中的协作伙伴。以Tianlai.China项目为实践案例，对《历代名瓷图谱》进行多模态数据集成、审美特征建模与交互可视化，并通过专家-公众-AI比较实验和人机反馈循环实验验证协作机制的有效性。主要贡献包括：提出AHCI框架用于文化遗产价值评估，整合多源数据处理、可视化系统设计、可解释分析与人机反馈机制；设计并实施AI、专家、公众三组比较实验及人机反馈循环实验，验证AHCI在知识显性化、判断一致性与认知启发性方面的有效性；构建了AI驱动的文化特征形式化模型系统，包括基于文本的审美偏好提取、基于视觉特征的独特性量化以及三维生成模型的逻辑补全机制，并引入可解释人工智能（XAI）设计多种类型解释输出，探索了框架在不同类型文化遗产间的可迁移性。论文发表在《Information》。
**关键技术方法**
研究人员主要采用以下关键技术方法：多源异构数据整合（图像向量化、三维重建、文本结构化，数据来自《历代名瓷图谱》中83件瓷器的图像、文本与属性记录）；形式化特征建模（专家定义五个维度——形态、纹饰、釉色、工艺、历史背景，AI采用熵权法（entropy weighting method）自动计算权重）；可解释人工智能（XAI）提供可理解输出；交互可视化系统（四维可视化：溯源、鉴赏、探索、品韵）；混合方法评估（定量：Pearson相关系数、Spearman秩相关系数、一致性得分；定性：访谈主题分析）。实验样本包括20名参与者（5名专家，15名公众），基准数据来自20名独立专家对83件瓷器的评分。
**研究结果**
**4.2.1 数据层：多源数据融合**
通过AI辅助初步处理与人工校对结合的工作流，利用DeepSeek-V3对《历代名瓷图谱》原文进行结构化识别，提取名称、窑口、年代、釉色、形态、工艺特征及项氏评注。使用计算机视觉技术提取83件瓷器的线图轮廓，计算高宽比、曲率积分、对称偏差等形状参数，并提取主色调。利用AI驱动Tripo3D从二维草图生成三维模型，专家审核后用于后续调整。最终输出整合属性、视觉特征、审美语义与历史语境的结构化数据网络。
**4.2.2 模型层：瓷器独特性量化模型**
采用人机协作策略：专家定义五个维度（形态、纹饰、釉色、工艺、历史背景），AI通过熵权法自动计算权重，形态维度权重最高（38%），历史背景权重最低（3%）。通过Z-score标准化加权合成综合独特性得分。该模型避免了主观赋权的随意性及纯数据驱动的语义偏差，体现了人类定义文化语义、AI捕获数据统计结构的协作逻辑。
**4.2.3 交互层：四维可视化系统构建**
开发了“溯源—鉴赏—探索—品韵”四阶段渐进式可视化系统。溯源模块通过知识图谱与虚拟场景重建历史语境；鉴赏模块呈现83件瓷器的数字档案、桑基图、雷达图及色彩分布图；探索模块可视化独特性量化模型，包括五维雷达图及AI生成的三维粒子系统；品韵模块展示审美偏好模型的语义网络，包括情感极性分布图及关键词共现网络。四模块由统一导航链接，形成从历史语境到客观-主观对话的认知路径。
**4.2.4 分析层：AI协作实验与评估**
设计三组比较实验（AI组、专家组n=20、公众组n=50），要求对83件瓷器评估“整体独特性”（1-10分）。结果显示：模型评分与专家评分高度正相关（Pearson r=0.81，p<0.001；Spearman ρ=0.78，p<0.001）；AI模型DeepSeek与专家评分中度相关（r=0.65，p<0.01）。专家与公众评分存在显著差异（F(2,67)=15.38，p<0.001，η2=0.24）。NLP情感分析显示，73%项元卞评为“极高”的瓷器与模型高分样本重叠。系统可用性量表（SUS）平均得分79.6（SD=7.1），属于“良好”范围。
**5.3 实验验证**
专家在C3条件（AI解释+交互反馈）下与基准一致性从0.63升至0.85，修改触发率45.7%，表明AI解释确实促使专家主动调整认知评估；公众一致性从0.55升至0.78，显著高于C2条件（仅AI分数）的0.03提升，说明AHCI有效弥合公众知识差距。C2条件一致性提升可忽略，证明可解释性与交互反馈是人机协作产生价值的必要条件。访谈中专家指出AI的维度分解帮助系统化审视直觉判断，公众反映视觉界面降低了理解门槛。
**讨论与结论**
**讨论**：AHCI框架的核心优势在于过程级可重用性，其四层架构（数据-模型-交互-分析）可适应书画、古籍、建筑、非遗等文化遗产类型，但依赖可形式化的知识结构，对高度依赖语境、符号和叙事的文化对象需大量多维数据与标准建立。AI在协作中应作为认知触发机制，而非意义承载者，解释需满足忠实性与可理解性。伦理与局限性方面，AI存在数据偏差、自动化偏见风险，需通过多路径比较分析与“反思界面”约束；当数据极度稀疏或涉及高度抽象非遗时，AI难以建立可靠统计基础，需转向专家主导的轻量模型。
**研究结论翻译**：本文解决了复杂文化语境中“如何实现主观审美经验与计算模型之间的视觉整合”这一核心问题。提出了人工智能-人类协同解释（AHCI）方法论框架，并以《历代名瓷图谱》的数字化阐释为实际案例，系统探索了人机协作在文化分析、可视化与价值评估中的应用路径。针对引言中提出的三个研究问题，本文在方法论构建、系统实现与实验验证三个维度进行了相应讨论与实践。首先，在审美表现的可视化方面，利用多模态数据集成将文本描述、图像特征与三维结构转化为可计算的特征系统，促进经验性审美判断的形式化表达，增强复杂文化特征的可比性与可分析性。其次，在AI解释对专家认知的影响方面，通过引入可解释人工智能（XAI）与人机反馈循环实验，验证了AI输出能激发专家的“二次认知”，AI作为认知触发机制，通过特征可视化与解释路径引导专家修正与阐释主观判断，提升一致性与阐释深度。在方法论的可迁移性方面，构建了由数据、模型、交互、分析层组成的AHCI框架，建立人机协作的实践研究路径，该框架不仅在瓷器研究中得到验证，且具有向绘画、书法、古建筑等领域的扩展潜力。最后，本文强调人工智能在文化遗产研究中的角色应从“工具”转变为“协作伙伴”。在此过程中，人工智能承担数据处理与特征分析任务，人类主导意义与价值判断，通过可解释的协作关系实现互补，将文化阐释从单向判断转变为动态建构过程，增强其可解释性与可验证性，为复杂文化遗产的数字化可视化提供新的研究路径。
