¿Te gustan las pinceladas gruesas y las paletas de colores suaves de una pintura impresionista como las de Claude Monet? ¿O prefieres los colores atrevidos y las formas abstractas de un Rothko? Los gustos artísticos individuales tienen una cierta mística, pero ahoraun nuevo estudio de Caltech muestra que un simple programa de computadora puede predecir con precisión qué pinturas le gustarán a una persona.
El nuevo estudio, que aparece en la revista Comportamiento humano de la naturaleza , utilizó la plataforma de crowdsourcing de Amazon Mechanical Turk para reclutar a más de 1,500 voluntarios para calificar pinturas en los géneros de impresionismo, cubismo, abstracto y campo de color. Las respuestas de los voluntarios se ingresaron en un programa de computadora y luego, después de este período de capacitación,la computadora podría predecir las preferencias artísticas de los voluntarios mucho mejor de lo que sucedería por casualidad.
"Solía pensar que la evaluación del arte era personal y subjetiva, así que me sorprendió este resultado", dice el autor principal Kiyohito Iigaya, un becario postdoctoral que trabaja en el laboratorio del profesor de psicología de Caltech, John O'Doherty.
Los hallazgos no solo demostraron que las computadoras pueden hacer estas predicciones, sino que también llevaron a una nueva comprensión sobre cómo las personas juzgan el arte.
"El punto principal es que estamos obteniendo una idea del mecanismo que la gente usa para hacer juicios estéticos", dice O'Doherty. "Es decir, que la gente parece usar características de imagen elementales y combinarlas. Esa es la primera vezpaso para comprender cómo funciona el proceso ".
En el estudio, el equipo programó la computadora para dividir los atributos visuales de una pintura en lo que llamaron características de bajo nivel, como el contraste, la saturación y el tono, así como características de alto nivel, que requieren el juicio humano.e incluir rasgos tales como si la pintura es dinámica o estática.
"El programa de computadora calcula cuánto se tiene en cuenta una característica específica al tomar una decisión sobre cuánto me gusta una obra de arte en particular", explica Iigaya. "Las características de bajo y alto nivel se combinan cuandotomar estas decisiones. Una vez que la computadora ha estimado eso, puede predecir con éxito el gusto de una persona por otra obra de arte nunca antes vista ".
Los investigadores también descubrieron que los voluntarios tendían a agruparse en tres categorías generales: aquellos a quienes les gustan las pinturas con objetos de la vida real, como una pintura impresionista; aquellos a los que les gustan las pinturas abstractas coloridas, como un Rothko; y aquellos a quienes les gustan las pinturas complejas.pinturas, como los retratos cubistas de Picasso. La mayoría de la gente cayó en la primera categoría de "objeto de la vida real". "A mucha gente le gustaron las pinturas del impresionismo", dice Iigaya.
Además, los investigadores descubrieron que también podían entrenar una red neuronal convolucional profunda DCNN para aprender a predecir las preferencias artísticas del voluntario con un nivel similar de precisión. Un DCNN es un tipo de programa de aprendizaje automático, en el queuna computadora recibe una serie de imágenes de entrenamiento para que pueda aprender a clasificar objetos, como gatos o perros. Estas redes neuronales tienen unidades que están conectadas entre sí como neuronas en un cerebro. Al cambiar la fuerza de la conexión de unaunidad a otra, la red puede "aprender".
En este caso, el enfoque de aprendizaje profundo no incluyó ninguna de las características visuales seleccionadas de bajo o alto nivel utilizadas en la primera parte del estudio, por lo que la computadora tuvo que "decidir" qué características analizar por sí misma.
"En los modelos de redes neuronales profundas, en realidad no sabemos exactamente cómo la red está resolviendo una tarea en particular porque los modelos aprenden por sí mismos como lo hacen los cerebros reales", explica Iigaya. "Puede ser muy misterioso, pero cuandomiramos dentro de la red neuronal, pudimos decir que estaba construyendo las mismas categorías de características que seleccionamos nosotros mismos ". Estos resultados apuntan a la posibilidad de que las características utilizadas para determinar la preferencia estética puedan surgir de forma natural en una arquitectura similar a la del cerebro.
"Ahora estamos analizando activamente si este es realmente el caso al observar el cerebro de las personas mientras toman el mismo tipo de decisiones", dice O'Doherty.
En otra parte del estudio, los investigadores también demostraron que su sencillo programa informático, que ya había sido entrenado en las preferencias artísticas, podía predecir con precisión qué fotos les gustaría a los voluntarios. Mostraron a los voluntarios fotografías de piscinas, comida y otrosescenas, y vieron resultados similares a los que involucraban pinturas. Además, los investigadores demostraron que invertir el orden también funcionaba: después de entrenar a los voluntarios en las fotos, podían usar el programa para predecir con precisión las preferencias artísticas de los sujetos.
Si bien el programa de computadora tuvo éxito en predecir las preferencias artísticas de los voluntarios, los investigadores dicen que aún hay más que aprender sobre los matices que entran en el gusto de cualquier individuo.
"Hay aspectos de preferencias únicos para un individuo dado que no hemos logrado explicar con este método", dice O'Doherty. "Este componente más idiosincrásico puede relacionarse con características semánticas, o el significado de una pintura, experiencias pasadas, y otros rasgos personales individuales que podrían influir en la valoración. Aún puede ser posible identificar y aprender sobre esos rasgos en un modelo de computadora, pero hacerlo implicará un estudio más detallado de las preferencias de cada individuo de una manera que puede no generalizarse a través deindividuos como encontramos aquí. "
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de California . Original escrito por Whitney Clavin. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :