BioArtlas：多維複雜性計算聚類於生物藝術
arXiv - Computers and SocietyJoonhyung Bae
以多維聚類將81件生物藝術作品按概念相似度分類，並提供互動式資料庫。
AI 幫你先抓重點
AI 重點 1
聚類方法揭示生物藝術跨維度的概念結構，超越傳統單一分類。
滑鼠懸停看 AI 判斷理由
此洞察讓策展人能以概念相似度而非媒介或年代來組織作品，促進多元互動展覽與研究，改變對生物藝術多重身份的理解。
AI 重點 2
公開互動式介面與資料集促進跨學科合作與教育應用。
滑鼠懸停看 AI 判斷理由
透過開放資料，教育工作者可將生物藝術納入課程設計，培養學生的跨領域思考與批判性素養，並為研究者提供可重複使用的分析工具。
核心研究發現
- 1
將81件作品的關鍵詞嵌入13個解釋軸，使用分層聚類得到的輪廓係數為0.664，顯著高於k‑means的0.483。
- 2
密度聚類雖能取得更高輪廓係數，但需將大部分作品視為噪音，導致資料完整性受損。
- 3
建立共享編碼表統一術語，解決不同作品間術語不一致的問題，提升聚類的可解釋性。
對教育工作者的啟發
教育工作者可利用BioArtlas的互動介面快速定位與某一主題相關的作品，設計以概念為核心的跨學科課程模組；策展人則可根據聚類結果規劃主題展覽，避免單一媒介導向；研究者可下載資料集進行進一步的語義網絡或情感分析，擴展對生物藝術社群的理解。此平台亦可作為學生實作案例，教導他們如何從多維資料中提取概念並進行可視化。
原始文獻資訊
- 英文標題：
- BioArtlas: Computational Clustering of Multi-Dimensional Complexity in Bioart
- 作者：
- Joonhyung Bae
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。