從風格複製到風格探索：基於 AER 框架的 AI 輔助藝術風格探索研究
arXiv - Human-Computer InteractionWen-Fan Wang, TsaiHsuan Lin, Chi-Lan Yang, An-Ru Cheng, Bing-Yu Chen
提出 AER 框架，透過分析、實驗與重新情境化，協助藝術家利用生成式 AI 進行主動的風格探索而非單純複製。
AI 幫你先抓重點
AI 重點 1
從「生成結果」轉向「生成過程」的設計思維。
滑鼠懸停看 AI 判斷理由
傳統 AI 工具過於追求視覺產出的精美度，這可能導致使用者陷入被動接受結果的陷阱；本研究強調透過框架引導使用者參與決策，這對於培養學習者的自主性與高階思維至關重要。
AI 重點 2
將 AI 定位為「協作夥伴」而非「自動化工具」。
滑鼠懸停看 AI 判斷理由
透過分析、實驗與重新情境化，AI 不再只是直接給出答案，而是提供探索的支架（Scaffolding），這改變了我們對人機協作中「代理權（Agency）」的理解，對設計自主學習環境具啟發性。
核心研究發現
- 1
研究發現現有生成式 AI 工具多傾向於風格複製，缺乏支持藝術家進行新風格方向探索與反思的機制。
- 2
AER 框架能有效支持藝術家進行風格元素分析、受控的實驗嘗試，以及透過模擬社會視角進行風格重新情境化。
- 3
受控實驗顯示，與傳統風格遷移工作流相比，AER 框架能顯著提升藝術家在追求新風格方向時的主體能動性與反思能力。
- 4
為期兩週的田野研究證實，AER 框架能深度影響藝術家在日常創作中的反思、實驗與風格決策過程。
對教育工作者的啟發
對於教育工作者而言，此研究提供了設計「AI 輔助創作課程」的藍圖。不應僅教導學生如何輸入提示詞（Prompt）來獲得美觀圖像，而應設計具備「分析（拆解元素）」、「實驗（受控變量）」與「反思（社會視角評估）」階段的學習活動。這能將 AI 從一個「答案產生器」轉化為「認知工具」，引導學生從單純的模仿轉向深層的風格探索與批判性思考，強化其在數位時代的創造力與自主學習能力。
原始文獻資訊
- 英文標題：
- From Style Replication to Style Exploration: Enabling Art Style Exploration with Analyze-Experiment-Resituate Framework
- 作者：
- Wen-Fan Wang, TsaiHsuan Lin, Chi-Lan Yang, An-Ru Cheng, Bing-Yu Chen
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。