基於符號學的生成藝術評估方法
arXiv - Human-Computer InteractionRuixiang Jiang, Changwen Chen
提出以符號學為基礎的評估框架，能更準確捕捉生成藝術的象徵與指示意義，提升評估與創作深度。
AI 幫你先抓重點
AI 重點 1
SemJudge能捕捉象徵與指示層面，突破傳統評估的表面化限制。
滑鼠懸停看 AI 判斷理由
此功能使評估更貼近藝術家意圖，為生成藝術的創作與批評提供更具深度的參考，促進跨領域合作與教育應用。
AI 重點 2
階層符號圖重建過程揭示提示與作品之間的意義流動，為自適應學習與評量設計提供新思路。
滑鼠懸停看 AI 判斷理由
透過可視化的符號鏈，學習者與設計者能追蹤概念演化，提升元認知與批判性思維，對教育科技設計具有實務價值。
核心研究發現
- 1
現有生成藝術評估器僅聚焦圖像質量與提示遵循，忽略象徵與指示層面。
- 2
透過Peircean半結構化符號學模型，將人機生成藝術互動拆解為三種符號模式：圖像、象徵、指示。
- 3
SemJudge評估器利用階層符號圖重建從提示到生成作品的意義鏈，實驗顯示其與人類評價的相關度高於先前方法，並在用戶研究中產生更深層、洞察力更強的解讀。
對教育工作者的啟發
教育工作者可利用SemJudge的階層符號圖，將生成藝術作為批判性解讀練習，讓學生從提示、符號到作品的意義鏈進行探究，培養符號學與創意思維；同時，課程設計者可將此評估框架嵌入自適應學習系統，提供個別化的反饋與學習路徑，提升學生對抽象概念的理解與表達能力。
原始文獻資訊
- 英文標題：
- On Semiotic-Grounded Interpretive Evaluation of Generative Art
- 作者：
- Ruixiang Jiang, Changwen Chen
- 來源：
- arXiv - Human-Computer Interaction
- 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。