Các nhà kinh tế đang khai thác hội họa bằng trí tuệ nhân tạo (A.I.) để theo dõi những biến động xã hội lớn

Hai bức tranh nổi tiếng về chiến tranh—tác phẩm “Liberty Leading the People” (1830) của Delacroix và “Guernica” (1937) của Picasso—sử dụng phong cách và bố cục khác nhau để khắc họa một bầu không khí đặc trưng, phản ánh những chuẩn mực, niềm tin hay khát vọng xã hội rộng lớn hơn. Thông thường, các nhà sử học nghệ thuật sẽ diễn giải những bức tranh như vậy để giúp chúng ta hiểu bối cảnh ra đời của chúng. Tuy nhiên, trong một nghiên cứu mới, nhiệm vụ này lại được đảm nhận bởi một nhóm các nhà kinh tế.

Bằng cách huấn luyện trí tuệ nhân tạo phát hiện tín hiệu cảm xúc trong hơn 600.000 bức tranh châu Âu trải dài suốt 600 năm, các nhà nghiên cứu phát hiện rằng những thay đổi tập thể trong tâm trạng nghệ thuật thường gắn liền với những khoảnh khắc lịch sử về thịnh vượng, khó khăn hay biến động, từ sự trỗi dậy của các mạng lưới thương mại cho đến sự xáo trộn do công nghệ mới mang lại. Dù phương pháp này có giới hạn, phát hiện của họ đã bổ sung những sắc thái giá trị cho dữ liệu kinh tế.

Trong bài báo “State of the Art: Economic Development through the Lens of Paintings” được công bố bởi Cục Nghiên cứu Kinh tế Quốc gia (NBER), các nhà nghiên cứu lập luận rằng những bức tranh lịch sử có thể là nguồn thông tin quý giá về tâm trạng xã hội và những chuyển dịch cấu trúc, đặc biệt trong những giai đoạn mà dữ liệu kinh tế – xã hội truyền thống còn khan hiếm. Bằng cách “đảo ngược quá trình sáng tạo”, nghiên cứu này xem tranh không chỉ là những biểu đạt nghệ thuật độc đáo mà còn là sự phản chiếu tập thể của môi trường và điều kiện xã hội đã hình thành nên chúng.

( William-Adolphe Bouguereau’s French washerwoman (1855) depicts a woman carrying a basket of clothes while other woman scrub their whites by a stream )

Điều này có thể hiển nhiên với sinh viên và học giả nhân văn, nhưng các tác giả nhấn mạnh rằng “tranh lưu giữ những khía cạnh của trải nghiệm lịch sử mà dữ liệu tiêu chuẩn thường bỏ sót”. Ví dụ, các họa sĩ làm việc cùng thời và cùng địa điểm có thể đưa ra những cách lý giải rất khác nhau về môi trường sống. Trường hợp tiêu biểu là hai họa sĩ Pháp thế kỷ 19 Gustave Courbet và William-Adolphe Bouguereau, cả hai đều theo trường phái Hiện thực. Courbet khắc họa đời sống nông thôn một cách thô ráp và chân thực hơn, trong khi Bouguereau lý tưởng hóa cảnh sắc đồng quê. Nhưng những cảm xúc được xác định trong các tác phẩm của họ đã mang lại “một góc nhìn tần suất cao về mức sống và tình cảm văn hóa trong xã hội châu Âu”.

Khai thác dữ liệu lịch sử trong hội họa

Dù không phải là các nhà sử học nghệ thuật, nhóm nghiên cứu cho biết quy trình định lượng ý nghĩa của nghệ thuật của họ “có liên quan mật thiết đến lĩnh vực lịch sử nghệ thuật số mới nổi, lĩnh vực này khám phá cách các kỹ thuật định lượng và tính toán có thể làm giàu cho nghiên cứu truyền thống về lịch sử nghệ thuật”.

Kiểm soát các biến số liên quan đến họa sĩ, thể loại hoặc ảnh hưởng đặc thù của từng thời kỳ, các nhà kinh tế đã huấn luyện A.I. dự đoán chín loại cảm xúc, bao gồm buồn bã, sợ hãi, tức giận, kinh ngạc, mãn nguyện và vui thích, trong hơn 630.000 bức tranh. Bộ dữ liệu này được lấy từ Google Arts and Culture, Wiki-Data và Wiki-Art, chủ yếu bao gồm các tác phẩm hội họa châu Âu truyền thống, hiện thực, nhiều thể loại từ năm 1400 đến năm 2000. Nhóm nghiên cứu thừa nhận bộ mẫu này có giới hạn, khi thiên lệch về các họa sĩ phương Tây đã được sưu tầm, giám tuyển và đưa vào hệ thống chính thống, bỏ sót phần lớn những sáng tác nghệ thuật bị gạt ra bên lề. Giáo sư kinh tế Yanos Zylberberg của Đại học Bristol, đồng tác giả của nghiên cứu, cho biết họ hy vọng có thể làm việc với một bộ dữ liệu mở rộng hơn trong tương lai.

( This figure shows the paintings with the highest emotion scores among 79,860 annotated artworks, by emotion (amusement, anger, awe, contentment, disgust, excitement, fear, sadness, and other—not shown)

Trong quá trình huấn luyện, độ chính xác của A.I. được so sánh với các nhãn cảm xúc do khoảng 15 đến 25 người gán nhãn đến từ nhiều khu vực và nền tảng khác nhau, nhằm giảm thiểu ảnh hưởng của diễn giải cá nhân và tận dụng “hiệu ứng khôn ngoan tập thể”. Tuy vậy, các nhà nghiên cứu cũng thừa nhận mô hình có thể đã tiếp nhận một số thiên lệch, chẳng hạn như việc những người không đến từ châu Âu thường nhận diện sự mãn nguyện trong tranh nhiều hơn so với sự phấn khích hay vui thích, trong khi tranh có yếu tố khỏa thân đôi khi lại “gợi ra sự ghê tởm” ở một số người.

Một bức tranh cụ thể có thể phản ánh tâm trạng bẩm sinh của họa sĩ hoặc tâm trạng chung của thời đại, nhưng các nhà nghiên cứu đã phân tích kết quả ở quy mô tổng thể. Quan sát phân bố cảm xúc rộng rãi theo từng giai đoạn ở 12 quốc gia, họ xác định được “hiệu ứng bối cảnh”, tức là tín hiệu cảm xúc được chia sẻ xuyên suốt các tác phẩm ra đời cùng thời gian và địa điểm.

( This figure displays heatmaps generated using Class Activation Mapping, which isolates the parts of the image most used by the network to predict a latent emotional probability )

Ví dụ, hình ảnh về nỗi sợ gia tăng trong thời kỳ xã hội và kinh tế bất ổn, trong khi cảm giác mãn nguyện lại chiếm ưu thế khi sự ổn định lớn hơn. Những giai đoạn khó khăn cũng gắn liền với sự gia tăng buồn bã, nhưng niềm vui và sự hứng khởi xuất hiện trở lại khi mức sống được cải thiện. Những khác biệt này trở nên rõ rệt hơn trong các bức tranh mô tả các tầng lớp xã hội thấp, vốn dễ bị tổn thương hơn trước biến động lớn.

Hiểu rõ các sự kiện lịch sử cụ thể

Kho dữ liệu phong phú này thậm chí còn cho phép các nhà nghiên cứu phân tích phản ứng của từng địa phương trước các sự kiện lịch sử cụ thể, bao gồm thay đổi chính trị, thiên tai, mất an ninh lương thực, sự phát triển của các mạng lưới thương mại mới, biến đổi niềm tin và các bước ngoặt công nghệ. Trong một nghiên cứu điển hình, họ đã so sánh hai phát minh lớn của thế kỷ 19 và đầu thế kỷ 20—tàu hơi nước và radio—về cách chúng lan tỏa trong xã hội và con người phản ứng ra sao trước chúng.

( Claude Monet, Grand Quai at Havre (1872). Found in the collection of the State Hermitage, St. Petersburg )

Ví dụ, hình ảnh về nỗi sợ gia tăng trong thời kỳ xã hội và kinh tế bất ổn, trong khi cảm giác mãn nguyện lại chiếm ưu thế khi sự ổn định lớn hơn. Những giai đoạn khó khăn cũng gắn liền với sự gia tăng buồn bã, nhưng niềm vui và sự hứng khởi xuất hiện trở lại khi mức sống được cải thiện. Những khác biệt này trở nên rõ rệt hơn trong các bức tranh mô tả các tầng lớp xã hội thấp, vốn dễ bị tổn thương hơn trước biến động lớn.

Kho dữ liệu này thậm chí còn cho phép các nhà nghiên cứu phân tích chi tiết phản ứng địa phương trước các sự kiện lịch sử quan trọng, chẳng hạn như biến động chính trị, thiên tai, mất an ninh lương thực, sự phát triển của mạng lưới thương mại, thay đổi hệ thống niềm tin và những đổi thay công nghệ trọng yếu. Trong một nghiên cứu trường hợp, họ đã so sánh hai phát minh lớn của thế kỷ 19 và đầu thế kỷ 20—tàu hơi nước và radio—về cách chúng lan rộng trong xã hội và cách con người phản ứng với chúng.

Nguồn : How Economists Are Mining Art With A.I. to Track Major Social Shift

Biên dịch  : Bảo Long