Using an AI creativity system to explore how aesthetic experiences are\n processed along the brains perceptual neural pathways
Notice bibliographique
Résumé
With the increased sophistication of AI techniques, the application of these\nsystems has been expanding to ever newer fields. Increasingly, these systems\nare being used in modeling of human aesthetics and creativity, e.g. how humans\ncreate artworks and design products. Our lab has developed one such AI\ncreativity deep learning system that can be used to create artworks in the form\nof images and videos. In this paper, we describe this system and its use in\nstudying the human visual system and the formation of aesthetic experiences.\nSpecifically, we show how time-based AI created media can be used to explore\nthe nature of the dual-pathway neuro-architecture of the human visual system\nand how this relates to higher cognitive judgments such as aesthetic\nexperiences that rely on these divergent information streams. We propose a\ntheoretical framework for how the movement within percepts such as video clips,\ncauses the engagement of reflexive attention and a subsequent focus on visual\ninformation that are primarily processed via the dorsal stream, thereby\nmodulating aesthetic experiences that rely on information relayed via the\nventral stream. We outline our recent study in support of our proposed\nframework, which serves as the first study that investigates the relationship\nbetween the two visual streams and aesthetic experiences.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».