Kestävä hetkellisyys : Ohjelmistopohjainen taide nykytaiteen museo Kiasman kokoelmissa
Bibliographic record
Abstract
Tutkielma käsittelee ohjelmistopohjaisen taiteen keräilyn ja säilyttämisen käytäntöjä yleisellä tasolla sekä tarkemmin nykytaiteen museo Kiasmassa. Tutkimuksessa pyritään vastaamaan seuraaviin kysymyksiin: Miten ohjelmistopohjaista taidetta kerätään ja säilytetään nykytaiteen museo Kiasmassa? Millaisia haasteita ja toisaalta mahdollisuuksia ohjelmistopohjaisen taiteen keräämiseen ja säilyttämiseen liittyy? Keskeisen tutkimusaineiston muodostavat vuosina 2015—2017 Kiasman kokoelmiin hankitut ohjelmistopohjaiset taideteokset ja niihin liittyvä arkistomateriaali sekä kevään ja kesän 2018 aikana toteutetut haastattelut kyseisen median kanssa työskentelevien taiteilijoiden, Juha van Ingenin, Reija Meriläisen ja taiteilijaduo Pink Twinsin, Kiasman kokoelmaintendentti Kati Kivisen, Kansallisgallerian kokoelmanhallinta- osaston amanuenssi Maritta Mellaisin, sekä AV-arkin johtaja Hanna Maria Anttilan ja tuottaja Kati Åbergin kanssa. Teoreettinen viitekehys muodostuu valtaosin kansainvälisestä tutkimuksesta ohjelmistopohjaisen taiteen keräämiseen, arkistointiin, dokumentointiin, uudelleenesittämiseen ja konservointiin liittyen. Tutkimuksen tapausesimerkeiksi on valittu kolme ohjelmistopohjaista taideteosta Kiasman kokoelmista: Juha van Ingenin AS Long As Possible (2015), Pink Twinsin Infinity (2017) ja Reija Meriläisen Survivor (2017). Ohjelmistopohjaisella taiteella viitataan teoksiin, jotka on toteutettu ja esitetään joko osittain tai kokonaan tietokonepohjaisesti. Ohjelmistopohjaiselle taiteelle on ominaista prosessimaisuus, luontainen genera- tiivisuus ja riippuvaisuus ulkoisista resursseista. Huolimatta nykyhetkeämme merkittävällä tavalla värittävästä ohjelmistojen läsnäolosta, siihen pohjautuvaa taidetta pidetään Suomessa toistaiseksi marginaalisena nykytaiteen muotona, joka ei vielä ole saavuttanut jalansijaa juuri muissa kuin Kiasman kokoelmissa. Kiasma osoittautui erityisesti vuosina 2017—2018 esillä olleen ARS17 Hello World! -näyttelynsä yhteydessä ennakkoluulottomaksi uusia teknologioita ja poikkeavia kokoelmahankintoja kohtaan. Merkittävin haaste ohjelmistopohjaisen taiteen säilyttämisessä on teknologian nopea ja jokseenkin ennalta- arvaamaton kehittyminen. Muita haasteita ovat teosten hajaantuneisuus eri alustoille ja riippuvuus ulkoisista linkeistä, datan jatkuva vanhentuminen, fyysisen laitteiston rappeutuminen sekä taideteoksen sosiaalisen kontekstin ja interaktiivisuuden tallentaminen. Ratkaisuja ohjelmistopohjaisen taiteen säilyttämisen haasteisiin on kuitenkin työstetty jo vuosikymmeniä. Kolmen keskeisen mediataiteen konservointistrategian – emulointi, migraatio ja uudelleentulkinta – lisäksi tärkeitä pelastustoimenpiteitä ohjelmistopohjaisen taiteen kannalta ovat erilaiset verkossa toimivat arkistointi- ja dokumentointipalvelut, sekä vastaavasti verkossa toimivat, maailmanlaajuiset mediataiteen ammattilaisyhteisöt. On valitettavan tyypillistä, että ohjelmistopohjaisten taideteosten ylläpidossa ja pitkäaikaissäilytyksessä tukeudutaan teknologisesti pätevien taiteilijoiden osaamiseen ja käytettävyyteen. Ohjelmistopohjaisesta taiteesta kiinnostuneiden museoiden ja kokoelmien on kuitenkin pyrittävä̈ löytämään toimintatavat, joiden seurauksena taiteilija voi luovuttaa paitsi teoksensa, myös täyden vastuun sen jatkuvuudesta kokoelmalle. Ohjelmistopohjaisen taiteen säilyttämiseksi nykytaideinstituutioiden on vähintäänkin hyväksyttävä mediumin jatkuva muutoksenalaisuus ja osattava kääntyä tarvittaessa uusien yhteistyötahojen, kuten erilaisten teknologian ammattilaisten puoleen.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.111 | 0.034 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".