创意支持生态系统：理解在线艺术世界中的功能和干扰的框架

研究背景与问题

• 作者发现了哪些问题或挑战？ 作者指出，在线艺术世界是一个双刃剑。一方面，互联网的开放性和协作性培养了艺术的共享文化；另一方面，这也容易导致创作者的权利受到侵害，例如作品的非自愿重用和盗用。此外，生成式人工智能（GenAI）技术的发展加剧了这种状况，使作品成为训练数据，同时对创作者的职业前景和声誉造成威胁。

• 为什么这个问题很重要？ 这种影响不只是关乎个别艺术家的权益，还会对整体艺术生态系统的运作产生深远的影响。从社会和文化价值的流失到艺术家的经济支持网络破裂，这些问题直接挑战了艺术共享的基础。此外，现有的设计工具偏重创造活动，而对艺术分享实践的支持较少，这使得相关研究急需扩展视角。

• 研究动机与相关工作 动机源于生成式人工智能技术对艺术社区的影响，以及当前支持创意工具的研究对创意共享生态下游影响的缺乏理解。相关工作集中在开发工具支持艺术生产，而艺术社会学的理论（如 Becker 的“艺术世界”）则提供了一个框架来解释艺术生产、分发和接收中的社会依存性。

解决方案

• 作者提出了哪些方法或解决方案？ 作者提出了一个名为“创意支持生态系统（Creativity Supportive Ecosystem，CSE）”的框架，用以理解艺术分发和接收过程中的功能和干扰机制。通过访谈20位艺术家和8位数据管理员（具有生成式人工智能数据重用经验），作者构建并验证了该框架。

• 该解决方案的创新之处是什么？ CSE框架的创新体现在其全面的视角，它不再局限于探讨单个用户或工具，而是扩展到整个生态系统的协作网络。这种方法探讨了创意生产以外的分发、接收以及价值的循环流动。生成式人工智能的文脉被整合到一个更广泛的生态语境中，同时为社区与技术之间的对话提供了新的分析工具。

• 实施步骤是什么？使用了哪些关键技术？

  1. 构建理论框架：基于艺术社会学和现有的创意支持工具文献，设计初步的CSE模型。
  2. 数据收集：进行基于理论抽样的深入访谈，包括数字上下文探究。
  3. 迭代分析：使用建构性扎根理论方法，通过开放和选择性编码得出主题和核心概念。
  4. 框架验证：通过艺术家和数据管理员的具体实践验证框架。
  5. 分析生成式人工智能的影响：使用CSE描绘生成式人工智能对艺术共享的生态系统性干扰及艺术家的应对机制。

研究成果

• 取得了哪些具体成果？

  1. 提出了一个理论性的CSE框架，清晰地描述在线艺术世界中创意生产、分发和接收的共同活动及相关技术系统。
  2. 探讨了生成式人工智能对艺术重用的影响，将其明确界定为“干扰性重用”，并分析其对艺术价值循环的破坏。
  3. 提供了对艺术家迁移平台决策以及在存在价值拦截和压力作用下的生存策略的洞察。
  4. 强调了数据艺术家在跨社区对话中的潜力，以及其为创意社区和数据社区的桥梁作用。

• 与现有解决方案相比，它有哪些优势？ 与传统的工具开发研究相比，CSE框架的优势在于通过一个生态系统视角，对所有相关的社区和活动进行综合描述，而不仅仅关注单一用户或工具的体验。这为理解生成式人工智能的复杂影响提供了跨学科的、全景式的观察点。

• 实验或评估结果是什么？ 实验结果表明：

  1. 创意共享生态系统受到现有技术和平台政策的重大影响。
  2. 社区对生成式人工智能的反应包括广泛的不信任和防御性行为，例如主动迁移平台、信息共享、以及通过对话性手段维护社区规范。
  3. 数据艺术家展示了如何通过小规模、有意策划的数据实践和资源，减少生成式人工智能对艺术共享的破坏。

• 局限性与未来方向 局限性：

  • 数据管理员的样本可能偏向伦理意识较强的研究人员，部分行业视角缺乏充分反映。
  • 对非技术背景的艺术家的具体需求可能仍有理解上的不足。

  未来方向：

  1. 自动化支持工具以减少艺术分发和接收管理的复杂性。
  2. 开发支持艺术家控制数据使用的工具，例如强化溯源机制和注册选择政策。
  3. 探索更分散、更灵活的平台设计以增强艺术社区的迁移能力。
  4. 推动社区间的透明对话和教育资源，减少技术与艺术世界之间的对立。