💻 computer science

Visual Transformation Mechanisms for Integrating Digital Cultural Heritage Resources into Junior High School Art Curricula

Dit artikel presenteert een modulair visueel transformatiemodel dat computervisie en regelgebaseerde matching integreert om de verwerking van digitale culturele erfgoedbronnen, zoals de Dunhuang-muurschilderingen, te standaardiseren naar geautomatiseerde kunstcurriculumtaken en evaluaties, waarbij significante verbeteringen in leerresultaten van studenten en een hoge mate van overeenstemming met de beoordelingen van docenten in een brugklasomgeving worden aangetoond.

Oorspronkelijke auteurs: Ji Wu, Jing Zhang, Di Wu, Yiming Peng

Gepubliceerd 2026-08-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ji Wu, Jing Zhang, Di Wu, Yiming Peng

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin oude kunst niet alleen opgesloten ligt in een glazen vitrine van een museum, maar ook echt leeft, ademt en klaar is om je te leren tekenen. Dit artikel bevindt zich op het snijvlak van computer vision (computers leren om afbeeldingen te "zien" en te begrijpen zoals een mens dat doet) en digitaal cultureel erfgoed (oude, kwetsbare verhalen en kunst omzetten in veilige, digitale bestanden). De grote vraag die onderzoekers stellen is: Hoe nemen we deze prachtige, complexe digitale beelden uit de geschiedenis en veranderen we ze in leuke, haalbare kunstprojecten voor middelbare scholieren? Het is niet genoeg om alleen een plaatje te laten zien; de computer moet begrijpen waarom dat plaatje zo cool is, zodat het de student kan helpen die magie in hun eigen stijl te recreëren.

De auteurs van deze studie, een team van leraren en onderzoekers uit Xi'an, China, hebben een slimme "vertaler" gebouwd om dit probleem op te lossen. Ze wilden stoppen met het behandelen van oude kunst als iets dat je alleen maar moet kopiëren en beginnen met het behandelen als een receptenboek voor creativiteit. Ze testten hun idee met Digital Dunhuang, een enorme collectie oude Chinese muurschilderingen (beroemd om hun vliegende engelen en kleurrijke patronen).

Zo werkt hun "magische machine", stap voor stap:

1. De Digitale Röntgenfoto
Eerst maakt de computer een digitale foto van een muurschildering en voert een diepe scan uit. De computer kijkt niet alleen naar de mooie kleuren; het breekt de afbeelding af in vijf specifieke "ingrediënten":

Lijnen: Hoe dicht en ritmisch de contouren zijn.
Kleuren: De belangrijkste kleurgroepen (zoals de beroemde minerale rood- en groentinten).
Patronen: Hoe vormen zich herhalen (zoals een behangontwerp).
Compositie: Waar dingen in het beeld zijn geplaatst (is het in balans? is er een centrum?).
Houding (Pose): De richting en de flow van de figuren (zoals de vloeiende linten van een vliegende engel).

Denk hierbij aan een chefkok die een complex, antiek gerecht neemt en precies opsomt welke kruiden en texturen het unieke smaak geven, in plaats van het hele gerecht gewoon aan de student te serveren.

2. De Slimme Matchmaker
Zodra de computer de "ingrediënten" van de muurschildering kent, fungeert het als een super-slimme datingapp voor kunstprojecten. Het vergelijkt de ingrediënten van de muurschildering met een lijst van mogelijke kunsttaken.

Als een muurschildering veel vloeiende lijnen en dynamische houdingen heeft, stelt de computer een taak voor genaamd "Het extraheren van dynamische lijnen".
Als een muurschildering een herhalend plafondpatroon heeft, stelt het "Het herorganiseren van patronen" voor.
Als de match perfect is (75% of hoger), zegt de computer: "Hier is je opdracht!" Als het iets lager is (tussen de 60% en 75%), vraagt de computer de menselijke docent om het dubbel te checken voordat het wordt toegewezen. Dit zorgt ervoor dat de student een uitdaging krijgt die past bij de kunst waar hij naar kijkt.

3. De Gepersonaliseerde Moeilijkheidsgraad-draaiknop
Het systeem is ook een coach. Het kijkt naar hoe goed een student in het verleden heeft gepresteerd en past de moeilijkheid van de nieuwe taak aan.

Niveau 1 (L1): Kijk naar slechts één ding (zoals een enkele kleur).
Niveau 2 (L2): Haal een stijlkenmerk eruit.
Niveau 3 (L3): Herorganiseer de lijnen en vormen.
Niveau 4 (L4): Creëer iets totaal nieuws met de oude stijl.
De computer berekent een "moeilijkheidsscore" op basis van hoe complex de afbeelding is en hoeveel stappen de student moet ondernemen, zodat de taak niet te makkelijk of te moeilijk is.

4. De AI Kunstcriticus
Nadat de studenten hun kunst hebben voltooid, beoordeelt de computer hen. De computer zoekt niet naar een perfecte kopie; het kijkt naar hoe goed de student de "ingrediënten" heeft gebruikt om iets nieuws te maken. Het controleert:

Hebben ze de culturele elementen herkend?
Hebben ze de visuele kenmerken correct geëxtraheerd?
Hebben ze de vorm creatief geherorganiseerd?
Is het thema duidelijk?
Is het werk voltooid?
De computer geeft een score, en vervolgens controleert een menselijke docent dit. De studie toonde aan dat de computer en de docent in 86% van de gevallen het eens waren (een correlatie van 0,86), met een gemiddeld verschil van slechts 3,84 punten. Dit suggereert dat de computer steeds beter wordt in het begrijpen van wat een goed kunstproject maakt.

De Resultaten: Heeft het gewerkt?
Het team testte dit systeem met 160 studenten in vier klassen gedurende zes weken. Twee klassen gebruikten dit hoogtechnologische systeem, terwijl de andere twee traditionele methoden gebruikten (kijken naar plaatjes en de docent kopiëren).

De resultaten waren duidelijk:

De studenten die het slimme systeem gebruikten, verbeterden veel meer in het extraheren van visuele elementen (met 13,2 punten gestegen) en het herorganiseren van vormen (met 14,1 punten gestegen) vergeleken met de traditionele groep.
De traditionele groep werd wel beter in het simpelweg afmaken van hun werk, maar zij leerden niet zo effectief hoe ze de oude stijlen moesten afbreken en weer opbouwen.

De Kernboodschap
Dit artikel laat zien dat we oude digitale kunst kunnen omzetten in een herbruikbare, herhaalbare workflow voor in de klas. Door computer vision te gebruiken om de kunst te ontleden en AI om het bij de juiste student te matchen, kunnen we tieners helpen om geschiedenis niet alleen te kopiëren, maar ook de "DNA" ervan te begrijpen en het te remixen tot hun eigen moderne creaties. De auteurs suggereren dat, hoewel dit systeem goed werkt, het getest moet worden met meer soorten kunst en op meer plaatsen om te zien of het overal werkt. Maar voor nu bewijst het dat een beetje code kan helpen bij een hoop creativiteit.

Technische Samenvatting: Visuele Transformatiemechanismen voor de Integratie van Digitale Culturele Erfgoedbronnen in Kunstcurricula voor de Onderbouw van het Middelbaar Onderwijs

Probleemstelling
De integratie van digitaal cultureel erfgoed (specifiek digitale Dunhuang-muurschilderingen) in kunstcurricula voor de onderbouw van het middelbaar onderwijs kampt met aanzienlijke technische en pedagogische hiaten. Bestaande toepassingen missen vaak gestandaardiseerde beeldvoorverwerking, berekenbare kenmerkrepresentaties, automatische taakgeneratie en datagestuurde evaluatiemechanismen. Gevolgen hiervan is dat er geen herbruikbare, reproduceerbare computationele workflow bestaat om statische erfgoedbeelden effectief te vertalen naar adaptieve, creatieve leeropdrachten of om leerresultaten consistent te evalueren. Huidig onderzoek richt zich vaak op erfgoedherkenning, 3D-reconstructie of beeldgeneratie in isolatie, en slaagt er niet in de kloof tussen de deconstructie van culturele beelden en de generatie van gestructureerde, evalueerbare klasopdrachten te overbruggen.

Methodologie
De auteurs stellen een modulair visueel transformatiekader voor dat computer vision, regelgebaseerde matching en AI-ondersteunde scoring integreert. De methodologie verloopt via vier primaire stadia:

Extractie en Standaardisatie van Visuele Kenmerken:
- Voorverwerking: Digitale Dunhuang-beelden worden gestandaardiseerd naar 512x512 pixels en omgezet naar de Lab-kleurruimte. Bilaterale filtering ( $d=5, \sigma_c=50, \sigma_s=50$ ) onderdrukt barstruis, terwijl CLAHE (clip limit 2.0, tile size 8x8) gebieden met lage verzadiging versterkt.
- Kenmerkvectorisatie: Vijf visuele kanalen worden geëxtraheerd om een kenmerkvector $\mathbf{F}_i = [l_f, c_f, p_f, s_f, m_f]$ $F_{i} = [l_{f}, c_{f}, p_{f}, s_{f}, m_{f}]$ te vormen:
  - $l_f$ : Lijntekening randdichtheid (Canny).
  - $c_f$ : Dominante kleurclustering (K-means).
  - $p_f$ : Patroonrepetitiestructuur.
  - $s_f$ : Compositionele ruimtelijke hiërarchie.
  - $m_f$ : Figuurhoudingen en richtingvectoren van vloeiende sjerpen.
- Deze elementen (lijnen, kleuren, patronen, composities, dynamische houdingen) worden behandeld als overdraagbare componenten in plaats van objecten voor directe kopieeracties.
Mapping en Generatie van Beeld-naar-Taak:
- Matching: Het systeem berekent de cosinusgelijkenis tussen het beeldkenmerkvector ( $\mathbf{F}$ ) en een cursus-taakvector ( $\mathbf{T}$ ). Als de matchscore $M_{ij} \geq 0,75$ is, wordt het beeld automatisch toegewezen; scores tussen 0,60 en 0,75 vereisen bevestiging door de docent.
- Taakgeneratie: Een regel-engine wijst taken toe op basis van beeldkenmerken (bijv. een hoge lijndichtheid koppelt aan "Het extraheren van dynamische lijnen"; een hoog kleurverschil koppelt aan "Kleurherontwerp").
- Differentiatie: Taken worden gecategoriseerd in niveaus Basic, Advanced en Open, gebaseerd op de vaardigheidsniveaus van de student ( $G_s$ ) afgeleid van voortests en visuele geletterdheidstests. Het systeem hanteert een "Top 3 Kandidaat Strategie" om docentselectie mogelijk te maken en algoritmische nauwezinnigheid te voorkomen.
Moeilijkheidsgraad Classificatie en Optimalisatie:
- Taken worden ingedeeld in vier moeilijkheidsgraden (L1–L4) op basis van een gewogen formule ( $D_j$ ) die beeldcomplexiteit ( $C$ ), operationele stappen ( $P$ ), taakopenheid ( $O$ ), voltooiingspercentage van de student ( $R$ ) en afwijking van werkkenmerken ( $E$ ) incorporeert.
- Het systeem maakt gebruik van feedbackloops om modelparameters bij te werken en passende moeilijkheidsgraden te recommenden voor opeenvolgende iteraties.
AI-ondersteunde Evaluatie:
- Codering van Studentenwerk: Studentenwerken worden verwerkt via perspectiefcorrectie en gecomprimeerd naar 512x512. Kenmerken worden geëxtraheerd met behulp van Canny, Lab-kleuranalyse en patroonrepetitie-operatoren. Diepe embeddings worden gegenereerd met behulp van CLIP-ViT-B/16 (fijn afgestemd met projectiekoppen).
- Scoringmodel: Een gefuseerde representatie (ConvNeXt-Tiny en CLIP) gaat door een twee-laags MLP om scores te genereren over vijf dimensies: Herkenning van Culturele Elementen, Extractie van Visuele Elementen, Formele Reconstructie, Thematische Expressie en Volledigheid van het Werk.
- Gewichten: Bepaald via backward kalibratie en kruisvalidatie, waarbij "Extractie van Visuele Elementen" (0,24) en "Formele Reconstructie" (0,22) de hoogste gewichten dragen.

Belangrijkste Bijdragen

Modulair Kader: Het artikel presenteert een gesloten computerapplicatie mechanisme dat de transformatie van deconstructie van erfgoedbeelden naar taakgeneratie, studentbeoordeling en iteratieve optimalisatie operationaliseert.
Gestandaardiseerde Kenmerkvector: Het definieert een specifieke vijf-kanaals visuele kenmerkvector die het mogelijk maakt om culturele beelden computationeel te matchen met curriculumdoelstellingen.
AI-Mens Hybride Evaluatie: De studie introduceert een evaluatiesysteem waarbij AI-scoring correleert met docentbeoordelingen, gebruikmakend van een gewogen metrieksysteem dat prioriteit geeft aan structurele transformatie boven loutere symboolidentificatie.
Adaptieve Taakgeneratie: Het systeem genereert gedifferentieerde leeropdrachten (Basic, Advanced, Open) op basis van realtime profielen van de vaardigheden van de student en beeldcomplexiteit.

Experimentele Resultaten
Het kader werd gevalideerd in een zes weken durende studie met 160 studenten uit vier klassen van de onderbouw van het middelbaar onderwijs (twee experimentele, twee controlegroepen).

Prestatiewinst: De experimentele groep vertoonde significante verbeteringen ten opzichte van de controlegroep in:
- Extractieratio van Visuele Elementen (+13,2 vs. +5,3).
- Graad van Formele Herstructurering (+14,1 vs. +5,9).
- Herkenning van Culturele Elementen (+11,2 vs. +5,3).
Evaluatieconsistentie: Het AI-scoringssysteem vertoonde een Pearson correlatiecoëfficiënt van 0,86 met de scores van de docenten, met een Mean Absolute Error (MAE) van 3,84.
Foutanalyse: Discrepanties (fouten > 8 punten) kwamen voornamelijk voor bij werken met een duidelijke thematiek maar zwakke culturele elementen, wat aangeeft dat het model prioriteit geeft aan kenmerkovereenkomst en structurele volledigheid, terwijl docenten meer gewicht toekennen aan metaforische en emotionele intentie.

Betekenis en Claims
Het artikel claimt dat dit kader succesvol de disconnect tussen digitale erfgoedbronnen en herbruikbare klaslokale workflows aanpakt. Door de lijnen, kleuren en houdingen van muurschilderingen om te zetten in gestructureerde kenmerkvectoren, stelt het systeem de gebruiker in staat om culturele beelden te verwerken, op te slaan en iteratief te transformeren naar creatieve taken. De auteurs stellen dat de educatieve waarde niet ligt in het bekijken van beelden, maar in het proces van deconstructie, vertaling en hercreatie.

De auteurs houden echter een bescheiden standpunt aan met betrekking tot de reikwijdte van hun claims. Zij erkennen beperkingen in de steekproefomvang, de specifieke categorie van het erfgoed (Dunhuang-muurschilderingen), de dekking van de leerjaren en de computermilieus. Zij stellen dat stabiliteit van de toepassing, transferprestaties en generalisatie bredere cross-regionale verificatie vereisen. Toekomstig werk wordt voorgesteld om datasets uit te breiden, multimodale fusie te optimaliseren en immaterieel erfgoed en lokale bronnen op te nemen in schaalbare softwaretoepassingen.

Technische Samenvatting: Visuele Transformatiemechanismen voor de Integratie van Digitale Culturele Erfgoedbronnen in Kunstcurricula voor de Onderbouw van het Middelbaar Onderwijs

Meer zoals dit