From Cultural Perception to Computable Semantics: An EFA–AHP–EWM Framework for Ming–Qing Horseshoe-back Armchairs
本研究提出了一种由EFA–AHP–EWM构成的耦合框架，旨在将明清马蹄形圈椅的定性文化感知转化为可计算的语义表示，通过识别五个关键维度并揭示形态特征与文化象征的双核结构，从而推动遗产数字化从几何重建向更高层次的发展。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正漫步在一家博物馆里，凝视着一把古老的木椅。你可以测量它的高度，数清它的腿数，并扫描它的表面以创建一个完美的3D数字副本。这就是我们所说的“几何数字化”——它就像是为物体的形状拍了一张高分辨率照片。但是，关于这把椅子带给你的“感觉”呢？它给人的感觉是“优雅”还是“奢华”？它是在低语着“古老的仪式感”，还是在呐喊着“日常的舒适感”？这些是隐藏在木头里的文化秘密，是简单的3D扫描无法捕捉到的。这就是“语义数字化”发挥作用的地方。它试图将那些模糊的人类感受和文化故事，转化为计算机能够理解的语言——即一组告诉机器为什么这把椅子会有这种感觉的数字和权重。为什么这很重要？因为随着人工智能（AI）开始设计新的事物，我们希望它创造的设计不仅看起来像旧物，而且实际上能让人感觉到旧物的韵味与意义。如果我们能教会AI家具的“灵魂”，而不只是它的骨架，我们就能开启一种保护并重塑历史的新方式。
这篇论文解决了一个棘手的难题：我们如何将明清时期马蹄圈椅的“神韵”转化为一个数学问题？研究人员王悦、张静静和武金亮决定不再靠猜测，而是开始计算。他们不仅将这些精美的椅子视为家具，更将其视为一个需要用名为 EFA–AHP–EWM 的三步侦探框架来破解的谜题。
首先，他们召集了一支由专家和普通人组成的团队，用35个不同的词汇来描述这些椅子，范围从“圆润轮廓”到“含蓄内涵”。但35个词汇就像一堆乱七八糟的线索。因此，他们使用了一种名为探索性因子分析（EFA）的统计工具来整理这堆线索。想象一下你有一袋混合在一起的乐高积木；这个工具可以帮助你意识到，虽然颜色很多，但它们实际上只能搭建出五种特定的结构。研究人员发现，所有这些词汇都可以被归纳为五个主要类别：形态与结构、装饰与工艺、色彩与纹理、文化与意境，以及功能与适用性。这五个类别解释了人们对这些椅子感知中**65.758%**的内容。
接下来，他们需要确定这五个类别中哪些最重要。他们使用了两种不同的方法来获得平衡的分数。其中一种方法是 AHP（层次分析法），它要求专家就文化重要性进行投票（就像评委团投票）；另一种方法是 EWM（熵权法），它通过观察来自普通用户的实际数据，来看哪些词汇引起了最大的观点差异（就像一场基于真实反应的流行度竞赛）。最后，他们将这两个分数结合成一个单一的“耦合权重”。
结果非常具有启发性。研究表明，当人们观察这些椅子时，他们看到的不仅仅是木头；他们看到的是一个“双核”故事。驱动人们感知这些椅子的两个最大因素是形态与结构（权重为 0.3470）和文化与意境（权重为 0.3012）。这两者共同构成了这把椅子“个性”的绝大部分。
当我们深入研究具体的词汇时，有三个细节脱颖而出，成为了椅子身份的最强有力钥匙：
- “圆润轮廓——曲直结合轮廓”（权重：0.1223）：靠背的曲线方式是人们注意到的最重要的一点。
- “优雅风格——奢华风格”（权重：0.0855）：整体氛围是优雅还是华丽，是一个主要因素。
- “含蓄内涵——显性表达”（权重：0.0786）：意义是隐藏而含蓄的，还是响亮而直白的，也至关重要。
有趣的是，研究发现像色彩与纹理这样的因素在重要性名单上的排名出奇地靠后。尽管我们通常认为家具是视觉上的色彩与木纹盛宴，但数据表明，对于这些特定的椅子，人们更在意的是形状和文化故事，而不是油漆或抛光。
这篇论文并不声称已经解开了所有家具的全部奥秘，也不说这是唯一的途径。相反，它表明这个特定的框架对于这些椅子是非常有效的。它证明了我们可以将“优雅”或“仪式感”这类抽象、诗意的概念转化为硬性的数字。这意义重大，因为它给了AI一套新的指令。AI不再仅仅是复制一把旧椅子的形状，未来的AI可以使用这些数字来生成新的设计，使其在感觉上是“对的”，从而捕捉到让原作如此特别的“圆润轮廓”和“含蓄内涵”。这是连接过去静谧智慧与未来宏大潜力的桥梁，它向我们展示了，如果我们能够衡量一个物体的灵魂，我们或许就能教会机器去理解它。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。