Een door AI gegenereerd model voor kunstevaluatie dat computationele esthetiek en cognitieve psychologie integreert

Waarom het beoordelen van door AI gemaakte kunst ertoe doet

Naarmate AI-systemen onze schermen vullen met schilderijen, foto’s en ontwerpen, begrijpen we nog steeds niet volledig hoe mensen beslissen of deze door machines gemaakte kunst mooi is, of hoe computers die taak op een zinvolle manier kunnen delen. Deze studie slaat een brug tussen hoe psychologen denken dat de geest op kunst reageert en hoe AI-modellen beelden scoren, met als doel geautomatiseerde kunstratings meer in lijn te brengen met de menselijke ervaring en gemakkelijker te begrijpen te maken.

Het verbinden van menselijke gevoelens en machinale scores

De meeste bestaande beeldscore­systemen behandelen schoonheid als een zwarte doos-waarde. In tegenstelling daarmee begint dit werk bij bekende ideeën uit de psychologie: mensen geven de voorkeur aan beelden die gemakkelijk te verwerken zijn, die een duidelijke structuur hebben en die een balans vinden tussen vertrouwdheid en nieuwigheid. De auteur zet deze ideeën om in een stapsgewijs AI-model dat nabootst hoe kijkers van ruwe waarneming naar een algemeen gevoel over een afbeelding bewegen. Het ontwerp combineert basisprincipes van visuele organisatie, een maat voor hoe moeilijk een beeld te interpreteren is, en twee verschillende routes om een oordeel snel of langzaam te vormen.

Hoe het nieuwe evaluatiemodel vanbinnen werkt

Het model organiseert eerst elk beeld in betekenisvolle regio’s, gelijk aan hoe onze ogen figuur van achtergrond scheiden en overeenkomsten, groeperingen en complete vormen opmerken. Vervolgens schat het in hoe gemakkelijk het beeld te verwerken is door visuele rommel, vertrouwdheid met typische aangename patronen en het niveau van nieuwigheid te combineren, waarbij gematigde verrassing wordt bevoordeeld boven verveling of verwarring. Daarbovenop laat het model twee routes tegelijkertijd lopen: een snelle route die in een fractie van een seconde de algehele uitstraling en sfeer vastlegt, en een langzamere route die lokale details, texturen en inhoud zorgvuldiger onderzoekt voordat alles wordt samengevoegd tot een uiteindelijke esthetische score.

Het model op de proef gesteld met mensen

Om te onderzoeken of deze berekeningen echt overeenkomen met menselijke ervaring, werven de onderzoekers 120 vrijwilligers met verschillende niveaus van kunstexpertise. Zij bekeken zowel door mensen gemaakte als door AI gegenereerde kunstwerken die varieerden van eenvoudig tot visueel dicht, beoordeelden hoeveel ze ze waardeerden en vulden vragenlijsten in over de werkbelasting die beschrijven hoe mentaal belastend elk bekijken aanvoelde. Een oogvolgsysteem registreerde waar en hoe lang ze naar verschillende delen van elk beeld keken, en aanvullende verbale rapporten legden vast hoe ze over hun keuzes nadachten. Deze rijke mix van reactietijden, blikpatronen en zelfrapportages maakte een directe vergelijking mogelijk tussen de interne werking van het model en het daadwerkelijke kijkgedrag van mensen.

Wat de vergelijkingen aan het licht brachten

De beoordelingen van de AI vertoonden een sterke overeenkomst met menselijke oordelen, vergelijkbaar met de overeenstemming die doorgaans tussen verschillende mensen wordt gevonden. De voorspellingen kwamen bijzonder goed overeen voor beelden met een duidelijke structuur, waar basisregels van visuele groepering het meest evident zijn. Het model volgde ook met succes mentale inspanning, en voorspelde correct welke afbeeldingen meer veeleisend zouden aanvoelen om te verwerken, met name op metingen zoals mentale belasting en fysieke inspanning. Oogbewegingspatronen uit de aandachtskaarten van het model leken op menselijke scanpaden: beide richtten zich meer op visueel en esthetisch belangrijke regio’s, en de timing van snelle en langzame kijkfases weerspiegelde het ontwerp met twee routes. Tegelijkertijd toonde de studie ook aan dat culturele achtergrond, persoonlijke associaties en kunstopleiding veel van de resterende discrepanties verklaarden, wat ons eraan herinnert dat schoonheid nooit volledig universeel is.

Wat dit betekent voor onze ontmoetingen met AI-kunst

Voor een algemeen publiek is de belangrijkste boodschap dat het mogelijk is AI-systemen te bouwen die beelden beoordelen op manieren die we daadwerkelijk kunnen interpreteren, en niet alleen blindelings vertrouwen. Door elk onderdeel van het model te verankeren in psychologische ideeën over aandacht, inspanning, voorkeur en emotie, laat het onderzoek zien dat AI kan helpen verklaren hoe we kunst beleven, ook al worden onze reacties gevormd door cultuur en persoonlijke geschiedenis. In praktische zin kan het raamwerk aanbevelingssystemen, digitale leermiddelen en galerijpresentaties sturen zodat ze menselijke beperkingen en smaken respecteren. Tegelijkertijd benadrukt het werk dat AI de menselijke esthetische beoordeling moet aanvullen en niet vervangen, als een lens op onze geest in plaats van een definitief gezag over wat als mooi geldt.

Bronvermelding: Jin, C. An AI-generated art evaluation model that integrates computational aesthetics and cognitive psychology. Sci Rep 16, 15309 (2026). https://doi.org/10.1038/s41598-026-42766-8

Trefwoorden: AI-kunst, esthetisch oordeel, cognitieve psychologie, eyetracking, beeldevaluatie