{"id":8965,"date":"2026-03-24T06:59:00","date_gmt":"2026-03-24T06:59:00","guid":{"rendered":"https:\/\/architeles.eu\/ethics\/?p=8965"},"modified":"2026-03-24T06:59:10","modified_gmt":"2026-03-24T06:59:10","slug":"od-big-data-do-big-aesthetics-jak-analiza-wielkich-zbiorow-obrazow-i-tekstow-zmienia-historie-sztuki-i-badania-kulturowe","status":"publish","type":"post","link":"https:\/\/architeles.eu\/ethics\/index.php\/2026\/03\/24\/od-big-data-do-big-aesthetics-jak-analiza-wielkich-zbiorow-obrazow-i-tekstow-zmienia-historie-sztuki-i-badania-kulturowe\/","title":{"rendered":"Od big data do big aesthetics. Jak analiza wielkich zbior\u00f3w obraz\u00f3w i tekst\u00f3w zmienia histori\u0119 sztuki i badania kulturowe?"},"content":{"rendered":"

Jeszcze niedawno historyk sztuki pracowa\u0142 przede wszystkim na ograniczonym korpusie dzie\u0142: kanonie, wybranych archiwach, katalogach i reprodukcjach. Dzi\u015b coraz cz\u0119\u015bciej patrzy na kultur\u0119 przez interfejs bazy danych, modelu komputerowego i wizualizacji. To przesuni\u0119cie nie oznacza jedynie, \u017ce badamy \u201ewi\u0119cej\u201d obraz\u00f3w i tekst\u00f3w. Oznacza, \u017ce inaczej stawiamy pytania: nie tylko o pojedyncze arcydzie\u0142o, lecz tak\u017ce o wzory, serie, podobie\u0144stwa, sieci wp\u0142yw\u00f3w, obiegi obraz\u00f3w i j\u0119zyk metadanych. W\u0142a\u015bnie tutaj zaczyna si\u0119 przej\u015bcie od big data do big aesthetics \u2013 od danych jako materia\u0142u badawczego do estetyki wsp\u00f3\u0142tworzonej przez skal\u0119, algorytmy i interfejsy.<\/strong><\/p>\n

\"Zdzis\u0142aw<\/p>\n

Koniec samotnego arcydzie\u0142a? Jak zmienia si\u0119 warsztat historyka sztuki<\/h2>\n

Historia sztuki d\u0142ugo by\u0142a dyscyplin\u0105 bliskiego ogl\u0105du. Liczy\u0142y si\u0119 detal, kontekst, ikonografia, materia\u0142, autorstwo, proweniencja i miejsce dzie\u0142a w historii stylu. Ten model nie znika, ale w epoce masowej digitalizacji zbior\u00f3w staje si\u0119 niewystarczaj\u0105cy. Gdy muzea, archiwa i biblioteki udost\u0119pniaj\u0105 setki tysi\u0119cy reprodukcji oraz rekord\u00f3w katalogowych, badacz nie jest ju\u017c w stanie \u201eprzeczyta\u0107\u201d ca\u0142o\u015bci tradycyjnymi metodami. Potrzebuje narz\u0119dzi do filtrowania, grupowania, wizualizacji i modelowania.<\/p>\n

Lev Manovich nazwa\u0142 ten zwrot \u201ecultural analytics\u201d, czyli analityk\u0105 kulturow\u0105. Jej celem nie jest zast\u0105pienie interpretacji przez statystyk\u0119, lecz u\u017cycie metod data science do badania kultury na skalach wcze\u015bniej niedost\u0119pnych. Pytanie nie brzmi ju\u017c tylko: \u201eco oznacza to dzie\u0142o?\u201d, ale tak\u017ce: \u201ejakie wzory ujawniaj\u0105 si\u0119, gdy spojrzymy na 30 tysi\u0119cy fotografii, 170 tysi\u0119cy tytu\u0142\u00f3w obraz\u00f3w albo miliony obraz\u00f3w z medi\u00f3w spo\u0142eczno\u015bciowych?\u201d (Manovich, 2020).<\/p>\n

\n

\u201eHow can we see a billion images?\u201d (Manovich, 2020).<\/p>\n

\"\"<\/p>\n<\/blockquote>\n

To kr\u00f3tkie pytanie dobrze streszcza now\u0105 sytuacj\u0119 badawcz\u0105. Skala nie jest tylko problemem technicznym. Skala zmienia epistemologi\u0119, czyli sam spos\u00f3b produkowania wiedzy.<\/p>\n

Od katalogu do algorytmu<\/h2>\n

Pierwszy etap przemiany mo\u017cna nazwa\u0107 faz\u0105 digitalizacji. Instytucje kultury przez lata budowa\u0142y cyfrowe katalogi, skany, repozytoria i standardy opisu. Sam dost\u0119p do danych nie jest jednak jeszcze prze\u0142omem. Prze\u0142om zaczyna si\u0119 wtedy, gdy zbiory staj\u0105 si\u0119 materia\u0142em do nowych pyta\u0144 badawczych, a nie tylko cyfrow\u0105 p\u00f3\u0142k\u0105 z reprodukcjami.<\/p>\n

W tym sensie analiza wielkich zbior\u00f3w zmienia histori\u0119 sztuki podw\u00f3jnie. Po pierwsze, zwi\u0119ksza skal\u0119 obserwacji. Po drugie, przesuwa uwag\u0119 z jednostkowego dzie\u0142a ku relacjom mi\u0119dzy dzie\u0142ami: podobie\u0144stwom formalnym, cz\u0119stotliwo\u015bciom motyw\u00f3w, przemianom s\u0142ownictwa, geografiom wystaw, obiegom kopii i cytat\u00f3w. Nie chodzi wi\u0119c o to, by \u201emaszyna sama zinterpretowa\u0142a sztuk\u0119\u201d, lecz by komputer pom\u00f3g\u0142 zobaczy\u0107 wzory niewidoczne dla pojedynczego oka.<\/p>\n

Tu przydatne staje si\u0119 poj\u0119cie \u201edistant viewing\u201d zaproponowane przez Trevora Arnolda i Lauren Tilton. To wizualny odpowiednik \u201edistant reading\u201d znanego z humanistyki cyfrowej: metoda badania du\u017cych korpus\u00f3w obraz\u00f3w przy u\u017cyciu komputerowego rozpoznawania cech, kategoryzacji i eksploracji podobie\u0144stw. Arnold i Tilton podkre\u015blaj\u0105 jednak rzecz kluczow\u0105: obrazy nie \u201em\u00f3wi\u0105\u201d same przez siebie, a ka\u017cda ekstrakcja metadanych jest ju\u017c interpretacj\u0105. Algorytm nie ods\u0142ania czystej prawdy o obrazie, tylko wytwarza jeden z mo\u017cliwych porz\u0105dk\u00f3w jego opisu (Arnold & Tilton, 2023).<\/p>\n

Jak wygl\u0105da sztuka ogl\u0105dana w skali masowej<\/h2>\n

Najbardziej przekonuj\u0105ce s\u0105 konkretne przyk\u0142ady. Projekt Selfiecity<\/em><\/a> analizowa\u0142 selfie z pi\u0119ciu miast \u015bwiata, \u0142\u0105cz\u0105c ilo\u015bciow\u0105 analiz\u0119 z teori\u0105 obrazu i wizualizacj\u0105 danych. W tym przypadku big data nie s\u0142u\u017cy\u0142a do przewidywania zachowa\u0144 konsument\u00f3w, lecz do uchwycenia styl\u00f3w autoprezentacji: u\u0142o\u017cenia g\u0142owy, mimiki, p\u0142ciowych wzorc\u00f3w pozowania czy lokalnych r\u00f3\u017cnic wizualnych. Podobnie Photogrammar<\/em><\/a> organizuje i wizualizuje wielkie archiwum fotografii FSA-OWI, pozwalaj\u0105c bada\u0107 zbi\u00f3r nie tylko przez nazwiska fotograf\u00f3w, ale tak\u017ce przez map\u0119, czas i rozk\u0142ady temat\u00f3w.<\/p>\n

Te przyk\u0142ady pokazuj\u0105, \u017ce analiza na du\u017c\u0105 skal\u0119 nie musi prowadzi\u0107 do \u201eodcz\u0142owieczenia\u201d obrazu. Przeciwnie: mo\u017ce ods\u0142oni\u0107 spo\u0142eczne regu\u0142y widzialno\u015bci. Zamiast pyta\u0107 jedynie o pojedyncz\u0105 fotografi\u0119, pytamy o to, jakie gesty, pozy, kadry i sposoby opisywania obraz\u00f3w staj\u0105 si\u0119 dominuj\u0105ce. W badaniach kulturowych jest to zmiana fundamentalna, poniewa\u017c uwaga przesuwa si\u0119 z wyj\u0105tkowego obiektu na wzory produkcji i recepcji wizualno\u015bci.<\/p>\n

Podobny ruch wida\u0107 w projektach instytucjonalnych. Getty rozwija dzi\u015b badania z zakresu digital art history<\/em>, a projekt Photography Unbound<\/em> wykorzystuje computer vision do analizy du\u017cego korpusu fotografii dziewi\u0119tnastowiecznych. Istotne jest to, \u017ce celem nie jest wy\u0142\u0105cznie automatyczne tagowanie obiekt\u00f3w, lecz sprawdzenie, jakie pytania artystyczno-historyczne da si\u0119 postawi\u0107 dzi\u0119ki narz\u0119dziom widzenia maszynowego. To wa\u017cna r\u00f3\u017cnica. Gdy algorytm s\u0142u\u017cy tylko do przyspieszenia pracy katalogowej, pozostaje narz\u0119dziem administracyjnym. Gdy zaczyna wsp\u00f3\u0142kszta\u0142towa\u0107 pytania badawcze, wchodzi do centrum metodologii.<\/p>\n