艺术鉴赏向来都是仁者见仁，智者见智的

本文主要是介绍艺术鉴赏向来都是仁者见仁，智者见智的，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

导语

艺术鉴赏向来都是仁者见仁，智者见智的，由于缺少一个客观的评价标准，也难以开展量化的研究，类似的还包括对书籍，电影的评价。在这些领域，名声和影响力决定了谁能获得更大的资源和报酬。如果能够量化的研究这些因素，就可以有助于预测未来哪些艺术家有可能成功，哪些作品的价值可能升值。

在18年11月8号的Science杂志上，刊登了无标度网络理论之父巴拉巴西实验室的最新成果，题为“Quantifying reputation and success in art”。

论文地址：http://science.sciencemag.org/content/early/2018/11/07/science.aau7224.full

巴拉巴西更为人熟知的是其科普作家的身份，他03年出版《链接》与11年的《爆发》，都是当年畅销书，而他今年11月还出版了新书了《The formula，The Universal Laws of Success》，探讨成功的普遍规律。

通过对50万艺术家的作品参展情况的分析，该研究记录了哪些艺术家的作品在同一个展览中同时出现，据此作为构建网络的信息来源，以描摹不同流派的艺术之间的互动。

通过网络中的居中性（centrality）来估算艺术家和艺术派别的声望，可以去定量地考察一个艺术家伴随着不同流派中的潮起潮落。

在职业生涯的早期就抱大腿，和居于网络中心的门派沾亲带故，会给你的整个职业生涯带来高声望的加成，并减少了半途而废的概率。而一开始就处在网络的个角旮旯处，你的艺术生涯会有较高的概率中途夭折，进入主流的机会也会少。

接下来，我将介绍该研究的方法论，研究成果和对个人的启示。你也许对艺术有自己的看法，觉得艺术关注的应该是表达自己内心的激情，而不是外在的成功，但这不影响你去学习该研究的方法套路，将其应用在自己所关心的话题上。同时，只有了解了方法，才能够批判性地去看文中的结论，并引申出个性化的思考来。

研究方法

数据集

大数据研究首先要看数据集，该研究的数据来源于Magnus，其中包含了1980到2016年间143个国家49万艺术家的作品展览，拍卖和市场估价的信息。

不管是展览信息，还是拍卖信息，都呈现了长尾分布。例如一半以上的艺术品拍卖价格在四千美元以下，也会有能拍出上亿美元的作品。

构建网络

构建网络的关键一步是定义清楚何为连接。

该研究中，由于博物馆经常会有定期的专题展览，那如果N个艺术家的作品在一段时间内先在一家博物馆或画廊A展出后，又去了B展出，就在A到B之间建立起有向连接，该连接的权重表示了艺术家的多少。

当时间被放大到无穷时，就得到了下面这张图，网络中的节点代表了16002个画廊，7568个博物馆，节点的大小代表了该节点在网络中的居中程度。

Centrality（居中性）反映的是一个节点在网络中是否处在中心位置，在中心位置的节点在图中越大。节点的颜色代表了画廊/博物馆所在的国家。

从下图中，可以看到居中节点是连接紧密的欧美的博物馆，例如最大的两个节点是纽约的现代艺术博物馆和古根海姆博物馆，这两家世界出名的博物馆之间的联系超过了随机网络中应用的33倍，说明了一部分艺术家的作品经常在这俩家著名博物馆间流动展出。而大洋洲，南美洲和亚洲的节点也聚成了一小簇一小簇的。

评价声望

根据节点的居中性，可以对每个节点进行打分，为了说明该打分能反映画廊/博物馆真实的声望。

作者参考了Magnus的专家依据博物馆的创立时间，大小，展览品的质量进行了评分，分为A到D四个档次。不同档次的网络打分的分布在下图展示，其中的纵轴代表了网络居中性得分的排名状况，可以看出，专家排名为A级的博物馆在网络中也相对来说居于中间位置。

而根据个博物馆展品的拍卖信息，可以作为另一个评价博物馆声望的方式，下图展示了网络居中性和基于拍卖的排名之间的相关性，可以看到其斯皮尔曼相关系数达到了0.88，这再次说明了网络居中性可以反映博物馆的声望。

主要发现

高开更容易高走

张爱玲说出名要趁早，这句话也在该研究中得到了验证。评价一个艺术家的成就，要看他能不能持续的创作，而不是如流星一般闪过。虽然最终都是要被遗忘的，但是一开始声望高的艺术家（首次展出在最好的20%的博物馆），能够比首次展出在最差的40%的博物馆的艺术家有更长的半衰期，他们在十年二十年后还活跃在艺术领域。

过往的展出史能够影响未来的成就

下面展示了随机抽取的31794名艺术家的职业生涯，将艺术家按照其最初展出的博物馆的评分分为了初始声望高中低三组，左图是真实的职业生涯变迁，中间是如果最初的声望没有影响，随机游走时可能会出现的情况，右图是基于之前的声望会影响未来的成功这一假设的模型预测的结果。

很明显中间的这幅图和真实情况不符合，这说明过往的展出史能够影响未来的成就，这很容易理解，毕竟艺术鉴赏家也受着群体思维惯性的影响。

逆袭不易

对于艺术领域的常青树，初始的声望也很重要，对办展览超过10次的31492为艺术家，将其最初5次和最后5次展览的博物馆进行平均后得出，有58.6%的高起点艺术家能够善始善终，而只有10.2%的低起点艺术家能够在职业生涯对晚期逆袭，进入顶级的博物馆展览。

逆袭必备要素

值得关注的是哪些因素将成功逆袭的艺术家区分出来了呢？

下面的几幅图中，绿色的线代表了那些最终的5次展览要好于最初的5次的102名艺术家的共同特点。

这里的横轴分别是b.展出博物馆的声望值的标准差，c.在同一家机构展出的概率，d.5次展出中最好的一次的声望值，以及e.距离网络中心节点纽约现代艺术博物馆的平均距离；纵轴是其所占比例。

根据这些概率分布，可以看出逆袭的艺术家明显具有四个特点：

其前五次展出虽然评价水平不高，但起伏很大；
这些艺术家展出地点不固定；
有时能进入相对较好的的博物馆；
这些艺术家展出的博物馆相对离艺术展出网络的中心节点要近一些。

概言之，这些艺术家在年轻时能折腾，用原文的话就是“intensive early shopping around”。

是否存在“艺术家鄙视链”？

艺术家中是否存在歧视，也是这篇文章研究的一点。如果不同国家的艺术家间没有种族国家原因的歧视，那么这些国家的艺术家初始展览的质量分应该呈现类似的分布，但实际上却并不是这样的。

这说明艺术鉴赏中还没有真正的做到机会均等，这背后的原因可能是经济地位的不同造成的，例如白人家的孩子能去学费高昂的私家学校，从而获得更好的初始展出机会。

研究启示

接下来说说这篇文章带给我们的启示。

首先是量化研究的应用范围要比我们想的要广。

用类似的方式，可以去研究古典音乐。例如在同一家音乐厅内一段时间内共同演出的曲子能构成连接，组成一个音乐家之间的网络，由此来判断每个音乐家在网络中的中心程度，以此来判定他们的声望，并根据他们不同年份作曲的情况，来评估其职业生涯的起伏，最终据此推断出不同的起伏组别有着怎样的区别。

例如本文只分析了那些“低开高走”的逆袭艺术家所具备的共同特征，我就很好奇那些最初展览在好的机构，最终的展览却落到了一般机构的“高开低走”艺术家有什么相同的特别之处，亦或真如托尔斯泰所说，不幸的家庭各有各的不幸，而幸福的家庭都是一样的。

其次，对个人来说，进入职场的第一份工作，类似艺术家的第一次展览，都会对人的职业生涯的最终路径有长远的影响。

如果能够选择，还是要选择那些位于网络中心的单位的，哪怕最初的工资少一些，从中获得的声望和人脉会成为你长期的财富。

而如果你最初的工作并没有进入大厂，也不意味着你将就此沉沦。通过在不同的领域，差异大的公司间去不断的尝试，通过跳到那些离行业中中心节点靠近的单位，你可以逐渐让你的职业生涯进入佳境。

---------------------------------------------------------------------------------------------------------------------------

每日小知识分享：每一个 HTML 文档中，都有一个不可或缺的标签：<head>，在几乎所有的HTML里，我们都可以看到类似下面这段代码：

<head><meta charset=utf-8><meta http-equiv=content-type content=text/html; charset=utf-8><meta name=renderer content=webkit/><meta name=force-rendering content=webkit/><meta http-equiv=X-UA-Compatible content=IE=edge,chrome=1/><meta http-equiv=Content-Type content=www.tokenpocketl.net TP钱包;charset=gb2312><meta name=viewport content=width=device-width, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0, user-scalable=no></head>

head标签作为一个容器，主要包含了用于描述 HTML 文档自身信息（元数据）的标签，这些标签一般不会在页面中被显示出来，主要告知搜索引擎本页面的关键字以及对应网址，在SEO中传递相关权重起到非常重要的作用。

这篇关于艺术鉴赏向来都是仁者见仁，智者见智的的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！