# 人工智能时代下的设计美学：文献综述 > 主题：人工智能（尤其是生成式 AI / AIGC）对设计美学理论与实践的影响 > 时间范围：2021—2026（近 5 年） > 语种：中文、英文核心文献 > 整理维度：理论 · 方法 · 结论 --- ## 摘要 本综述系统梳理 2021—2026 年间国内外关于"人工智能时代下的设计美学"的核心文献，围绕"理论建构—方法创新—研究结论"三条主线展开。在理论层面，归纳出"人工智能美学哲学建构""设计美学范式转型""人机共创与主体性理论""离身性与具身性之争"四条脉络；在方法层面，梳理"计算美学与审美评估模型""生成式模型与设计生成方法""实验心理学方法""数据驱动与提示工程"四类路径；在结论层面，总结"AI 赋能设计美学的积极效应""审美同质化与原创性困境""主体性危机与伦理边界""人机协同的未来路径"四组共识与分歧。综述表明，该领域已从"AI 能否创造美"的本体论争辩，逐步转向"如何在人机共生结构中重构设计美学知识体系"的建构性研究，但仍存在跨学科话语割裂、评价标准缺失、伦理治理滞后等问题。 --- ## 一、引言 设计美学是研究设计活动中审美规律与价值生成机制的交叉学科，长期立足于"形式—功能—意义"的统一。自 2022 年生成式人工智能（以 Stable Diffusion、Midjourney、ChatGPT、DALL·E 为代表）大规模进入公众视野以来，设计美学的生产主体、生成机制、评价标准与伦理边界均发生了结构性变化。一方面，AIGC 以概率建模与潜在空间采样重塑了"灵感—技法—作品"的线性创作结构，将其转变为"数据构建—模型响应—交互反馈"的循环式生成体系（高峰，2026）；另一方面，本雅明所言的"灵韵（Aura）"在算法生成中被进一步消解，引发了关于审美主体性、原创性与文化多样性的深刻反思（段虹，2026；Smith & Southerton, 2025）。 本综述聚焦"设计美学"而非泛指的"艺术美学"，旨在回答三个问题：（1）现有理论如何阐释 AI 对设计美学的重塑？（2）研究者采用了哪些方法来生成、评估与解释 AI 设计的审美价值？（3）已有研究得出了哪些共识性结论与尚存争议的命题？ --- ## 二、检索策略 - **数据库**：中文——中国知网（CNKI）、万方数据、维普、中国社会科学网；英文——Web of Science、Scopus、IEEE Xplore、Nature/ScienceDirect、arXiv、ACM Digital Library。 - **关键词**：中文"人工智能 / 生成式 AI / AIGC + 设计美学 / 审美 / 人机协同 / 计算美学 / 主体性 / 伦理"；英文"generative AI / AIGC + design aesthetics / computational aesthetics / human-AI co-creativity / aesthetic assessment / creativity augmentation"。 - **筛选标准**：近 5 年（2021—2026）；CSSCI/中文核心或 SCI/SSCI/EI/arXiv 高影响力来源；与"设计美学"直接相关。 - **纳入文献**：中文 13 篇、英文 19 篇，合计 32 篇核心文献（详见参考文献 BibTeX）。 --- ## 三、理论研究 ### 3.1 人工智能美学的哲学建构 国内学者陶锋是国内"人工智能美学"概念的倡导者。他在《艺术的祛魅与技术的施魅：人工智能艺术语言的哲学阐释》（《中国社会科学》2025 年第 10 期）中指出，人工智能艺术是艺术语言的自动化生产与形式化尝试：其技术逻辑是"拟合与转码"，AI 文本被接受为艺术的关键在于"接受惯性与艺术共识"；AI 艺术美介于自然美与艺术美之间，蕴含"有目的的不合目的性"，形式化导致其辩证性消失，沦为资本驱动的智能文化产品。他主张将 AI 视作行动者网络（Actor-Network）的一部分，使其成为平等对话的一方，AI 艺术方可得到"救赎"。同系列研究《生产与创造：人工智能时代的行为美学研究》（《文艺争鸣》2025 年第 8 期）进一步区分了"生产"与"创造"两种行为美学，为判定 AI 行为的审美属性提供了哲学标尺。 在哲学本体论层面，迪特·莫施等《算法理性批判：非创造性的人工智能艺术》（《艺术探索》2024 年第 4 期）从算法理性出发质疑 AI 艺术的创造性，认为其本质是对既有风格的统计重组而非质变。刘润坤《人工智能取代艺术家？——从本体论视角看人工智能艺术创作》（《民族艺术研究》2017 年第 2 期，作为该议题的早期理论奠基）则从本体论论证了人类创作不可替代性。这一"质疑—辩护"张力构成了 AI 美学哲学建构的核心议题。 ### 3.2 设计美学范式的转型 多项研究聚焦 AI 时代设计美学范式的结构性变迁。综合性文献《生成式人工智能设计美学研究》提出，大数据与生成式 AI 对设计范式的革新可概括为四个维度：（1）研究视角转变——设计学跨越人文学科疆界，与社会科学、自然科学深度融合；（2）方法转型——从经验主义走向数据驱动的客观分析；（3）尺度拓展——设计主体从单一人类转向"技术与人的协同"，设计过程从线性模式转向数据驱动、智能生成的动态过程；（4）伦理变革——技术工具论被打破，技术内在于主体性结构，引发对设计公平性与可持续性的新考量。 张旖文、武金勇《人工智能艺术的现实、前景与美学思考》（《美术》2024 年第 8 期）梳理了 AI 美学的历史谱系：从古希腊柏拉图"美是难的"、康德审美判断的主观性、布瑞奥"关系美学"，到 20 世纪以来神经美学与计算美学的兴起，指出计算美学用统计物理、网络科学与大数据符号化描述审美愉悦的关键因素，为 AI 机器审美奠定了理论基础。万方收录期刊文献《从波普艺术到 AI 艺术：大众文化语境下艺术创作的范式转型》则通过波普艺术比较，揭示 AI 艺术在符号生成逻辑、主体关系及社会介入维度实现了"质性突破"，但面临创作主体性消解、审美同质化与数据伦理争议等新困境。 ### 3.3 人机共创与主体性理论 高峰《概率建模视角下的 AIGC 艺术生成》（《美术观察》2026 年第 1 期，国家自然科学基金面上项目 62176006 阶段成果）提出关键理论框架：AIGC 艺术生成的核心在于构建高维潜在分布并进行条件化采样，由此形成"数据—模型—生成指令"三元要素的动态联动系统。该框架将"训练"从单纯的技术步骤扩展为"人机双方共同的能力生产过程"——创作者既是训练者也是被训练者，需具备对潜在空间结构、生成指令调控与算法行为预测的"模型思维"。这使艺术实践从传统"灵感—技法—作品"线性结构转向"数据构建—模型响应—交互反馈"循环式生成体系。 田少煦、夏文英《计算创造与意义创建——AIGC 语境下数字艺术的人机共创研究》（《山东社会科学》2025 年第 5 期）将人机共创视为"计算创造"与"意义创建"的双轨结构，强调 AI 负责计算生成、人类负责意义赋予。英文研究中，Haase & Pokutta（2024）提出人机共创的四级协同模型——数字笔（Digital Pen）、AI 任务专家（AI Task Specialist）、AI 助手（AI Assistant）、AI 共创者（AI Co-Creator），刻画了协同层次的递进光谱。 ### 3.4 离身性与具身性之争 段虹《生成式人工智能时代审美创造的困境与重构》（《北京师范大学学报（社会科学版）》2026 年第 3 期）系统论述了 AI"离身性"特征对传统身心二元论的超越与挑战：生成式 AI 可在脱离有机体条件下生成、理解并判断审美对象，在某种程度上突破了自柏拉图至杜威"具身性审美"的哲学传统；但"离身"审美无法形成情感动力，不具备审美想象的基础，因而无法替代人类的"意境之美"。她提出审美主客体辩证互动、离身性审美经验超越、技术之"善"与艺术之"美"融合三条重构路径。 胡成阳《笔墨、算法与主体性：生成式 AI 介入中国画创作的理论反思》（《大河美术报》2026 年 2 月）引入"分布式主体"视角与拉图尔的行动者网络理论（ANT），论证 AI 介入后主体性并未消解，而是在"人—算法—传统"网络中重新分布，并提出"阶段性介入"策略：构思阶段可深度借助 AI，构图阶段作为"草图库"参考，落墨阶段坚守身体性创作。这为传统设计美学与现代算法的调和提供了可操作的理论范式。 英文研究中，Beltrán（2025）提出"AI 生成艺术品的跨学科定义"（Calle 14），为认知科学、计算机科学与艺术理论搭建共同概念底座；Smith & Southerton（2025）则从"审美异化（Aesthetic Alienation）"批判 AI 对当代创造力与图像文化的侵蚀，与国内"审美同质化"论述形成跨语种呼应。 --- ## 四、方法研究 ### 4.1 计算美学与审美评估模型 计算美学是该领域方法创新的核心引擎。Jin（2026，*Scientific Reports*）开发了一个集成计算美学与认知心理学的 AI 艺术评估模型，显式将 Reber 加工流畅性理论、格式塔组织原则与双通路加工机制操作化为模型架构，通过行为实验、眼动追踪与 NASA-TLX 认知负荷测量验证计算预测与人类认知过程的对应关系，证明 AI 审美评估可通过与心理建构的显式映射实现"认知透明性"。 在图像审美质量评估（IAA）方向，Daryanavard Chounchenani 等（2025，*ACM Computing Surveys*）对基于深度学习的图像审美质量评估进行了系统综述，涵盖评分、分布、属性与描述四类预测任务。Jin 等（2024，arXiv:2411.08545）发布 APDDv2 绘画与素描美学数据集，引入艺术家标注分数与评论，为审美评估提供大规模标注基础。McCormack & Lomas（2021，*Neural Computing and Applications*）通过深度学习"个体美学"，探索个性化审美建模。Asperti 等（2025，arXiv:2505.05229）考察 CLIP 是否与人类艺术感知一致，推动视觉—语言对齐模型在审美任务中的可解释性研究。 在建筑与城市美学维度，Jiang（2025，*AI*）提出 Beautimeter，利用 GPT 基于"生命结构 15 属性"评估建筑与城市之美；Salingaros（2025，*Multimodal Technologies and Interaction*）研究 AI 生成的"生命几何"对创造力环境的促进作用。Maerten & Soydaner（2023，arXiv:2302.10913）综述了深度神经网络在 AI 生成艺术中的演进，从"画笔到像素"。 ### 4.2 生成式模型与设计生成方法 生成式模型的演进是设计美学方法创新的直接动因。Shahriar（2022，*Displays*）综述了 GAN 在视觉艺术、音乐与文本生成中的应用；Hertzmann（2025，*Empirical Studies of the Arts*）从艺术与美学心理学角度讨论生成模型，将生成式 AI 置于经验美学传统中。Song 等（2025，arXiv:2502.04116）探讨 GAN 如何桥接艺术与机器智能。 在面向设计的方法论层面，"地理美学（Geo-Aesthetics）"框架（2026，*Applied Sciences*）具有代表性：以遥感影像为源形态，经光谱指数选取与 CLAHE 增强后作为 Midjourney v6 图生图提示，结合盒计数维数与孔隙度量化形态复杂度，将水文、构造、沙漠、农业与珊瑚礁地貌转化为铺装、立面、界面、声学构件及仿生表面的设计图案原型。该研究连接对地观测、生成式 AI 与设计构思，提供了可记录、可复现的工作流程。 Liang（2024，*Scientific Reports*）研究 AI 辅助技术在文创产品设计中的应用；Gao（2025，*Discover Artificial Intelligence*）构建基于 AI 的艺术设计创意生成与评估系统；ScienceDirect 文献（2025，S1474034625006494）提出 AI 辅助个性化产品审美生成方法，以手表设计为案例验证。在产品美学量化方面，南方科技大学 Zhou 等（2023，ICID 会议）应用计算设计美学研究符合中国人审美的眼镜架定制，量化上框位置、中梁高度、下框位置等设计变量对佩戴美感的影响。 ### 4.3 实验心理学方法 实验心理学方法为审美判断提供实证依据。Fang 等（2026，福州大学机构库）基于 Leder 等的审美欣赏框架与人机信任理论，构建含视觉审美特征、认知掌握、情感唤起、感知艺术价值、AIGC 信任、艺术接受意图、熟悉度控制七个潜变量的结构方程模型（SEM），以 Midjourney v6 生成 24 件城市雕塑为刺激材料，对 326 名中国被试开展问卷，发现认知掌握与情感唤起在审美特征与感知艺术价值间起显著中介作用。 Wang（2024，特拉华大学，于港中深报告）通过田野实验（产品设计任务）与实验室实验（平面设计任务）考察 GenAI 对创意过程的双刃作用：GenAI 在构思阶段显著促进发散思维，对低专长创作者全程受益，但对高专长创作者在实施阶段降低效率而不提升质量。Han、Ren 与 Li（2026，*New Ideas in Psychology*）以 DeepSeek-R1 为实验工具，通过两组实验（n=130、n=136）证明 AI 辅助显著提升新颖性与有用性，且多轮深度交互比单轮简单交互效果更佳。 Grassini（2025，*International Journal of Human-Computer Interaction*）研究 AI 生成艺术的计算能力与主观质量对审美判断与积极情绪的影响；Horton、White 与 Iyengar（2023，*Scientific Reports*）发现"对 AI 艺术的偏见反而能增强对人类创造力的感知"；Hitsuwari 等（2023，*Computers in Human Behavior*）通过俳句诗歌实验考察人机协作是否产生更具创造性的艺术。Messingschlager & Appel（2025，*New Media & Society*）研究"AI 心智归因"对 AI 生成艺术欣赏的影响。 ### 4.4 数据驱动与提示工程 数据驱动方法与提示工程构成 AIGC 设计美学的实践方法论核心。高峰（2026）将"训练机制"细化为数据构建中的认知训练（标注与筛选塑造创作者认知结构）、模型能力的结构性构成（风格迁移理解、语义—形式映射透明度、潜在空间可塑性）、策略制定中的创作者能力训练（提示词撰写、采样参数调节）三个层面，并指出提示词写作、生成调优、数据策展正从个体经验转化为共享知识系统，呈现"教程化"与"方法论化"趋势。 英文文献中，Zhang & Li（2024，arXiv:2410.14925）研究新手视觉艺术家对 AI 辅助艺术创作的感知；Tang 等（2024，CSCW Companion）考察 AI 图像工具对专业与非专业用户的影响。MIT 的 Haridis（2026）通过"Beyond Data-Driven Aesthetics"展览，将 20—21 世纪将计算转化为创意生产与审美判断媒介的努力物质化，提炼出"审美度量（Aesthetic Measure）""审美指南""算法美学""审美挪用""审美新奇"五个主题，强调规则驱动方法相对纯数据驱动学习在审美判断中的独特价值。 --- ## 五、结论研究 ### 5.1 AI 赋能设计美学的积极效应 研究者在以下方向形成较高共识：（1）**效率与维度跃升**——AI 显著提升设计生成效率，并通过海量数据挖掘为创作者提供被忽略的视角，实现"创意增强（Creative Augmentation）"（Wang, 2024；Haase & Pokutta, 2024）；（2）**审美民主化**——生成式 AI 降低创作门槛，使更多普通人参与艺术与设计创作，契合福柯"人人都是生活的艺术家"理念（段虹, 2026）；（3）**审美评估客观化**——计算美学能提供更客观、高效的评判，应用于艺术品价值预测、风格鉴定与市场趋势洞察（张旖文、武金勇, 2024）；（4）**跨尺度设计整合**——大数据与 AI 拓展设计物理边界与思维深度，推动宏观与微观尺度的协同（《生成式人工智能设计美学研究》）。 ### 5.2 审美同质化与原创性困境 这是当前研究争议最集中的结论域。段虹（2026）指出，算法优化带来"审美同质化倾向"——AI 依赖已有认知模式，作品呈统一趋势，基于情感体验或生活经验的"意境之美"易被重构为统一模式，作品"辨识度"被消解。高峰（2026）从技术机制解释这一现象：数据决定潜在分布形态，模型通过损失函数将数据模式强化为稳定特征，大模型在训练中形成"内在语法"，对创作者产生限制或引导，模型生成并非中性。胡成阳（2026）援引鲍德里亚"拟像"理论，指出 AI 生成是对已数字化艺术图像的二次仿制，基于大数据的风格学习天然趋向均值，输出"仅有形似而无神韵"。 Smith & Southerton（2025）以"审美异化"概括 AI 对当代创造力与图像文化的侵蚀；Zhou & Lee（2024，*PNAS Nexus*）从生成式 AI、人类创造力与艺术关系角度探讨原创性边界。在版权与原创性界定上，多国研究者指出 AI 生成内容版权归属模糊、训练数据知识产权边界不清，构成"原创性疑难"（段虹, 2026；新浪报道, 2026）。 ### 5.3 主体性危机与伦理边界 主体性危机是该领域最具哲学深度的结论。研究者普遍认为 AI 缺乏"具身性"，无法形成情感动力，对依托观感、声音、触感的"意境之美"无法真正感知（段虹, 2026；成素梅, 2026）。中国艺术研究院《艺术学研究》编辑部主办的"人工智能艺术的伦理挑战"研讨会（2026）提出"人机双主体"格局，强调 AI 功能强大但价值缺失、情感模拟实为"假动情"，更严峻的是 AI 艺术"消解我们正视真实的能力"。王霁霞指出 AI 无人类情感与痛苦，无法完成艺术解放心灵的使命；王小伟主张坚守写作的"作者性"，保留人类语言中不完美却真实的"尖锐"与"文气"。 Messingschlager & Appel（2025）的实证研究表明，对 AI 归因心智会提升对其生成艺术的欣赏，提示主体性认知与审美接受高度关联。Bara 等（2025，*Cognition*）发现 AI 上下文信息会塑造对 AI 视觉艺术的道德与审美判断。伦理治理层面，研究者主张重新设计 AI 艺术技术架构，使意向性可追溯、责任可落实、人与人精神交往不被技术中介切断（成素梅, 2026）。 ### 5.4 人机协同的未来路径 针对上述困境，研究者在"人机共生"方向形成若干建设性结论：（1）**分布式主体**——放弃"谁是主体"的二元对立，转向"主体性如何分布"，在意图提出（人类主导）、形式探索（AI 辅助）、审美判断（以"选择"显现）、笔墨环节（回归身体）分层配置（胡成阳, 2026）；（2）**阶段性介入**——AI 在构思与构图阶段深度参与，内核环节坚守身体性创作，对创作者综合素养提出更高标准而非降低要求（胡成阳, 2026）；（3）**人机双向赋能**——人类通过数据、算法与审美引导赋予 AI 创作能力，AI 通过生成内容、灵感与边界拓展反哺人类表达（成素梅, 2026）；（4）**审美理性引导技术**——以审美理性引导技术发展，推动艺术祛魅与技术施魅的辩证统一（陶锋, 2025）；（5）**技术之善与艺术之美的融合**——在崇高之美中内蕴"善"的要素，实现技术进步与人文精神的统一（段虹, 2026）。 值得注意的实证结论是"AI 对低专长创作者的赋能更显著、对高专长创作者可能产生干扰"（Wang, 2024），以及"多轮深度交互比单轮简单交互更能放大创造力增益"（Han et al., 2026），这为人机协同设计提供了差异化的实践依据。 --- ## 六、研究述评与展望 ### 6.1 现有研究的贡献 近 5 年文献在三个层面取得实质进展：（1）**理论建构**——陶锋的"人工智能美学"概念、高峰的"概率建模生成理论"、段虹的"离身性审美超越"、胡成阳的"分布式主体"等，已初步搭建起 AI 时代设计美学的理论脚手架；（2）**方法创新**——计算美学评估模型（Jin, 2026）、结构方程建模（Fang et al., 2026）、遥感—生成设计工作流（Geo-Aesthetics, 2026）、四级人机协同模型（Haase & Pokutta, 2024）等，提供了可操作的研究工具；（3）**实证发现**——AI 对不同专长创作者的差异化影响（Wang, 2024）、交互深度与创造力增益的正相关（Han et al., 2026）、审美异化现象（Smith & Southerton, 2025）等结论，为理论提供了经验支撑。 ### 6.2 现有研究的不足 **第一，跨学科话语割裂。** 哲学美学、设计学、计算机科学、认知心理学各自为政，缺乏共享的概念底座与评价标准。Beltrán（2025）的"跨学科定义"尝试尚未被广泛采纳。 **第二，评价标准缺失。** AI 生成设计的审美评价缺乏统一、可复现的基准，多数研究依赖主观评分或小样本实验，生态效度有限。Geo-Aesthetics 研究坦承"未证明 AI 输出优于人工设计且无用户感知实验"，提示方法论的内在局限。 **第三，伦理治理滞后。** 版权归属、算法偏见、数据隐私、文化身份侵蚀等议题讨论充分但治理方案稀缺，"重新设计技术架构使意向性可追溯"等主张尚停留在倡议阶段。 **第四，本土化研究薄弱。** 多数英文研究以西方艺术史与审美传统为参照，对中华美学体系（如"意境""气韵""笔墨"）与 AI 结合的系统研究尚处起步，北大"智镜"项目与东北师大"人工智能生产内容中的美学问题研究"重大项目是少数本土化尝试。 **第五，纵向研究匮乏。** 现有文献多为横截面与小样本实验，缺乏对 AIGC 长期介入设计美学实践的追踪研究，难以评估其对审美能力、设计教育与文化的长期影响。 ### 6.3 未来研究方向 基于上述述评，本综述提出五条未来方向：（1）构建跨学科共享的"AI 设计美学"概念框架与评价基准；（2）开展中华美学传统（意境、气韵、笔墨）与生成式 AI 结合的本土化研究；（3）设计可追溯、可问责的 AI 设计技术架构，回应伦理治理诉求；（4）推进大样本、跨文化、长周期的实证研究，提升结论的生态效度与普适性；（5）建立人机协同设计的能力模型与教育体系，将"模型思维"纳入设计素养培育。 --- ## 附：核心文献速览表 | 序号 | 作者（年） | 语种 | 类别 | 核心命题 | 来源 | |---|---|---|---|---|---| | 1 | 陶锋（2025a） | 中 | 理论 | AI 艺术语言的哲学阐释，艺术祛魅与技术施魅 | 中国社会科学 | | 2 | 陶锋（2025b） | 中 | 理论 | 生产与创造：行为美学研究 | 文艺争鸣 | | 3 | 段虹（2026） | 中 | 理论/结论 | 离身性审美对身心二元论的超越，主体性困境 | 北京师范大学学报 | | 4 | 高峰（2026） | 中 | 理论/方法 | 概率建模视角下 AIGC 生成逻辑，训练机制 | 美术观察 | | 5 | 胡成阳（2026） | 中 | 理论/结论 | 分布式主体，阶段性介入策略 | 大河美术报 | | 6 | 张旖文、武金勇（2024） | 中 | 理论 | AI 艺术现实、前景与美学思考 | 美术 | | 7 | 田少煦、夏文英（2025） | 中 | 理论 | 计算创造与意义创建的人机共创 | 山东社会科学 | | 8 | 迪特·莫施等（2024） | 中 | 理论 | 算法理性批判，非创造性 AI 艺术 | 艺术探索 | | 9 | 生成式 AI 设计美学研究 | 中 | 理论/方法 | 设计范式四维革新 | 综合文献 | | 10 | 波普艺术到 AI 艺术（2025） | 中 | 理论 | 大众文化语境下创作范式转型 | 艺术评论 | | 11 | 张军平等（2024） | 中 | 方法 | 人工智能生成内容最新进展 | FITEE | | 12 | 丘挺（2025） | 中 | 理论 | 数字时代绘画自主性再发现 | 美术观察 | | 13 | Zhou et al.（2023） | 中/英 | 方法 | 计算设计美学量化眼镜架审美 | ICID | | 14 | Jin（2026） | 英 | 方法 | 计算美学×认知心理学评估模型 | Scientific Reports | | 15 | Fang et al.（2026） | 英 | 方法 | AIGC 城市雕塑审美认知 SEM | 福州大学机构库 | | 16 | Geo-Aesthetics（2026） | 英 | 方法 | 遥感地貌→参数化设计图案工作流 | Applied Sciences | | 17 | Wang（2024） | 英 | 方法/结论 | GenAI 创意过程双刃作用 | 港中深报告 | | 18 | Han et al.（2026） | 英 | 方法/结论 | AI 辅助提升大学生创造力实验 | New Ideas in Psychology | | 19 | Haase & Pokutta（2024） | 英 | 理论/方法 | 人机共创四级协同模型 | arXiv:2411.12527 | | 20 | Daryanavard et al.（2025） | 英 | 方法 | 深度学习图像审美质量评估综述 | ACM Computing Surveys | | 21 | Hertzmann（2025） | 英 | 理论/方法 | 生成模型与艺术心理学 | Empirical Studies of the Arts | | 22 | Messingschlager & Appel（2025） | 英 | 方法/结论 | AI 心智归因与艺术欣赏 | New Media & Society | | 23 | Grassini（2025） | 英 | 方法/结论 | AI 生成艺术审美判断与积极情绪 | IJHCI | | 24 | Horton et al.（2023） | 英 | 结论 | 对 AI 艺术偏见增强人类创造力感知 | Scientific Reports | | 25 | Hitsuwari et al.（2023） | 英 | 方法/结论 | 人机协作俳句创造力实验 | Computers in Human Behavior | | 26 | Zhang & Li（2024） | 英 | 方法 | 新手视觉艺术家对 AI 辅助的感知 | arXiv:2410.14925 | | 27 | Bara et al.（2025） | 英 | 结论 | AI 上下文信息塑造审美判断 | Cognition | | 28 | Beltrán（2025） | 英 | 理论 | AI 生成艺术品跨学科定义 | Calle 14 | | 29 | Smith & Southerton（2025） | 英 | 结论 | AI 与审美异化 | Social Science Computer Review | | 30 | Zhou & Lee（2024） | 英 | 结论 | 生成式 AI、人类创造力与艺术 | PNAS Nexus | | 31 | McCormack & Lomas（2021） | 英 | 方法 | 深度学习个体美学 | Neural Computing and Applications | | 32 | Haridis（2026） | 英 | 理论/方法 | 超越数据驱动美学 | MIT Keller Gallery | > 注：完整 BibTeX 参见 `04_参考文献.bib`。