А.М. ЧЕРНОВА Векторный анализ как метод искусствоведения

ВЕКТОРНЫЙ АНАЛИЗ КАК МЕТОД ИСКУССТВОВЕДЕНИЯ
Научная статья
УДК 7.01+004.9
DOI: 10.28995/2227-6165-2026-2-115-133
Дата поступления: 10.05.2026. Дата одобрения после рецензирования: 28.05.2026. Дата публикации: 15.06.2026.
Автор: Чернова Аида Маратовна, бакалавр истории искусств, магистрант, Российский государственный гуманитарный университет (Москва, Россия), e-mail: chernovaaida@jdwork.ru
ORCID ID: 0009-0005-6837-1750
Аннотация: Статья посвящена введению в искусствоведческий оборот векторного анализа, как современного функционального метода исследования. Описан алгоритм данного метода, в котором происходит формализация данных о произведениях искусства в векторы, состоящие из дискретных параметров, заданных исследователем самостоятельно. Для удобства понимания и практического использования алгоритм разделен на три этапа: векторизация, метрический анализ и кластерное описание. Главный акцент делается на применимости векторного анализа именно в рамках искусствоведческих исследований: метод позволяет выявлять структурные закономерности в огромной массе исследуемого материала, при полном контроле эксперта. При этом метод доступен для исследователя, не обладающего большими вычислительными возможностями или навыков программирования. Дан пример работы описываемого метода на девяти выставочных проектах Невьянского музея. Показано как подход группирует объекты в кластеры и помогает генерировать обоснованные гипотезы. Векторный анализ рассматривается как инструмент анализа крупных массивов данных, сужающий поле для интерпретации исследователем.
Ключевые слова: вычислительное искусствоведение, векторные представления, дистантный визуальный анализ, близкое чтение, метрики сходства, метрики расстояния, кластерный анализ, извлечение признаков, вычислительное моделирование, анализ выставочных проектов

VECTOR ANALYSIS AS A METHOD IN ART STUDIES
Research article
UDC 7.01+004.9
DOI: 10.28995/2227-6165-2026-2-115-133
Received: May 10, 2026. Approved after reviewing: May 28, 2026. Date of publication: June 15, 2026.
Author: Chernova Aida Maratovna, BA in Art History, MA student, Russian State University for the Humanities (Moscow, Russia), e-mail: chernovaaida@jdwork.ru
ORCID ID: 0009-0005-6837-1750
Summary: This article introduces vector analysis as a computational methodological approach in art history. It outlines the algorithm of this method, which transforms formalized artwork data into vectors comprising discrete parameters independently defined by the researcher. For clarity and practical implementation, the algorithm is divided into three sequential stages: vectorization, metric analysis, and cluster analysis. The primary focus is on the applicability of vector analysis in art historical research. This method facilitates the identification of structural patterns within extensive datasets while maintaining full expert oversight. Additionally, the approach is designed to be accessible to researchers without substantial computational resources or programming expertise. An illustrative application of the described methodology is presented through an analysis of nine exhibition projects from the Nevyansk Museum. The study demonstrates how this framework groups objects into clusters and enables the formulation of data-driven hypotheses. Vector analysis is conceptualized as an analytical tool for processing large-scale datasets, thereby systematically constraining the interpretive field available to the researcher.
Keywords: computational art history, vector space models, distant viewing, close reading, similarity metrics, distance metrics, cluster analysis, feature extraction, computational modeling, exhibition analysis

Для цитирования:
Чернова А.М. Векторный анализ как метод искусствоведения // Артикульт. 2026. №2(62). С. 115-133. DOI: 10.28995/2227-6165-2026-2-115-133

скачать в формате pdf

Исследователи культуры и искусства, ведя научное исследование, зачастую фокусируются на некотором небольшом предмете, который подвергается детальному изучению. Можно провести параллель такого характера ведения исследования с тем, что в западном литературоведении называется «ближним» (пристальным или внимательным) чтением. Точного и однозначного определения «ближнего чтения» не существует. Как отмечает Скотт Ньюсток в исследовании «Столетие “Close Reading”», несмотря на то, что данный термин ассоциируется с литературными критиками 1930–1950-х годов, сами они редко использовали его как устоявшееся понятие, а последующие исследователи так и не смогли дать определение за пределами расплывчатой формулировки «чтение с вниманием к словам на странице» [Newstok 2025, р. 1]. Собирая библиографию для книги Джона Гиллори «О близком чтении», Ньюсток создал архив, собравший более 2500 высказываний о «ближнем чтении» [Guillory 2025]. Анализ этой коллекции позволяет сделать вывод, что, несмотря на неопределённость определения, «ближнее чтение» сохранялось и сохраняется в качестве часто используемого метода. Это фундаментальная деятельность исследователя, требующая тщательного и последовательного анализа текста. При таком подходе особое внимание уделяется отдельным словам, синтаксису и формальным структурам текста. Его концептуальной антитезой выступает «дистанционное чтение» (distant reading). Франко Моретти в статье «Conjectures on World Literature» определяет его как методологию, в которой «дистанция… является условием познания»: она позволяет сместить аналитический фокус с целостного произведения на единицы, существенно меньшие или большие текста, – приёмы, тропы, жанры или макролитературные системы [Moretti 2000, p. 57]. Отказ от непосредственного прочтения отдельных произведений компенсируется возможностью оперировать абстрактными категориями и «вторичными» данными, что реализует принцип «меньшее означает большее» (less is more): редуцирование смыслового богатства текста делает возможным выявление структурных закономерностей в масштабах литературы. Моретти противопоставляет данный подход «ближнему чтению». Он аргументирует это тем, что для анализа за пределами узкого академического канона необходимы другие когнитивные инструменты – в частности, он предлагает использовать графическое моделирование, картографирование и древовидные структуры, позволяющие перейти от суммы индивидуальных интерпретаций к системному пониманию и на визуальное, и на иные продуктивные формы деятельностной активности людей, которые являются материальным выражением того, что может интерпретироваться как искусство [Moretti 2007, p. 1-4]. То есть создать методологию обработки большого количества информации для того, чтобы впоследствии, исследуя различные формы искусства, точно знать, где именно следует перейти от «дальнего» к «ближнему» чтению. Попробуем адаптировать этот подход к визуальным искусствам на основе метода векторного представления объектов как инструмента перехода от интуитивного отбора, анализируемого к воспроизводимому количественному анализу.

Введение

Современные данные – сложные структуры: изображения, тексты, звуковые, видеофайлы и т.п. Для работы с ними требуется переход от запросов типа «найди объект по тегу» к запросам «найди похожие объекты». В современной информатике (всё чаще называемой Computer Science) для этого используются модели эмбеддингов (векторные представления), лежащие в основе рекомендательных систем (например, как в случае пользовательских рекомендаций фильмов [Siddiquee, Haider, Rahman 2015]). Однако существует методологический разрыв: методы, разработанные для астрономии или биологии, плохо применимы, например, к неструктурированным визуальным данным из-за различий в эпистемологических основаниях. В результате чего, не создается единая, знаниевая сеть и возникает проблема отсутствия навыков применения в исследовании культуры и искусства методов, функционально используемых в иных сферах.

Ранее лингвистические и визуальные данные также были среди тех, что плохо поддавались формализованному структурированию. Однако за последние двадцать лет эти проблемы оказались во многом решены.

Google Books оцифровали к 2010 году 127 млн печатных изданий, однако на данный момент их кампания по оцифровке замедлилась [Marcum, Schonfeld 2021, p. 128]. Поиск внутри книг реализован с искажениями [Michel et al. 2011, p. 4], но все-таки это отличная возможность быстрым взглядом охватить множественную информацию.

Доминик Виддоуз [Widdows 2004] систематизировал в единую математическую модель подходы в семантическом векторном пространстве и, описав три ключевых действия над векторами, показал, что необходима ортогональность осей. Ортогональность – это перпендикулярность, или независимость осей. Это необходимо для того, чтобы изменение одного параметра внутри вектора не повлекло за собой автоматического сдвига по другой оси.

Джин Франциск Картьер применяет стратегию Виддоуза к картинам Рене Магритта [Chartier et al. 2019]. Картины художника были семантически проиндексированы с помощью аннотаций (списка дескрипторов). Эти дескрипторы кодируют информацию содержательной части картины, а значит, картина (произведение искусства) рассматривается уже как знаковое в условиях языковой знаковой системы (что упрощает манипулирование информацией), и производится анализ этих семантических аннотаций.

Практическая реализация векторного анализа в современной исследовательской и прикладной сфере прочно ассоциируется с обработкой больших данных и алгоритмами рекомендательных систем. В культурной практике данный инструмент применяется преимущественно в маркетинговых целях.

Рассмотрим три примера на цифровых платформах крупных музеев. Первый пример – сайт «Музейная Москва». Это межмузейный портал, содержащий в себе оцифрованные коллекции московских музеев. Навигация по порталу осуществляется по музеям. При открытии конкретного экспоната [Рисунок. Хохлатка б.г.] можно увидеть его атрибуты, однако под ним, на той же странице, не осуществлен функционал рекомендаций. Например, в разделе «Государственный дарвиновский музей» есть категория графика, в которой можно открыть различные экспонаты. Рядом с фотографией рисунка содержатся атрибуты экспоната. Второй пример, на сайте «Моя Третьяковка» под просматриваемой картиной [Сумерки б.г.] приведены несколько работ того же автора. То есть реализована система рекомендаций, однако выполнена по простому атрибуту – автор. Третий пример, на сайте музея Тейт под просматриваемым объектом [35°9,32°18 б.г.] есть раздел “You might like” – «Вам может понравиться», в котором расположена галерея из двенадцати работ. Среди которых 6 принадлежат Вентворту, а другие – Йозефу Бойсу, Карлосу Крус-Диесу, Ричарду Дикану, Джулиану Опи.

В последнем примере мы видим, что объекты описываются набором признаков для автоматической выдачи релевантных результатов посетителю сайта. Однако для академических исследователей в области культуры и искусства доступ к методу существенно ограничен. Его привычная реализация требует развитой технической инфраструктуры, навыков программирования и привлечения специалистов по компьютерным наукам. Показательным примером является структура Лаборатории культурной аналитики, созданной Львом Мановичем. Лаборатория работает на стыке компьютерных наук и гуманитарного знания. Её сотрудники создают вычислительные методы и инструменты визуализации для анализа больших массивов данных из сферы культуры: изображений, видео, социальных медиа и цифровых архивов. На сайте организации представлены данные, исходя из которых можно посчитать, что примерно 20 % команды составляют инженеры и программисты [Cultural Analytics б.г.]. Это подчёркивает необходимость, по крайней мере, на данном этапе взаимодействия специалистов из совершенно разных областей для проведения подобного рода исследований [Software Studies б.г.].

Широта метода анализа данных с помощью векторов часто воспринимается как препятствие. Однако его активно используют во многих областях: от биомедицинских исследованиий, где векторные представления позволяют выявлять семантические связи в электронных историях болезней [Choi et al. 2016], до компьютерных наук, где фрагменты исходного кода представляются в виде непрерывных векторов, для работы с кодом с учетом его смысловой, а не синтаксической структуры [Alon et al. 2019]. В любом случае исследователь является зависимым от наличия технической базы и вычислительных ресурсов, а это в свою очередь сужает возможности функциональной применимости данного методологического инструментария для конкретного исследователя (в нашем случае – искусствоведа) и закрепляет представление о методе как исключительно «техническом».

Между тем эпистемологическая логика векторного анализа допускает его масштабирование даже до уровня индивидуального исследования. В книге «Культурная аналитика» Л. Манович пишет, что данные есть ряд объектов и их характеристики [Manovich 2020, p. 143], то есть они имеют (или могут иметь в случае предварительной подготовки) формализованное представление, которое компьютер может считывать, преобразовывать и даже анализировать по инструкции; это накладывает определённые ограничения на то, что и как может быть представлено. Однако именно эта формализация открывает широкие функциональные возможности: метод может быть реализован на корпусе данных, самостоятельно собранном исследователем, с осями пространства, заданными вручную на основе нужных категорий. Это позволяет преодолеть барьер технических требований и осуществить метрический анализ без обращения к серьезным вычислительным мощностям.

Оговорим онтологический статус задаваемых сущностей в условиях применения векторного анализа. Векторное представление в рамках данного метода не является онтологической моделью содержания исследуемого. Оно проживает свой жизненный цикл как операционная схема, определенная исследователем на основе имеющихся у него знаний. Однако корреляция между непосредственно вектором и самим объектом не является случайной: она задается системой координат. Формализация здесь – это инструмент исследовательского контроля.

Помимо этого, рассмотрим иной аргумент в пользу создания предварительной структуры. Концепция «дальнего видения» (distant viewing), разработанная Т. Арнольдом и Л. Тилтон [Arnold, Tilton 2023, p. 5], также обосновывает необходимость такой адаптации информации. Авторы подчёркивают, что визуальные материалы не обладают естественной системой кодирования, подобной языковой, и поэтому говорят о необходимости предварительного построения семантической структуры. Это позволяет рассматривать векторный анализ не как замену экспертной интерпретации, а как инструмент генерации гипотез, где количественные результаты, полученные с помощью математики, возвращаются в гуманитарное поле для качественного осмысления.

Таким образом, для ознакомления с этим методом необходимо проложить методический мост между абстрактным описанием векторного пространства и его прикладным применением в условиях стандартных исследовательских практик, без явной привязки к программированию или вычислительным мощностям, сохраняя при этом эпистемологический контроль над осуществляемыми действиями с данными.

В связи с этим может быть сформулирована цель данной статьи – описать метод построения векторного пространства для задач в условиях искусствоведения. Повторимся, что предлагаемый векторный анализ не заменяет экспертную интерпретацию, а служит инструментом генерации обоснованных гипотез, в заданном поле, что позволяет исследователю быстро выявлять связи в собранных массивах данных.

Алгоритм векторного анализа

Предварительно отметим, что исходным материалом, к которому может быть применён векторный анализ, является множество, состоящее хотя бы из двух индивидов, обладающих общими атрибутивными свойствами, которые при возможном делении индивидов относят их к одному таксону. Это условие, а также использование понятия «индивид» требует пояснения:

– под индивидом подразумевается «всё, чему можно дать собственное имя» [Анисов 2022, с. 254], а в ситуации искусствоведческого исследования индивидом будет продукт деятельностной активности человека [Штейн 2025, с. 193] – картина, скульптура, инсталляция, перформанс, фильм, выставка и т.п.;

– каждый индивид обладает набором разнохарактерных свойств, часть из которых может быть зафиксирована для него как атрибутивные – позволяющие определять его «через понятие, являющееся общим именем, при том, что сам этот индивид является единичным входящим в объём, обобщаемый данным понятием» [Штейн 2025, с. 194], то есть, например, у всех картин есть нечто общее, что делает их картинами, а не скульптурами и т. п.;

– множество индивидов необходимо, потому что суть векторного анализа заключается в том, что индивиды, входящие в это множество, образующее исходный материал, к которому применяется данный метод, представляются через совокупность атрибутивных свойств, имеющих определённую амплитуду вариативности, заданную параметрически. Эта амплитуда используется для вычислений в рамках метода векторного анализа. То есть, например, одно из атрибутивных свойств картины – «иметь форму прямоугольника», амплитуда вариативности этого свойства – истина и ложь, можно обозначить через 0 и 1, другое свойство «год создания» – число, третье свойство «основание оргалит» – да или нет (которые можно обозначить как 0 и 1) и т. п., как раз из совокупности таких свойств, характеризующих каждый конкретный индивид, образуется вектор, при наличии которого в отношении множества может быть осуществлено их качественное сопоставление в том числе с использованием электронных вычислительных средств.

Применение векторного анализа заключается в последовательной реализации ряда специфических по отношению друг к другу действий (векторизация исходного материала, метрический анализ, кластерное описание), каждое из которых для наглядности можно представить как деятельность через её методическое выражение [Штейн 2020a, с. 92-98], что мы далее и реализуем, уже определённым образом адаптируя метод к материалу искусствоведческого исследования.

В условиях деятельности один, которая может быть определена как векторизация, для искусствоведа безотносительно его специализации исходным материалом могут быть изображения, видеозаписи, тексты (авторские, кураторские) и т. д. Целью является необходимость формализовать данный исходный материал по строго заданному правилу, переводя его в состояние продукта, которым как раз и является результат такой формализации – «упакованная» в продуктивный «контейнер» – матрицу (таблицу) из векторов информации об исходном материале. При этом можно выделить четыре этапа процесса формализации информации.

Эмпирический этап. Первичное ознакомление с данными для выявления структурных паттернов, характеризующих индивиды, определения границ исследования и пригодности наличествующего материала к исследованию с использованием векторного анализа.

Концептуальный этап. Формулирование вектора-дескриптора, соответствующего характеру индивидов, входящих в исходный материал. По большому счёту речь здесь идёт об определении онтологии, которая бы соответствовала всему множеству индивидов, входящих в исходный материал, безотносительно возможной вариативности их конкретизации [Штейн 2025, с. 195-198]. В результате, исследователь задает n-мерное пространство (рис. 1), где каждая ось соответствует независимому свойству, которым обладает или может обладать конкретный индивид из рассматриваемого множества.

_{^{Рис. 1. Изображение вектора в двумерном, трехмерном и n-мерном пространствах.}}

Критическим условием является обеспечение квази-ортогональности осей. В гуманитарном контексте необходимо оговорить ортогональность особым образом: свойства должны быть независимы друг от друга, то есть изменение значения по одной оси не должно предопределять значение по другой. При задании параметров вектора следует проверять, не пересекаются ли его оси. Достигнуть этого можно с помощью точного описания для каждой оси и снижения количества значений там, где это возможно. Чем более однозначно можно определить параметры, тем лучше для дальнейших измерений. Дополнительно рекомендуется применять экспертный метод (независимое кодирование тестовой выборки несколькими исследователями).

Пример ошибки: если одна ось означает «Изображен человек», а вторая «Изображен мужчина», оси зависимы. Изменение значения по второй оси неизбежно повлияет на первую.

Содержательный этап. Здесь реализуется описание каждого из индивидов, входящих в исходный материал, с которым идёт работа, через вектор-дискриптор. Причём надо учесть, что при кодировании индивидов в векторной форме данные должны быть приведены к стандартному формату, пригодному для машинной обработки. Что соответствует заключению Л. Мановича, который пишет, что: «Большая часть большинства проектов в области науки о данных – это “очистка данных”, которая включает преобразование данных в такие стандартные форматы» [Manovich 2020, p. 130]. Надо помнить о том, что «в вычислительной среде данные – это представление, которое компьютер может считывать, преобразовывать и анализировать. Это накладывает определенные ограничения на то, что и как может быть представлено» [Manovich 2020, p. 131]. Для задач искусствоведения методологически целесообразно использовать дискретные порядковые шкалы (например, 0–5) вместо непрерывных. Дискретная разметка снижает когнитивную нагрузку исследователя, повышает верифицируемость и ускоряет вычислительные операции.

Этап агрегации. На данном этапе реализуется объединение всего исходного материала, описанного через вектор-дескриптор в единую матрицу векторов. Результатом данного этапа и всей деятельности один в целом оказывается объектное выражение исходного материала в виде матрицы векторов, которая в дальнейшем выступает исходным материалом для деятельности два.

Каждый индивид в полученной матрице представляется в виде вектора:

где 1 – номер индивида, входящего в множественность исходного материала, а n – номер параметра внутри вектора. При объединении векторов в матрицу она получает следующий вид:

В итоге деятельность по векторизации может быть выражена в сводном схематическом построении (рис. 2.1).

_{^{Рис. 2.1. Деятельность 1. Векторизация.}}

Второй деятельностью описываемого метода является метрический анализ.

В условиях метрического анализа реализуется вычисление семантической близости индивидов, входящих в рассматриваемую в условиях исходного материала первой деятельности множественность. Однако здесь исходным материалом выступает уже матрица векторных представлений, полученная при реализации деятельности один. Метрический анализ реализуется в два этапа.

Концептуальный этап. На данном этапе происходит выбор метрики и определение параметров для нормализации расстояния между имеющимися векторами.

Существует несколько способов посчитать межвекторное расстояние: евклидово расстояние (L2-норма), манхэттенское расстояние (L1-норма), расстояние Минковского (Lp-норма), расстояние Чебышева (L∞), расстояние Махаланобиса и косинусное сходство.

Для задач искусствоведческого анализа, где критерии задаются дискретными порядковыми шкалами, методологически обоснованным является использование манхэттенского расстояния:

Это прочитывается как: расстояние между векторами u и v равно сумме модулей разностей их соответствующих координат.

Данная метрика подходит для работы с гетерогенными дискретными данными: она аддитивна по осям – это обеспечивает прозрачность вклада каждой компоненты; устойчива к выбросам; сохраняет прямую интерпретируемость результатов. При желании выбрать другой тип метрики приходится учитывать, что евклидово расстояние предполагает изотропность пространства; косинусное сходство, часто применяемое для аналогичных задач в сфере лингвистики, требует предварительной нормализации векторов и демонстрирует меньшую устойчивость к разреженным порядковым данным. Поэтому в качестве базового оператора при применении векторного анализа в условиях искусствоведения предлагается применять манхэттенское расстояние.

Содержательный этап. На этом этапе реализуется построение матрицы попарных расстояний между всеми свойствами индивидов и их нормализация. Поскольку в разных парах элементов количество измеримых параметров может различаться (часто бывает так, что не все элементы имеют полную структуру, и их нельзя сравнивать по неизвестным параметрам). Прямое сравнение сырых расстояний некорректно. Применяется процедура нормализации, приводящая значения к интервалу 0–1, где 0 обозначает полное совпадение по заданным осям, а 1 – максимальное расхождение. Результатом деятельности становится нормализованная дистанционная матрица, которая становится исходным материалом для заключительной – третьей деятельности.

В итоге же деятельность по метрическому анализу может быть выражена в сводном схематическом построении (рис. 2.2).

_{^{Рис. 2.2. Деятельность 2. Метрический анализ.}}

Третья деятельность, входящая в описываемый метод, заключается в кластерном описании.

Исходным материалом здесь является нормализованная дистанционная матрица. Причём исследование возвращается от математических вычислений обратно в гуманитарное поле, где количественная информация суммируется исследователем и облекается в текстовую форму. Собственно цель всей этой финальной работы – описание кластеров, полученных после сопоставления векторов, в результате чего к продукту применения векторного анализа могут быть применены уже иные методы.

Данная деятельность состоит из трёх этапов.

Эмпирический этап. Поиск значений 0 и 1 для выявления потенциальных группировок и аномалий в корпусе имеющихся векторов. Те пары, что на пересечении имеют низкие значения, будут образовывать ядра кластеров.

Концептуальный этап. Здесь происходит более глубокая кластеризация (вручную или продолжая использовать вычислительные методы). Выявленные кластеры проверяются на смысловую целостность. Исследователь формулирует гипотезы о структурных закономерностях, опираясь на схожие параметры вектора, которые объединяют элементы внутри кластера. Для удобства определяются названия кластеров.

Содержательный этап. Полученные кластеры подробно описываются, что позволяет затем работать с ними на привычном для искусствоведов языке понятий.

В итоге деятельность по кластерному описанию может быть выражена в сводном схематическом построении (рис. 2.3), а все три деятельности, образующие метод векторного анализа, для удобства обращения к ним объединены в общей схеме (рис. 2.4).

_{^{Рис. 2.3. Деятельность 3. Кластерное описание.}}

_{^{Рис. 2.4. Методологическое выражение метода векторного анализа в искусствоведческих исследованиях.}}

Для демонстрации описанного алгоритма рассмотрим его применение на конкретном эмпирическом материале.

Применение векторного анализа в условиях искусствоведения

Для лучшего понимания алгоритма применения векторного анализа рассмотрим данную методологию на примере, в котором исследуемым является ряд выставочных проектов, материалы о которых для простоты и наглядности демонстрации работы векторного анализа будут браться исключительно с веб-страниц официального сайта Невьянского Государственного историко-архитектурного музея [Две ветки б.г.; К звёздам б.г.; На целину! б.г.; Ниточки-иголочки б.г.; Новогодние истории б.г.; От окна до порога б.г.; Пояс б.г.; Танцующие подсолнухи б.г.; Теплый блеск б.г.] (в ином случае можно использовать любой материал, который исследователь посчитает необходимым и который будет пригодным для его использования). Этот пример является всего лишь демонстрацией работы метода. Однако, сразу отметим, что чем более будет индивидов, образующих множество, определяемое как исходный материал, тем более значимей и репрезентативней будут выводы по итогам применения векторного анализа.

Векторизация (деятельность один). Все, что у нас исходно есть при определённом исследуемом материале, в условиях которого индивидом является выставка, – это название выставочных проектов, информация о дате их реализации, данные о входной цене, ограниченное количество фотографий. Для удобства исследователя следует аккумулировать весь исходный материал в одном месте (таблица, система папок, программа для заметок и так далее; следует на этом шаге задуматься о возможной автоматизации, если это будет необходимо в дальнейшем, и если количество материала будет не таким локальным как в приводимом примере). Сейчас используем достаточно простую таблицу в программе типа Excel, состоящую из пяти столбцов:

1. индекс,

2. название выставки,

3. дата начала,

4. дата окончания,

5. тексты-описание с официального сайта.

В ней такое количество строк, которое соответствует количеству единичного исследуемого – в данном примере – девяти выставочным проектам, представленным на сайте Невьянского Государственного историко-архитектурного музея (рис. 3).

_{^{Рис. 3. Преобразование исходного материала в форму сводной таблицы.}}

Для описания выставки в векторном виде используем целостное описание художественной выставки, предложенное А.П. Личагиной [Личагина 2025]. В её статье «Логическое представление художественной выставки» уже составлена исчерпывающая структура для описания любой выставки [Личагина 2025, с. 11]. Однако в данной структуре оказывается, что отдельные параметры находятся в отношениях логической зависимости. Например, категория «Тип оформления» (сайт-специфичная/рассредоточенная/локализованная) частично перекрывается с категорией «Характер пространства» (модульная/трансформируемая/стационарная/мобильная), что при описании векторных параметров приведёт к мультиколлинеарности осей и впоследствии к искажению рассчитываемых метрик. Поэтому параметры, находящиеся в отношениях логического следования или частичного пересечения, были нами переформулированы. Например, параметры «Временная динамика», «Режим повторяемости» и «Длительность» объединены в две независимые оси (№9 «Временная динамика» и №10 «Временная\Повторяемая\Постоянная»). Тем самым было реализовано обеспечение их квази-ортогональности.

Далее, количество значений по каждой оси, по отношению к исходно имеющемуся в статье А.П. Личагиной, было сокращено до 3–4 дискретных категорий (за исключением параметра «Масштаб», где это кажется необходимым).

Также введено значение «0 – неизвестно». То есть ко всем параметрам добавлено нулевое значение, обозначающее отсутствие информации. Это обуславливается спецификой материала: при работе с неполными описаниями исследователь может не располагать сведениями по отдельным осям. Значение «0» позволяет исключить такие параметры из расчёта, без потери всего вектора.

В результате был получен вектор, состоящий из 19 компонентов:

Далее описываем вектор и параметры, которые он может принимать в каждом конкретном компоненте (таб. 1).

_{^{Таб. 1.}}

Таким образом, к этому моменту исследователь уже обладает двумя подготовленными «объектами»: организованным удобным способом исходным материалом и корректно определенным вектором с параметрами. Далее исходный материал следует зашифровать: описать с помощью значений, заданных вектором. То есть каждая выставка должна быть представлена в виде вектора. Например, выставка «К звездам!» может быть представлена вектором:

Параметры этого вектора соответствуют следующим значениям (таб. 2).

_{^{Таб. 2.}}

В итоге, все полученные векторы могут быть собраны в одну матрицу векторов (таб. 3).

_{^{Таб. 3.}}

Метрический анализ (деятельность два). Теперь работа будет происходить над полученной матрицей с векторами. Применяем к содержащимся в ней векторам Манхэттенское распределение и для удобства нормализуем его.

В качестве подробного описываемого примера возьмем расстояние между векторами, выражающими свойства выставок «От окна до порога» (A) и «Танцующие подсолнухи» (B) и рассчитаем его по формуле:

Видим по формуле, что нас интересуют только отличающиеся параметры, так как для одинаковых параметров разница равняется 0 (таб. 4). Однако среди отличающихся присутствует 0 – в 8 параметре. Это значит, что параметр неизвестен, значит, мы не можем его сравнивать. Он тоже исключается.

_{^{Таб. 4.}}

С учётом соответствия шестнадцати параметров, Манхэттенское расстояние между векторами выставок «От окна до порога» и «Танцующие подсолнухи» будет составлять:

|2 - 1|+|1 - 2|=|2|

Однако использовать Манхэттенское расстояние без нормализации не совсем корректно. Так как для одной пары выставок может найтись 4 параметра для сравнения, а у другой все 19. Для того что бы результаты были сопоставимы между собой в более удобном формате, нормируем результат вот таким образом:

Где d_M(A,B) – Манхэттенское расстояние, Δ_max – Максимально возможная разница между параметрами, I_count – Множество сравниваемых индексов.

Теперь посчитаем нормированное расстояние для двух уже просчитанных векторов:

Где Δ_max = 3, усредненная оценка, I_count =18 – не 19, так как восьмой параметр равен 0 (его мы исключаем).

Для дальнейшей работы уже со всем множеством выставок, входящих в исходный материал (в нашем примере их девять), необходимо создать таблицу, где пересчитать попарно все значения соответствующих им векторов. Для ускорения работы этот процесс нужно автоматизировать.

Алгоритм автоматизации расчетов может быть, например, таким:

1) В уже созданном файле в программе типа Excel создаем Лист 2, внутри которого задаем пустую матрицу (таб. 5).

_{^{Таб. 5.}}

2) Формируем формулу:

I. Извлекаем значения векторов из исходной матрицы (Лист1, диапазон C2:U10). Это делается с использованием функции СМЕЩ (OFFSET).

II. Фильтруем неизвестные значения. Параметры со значением 0 («неизвестно») исключаются из расчета с помощью логического условия <> 0.

III. Вычисляем манхэттенское расстояние. Для тех параметров, что были отфильтрованы на предыдущем шаге, считаем Манхэттенское расстояние (сумма модулей разности) по формуле 1.

IV. Нормализуем. Полученное значение подставляется в формулу 2 для нормализации. Манхэттенское расстояние делим на произведение количества сравниваемых параметров и максимального значения шкалы (m = 3).

V. Для предотвращения деления на ноль используем функцию МАКС (0,0001; ...). Необходимо для ситуаций, когда выставка описана очень фрагментарно и при сравнении не образует пар. Тогда одно из значений может оказаться 0. Это необходимо только в рамках работы с Excel.

VI. Получаем формулу окончательного вида (рис. 4).

_{^{Рис. 4. Формула расчета нормированного манхэттенского расстояния.}}

3) Подставляем созданную формулу в таблицу на Листе 2 (таб. 6).

_{^{Таб. 6.}}

4) Распределяем формулу по всем необходимым ячейкам (таб. 7).

_{^{Таб. 7.}}

5) Получаем итоговый результат: (таб. 8).

_{^{Таб. 8.}}

Все значения в полученной таблице лежат в интервале 0–1, где 0 – выставки идентичны по заданному описанию вектора, а 1 – максимально различаются.

Кластерное описание (деятельность три). Возникает вопрос: что делать с данными с полученными результатами? Стоит заметить, что для примера создана маленькая выборка элементов для обозримости примера. В реальном исследовании следует использовать данные большего масштаба. Назвать «дальним видением» выборку из девяти элементов по большому счёту нельзя.

Полученные количественные показатели не являются самоцелью исследования, они нужны для сужения поля исследовательского внимания до некоторых совокупностей элементов. Здесь существует несколько вариантов того, что можно делать с полученными данными.

Например, производится пороговая сегментация значений матрицы. Те пары элементов с нормализованным манхэттенским расстоянием, стремящимся к нулю, рассматриваются как кластерообразующие (то есть в качестве ядра кластера).

Выявленные математические группы подвергаются верификации на предмет смысловой целостности. Иными словами, исследователь осуществляет «ближнее чтение» (close reading) или «ближнее рассмотрение» элементов внутри кластера, анализируя те параметры вектора, которые обеспечили сближение векторов.

Формулируются гипотезы о структурных закономерностях групп кластеров. Находятся аномальные элементы, далекие от всех, те, что демонстрируют максимальное среднее расстояние до сформированных групп (уникальные выставки в данном примере).

Ниже представлены результаты группировки для корпуса из девяти выставочных проектов, сгруппированные по степени векторного совпадения, с последующим описанием выявленных паттернов.

1. «На целину!» (индекс 1) и «Новогодние истории» (индекс 9).

Векторное совпадение: Полное (значение в матрице 0,000).

Ключевые маркеры, отделяющие от других: масштаб = 1 (камерная), жанр = 2 (тематическая), логика = 2 (проблемно-тематическая), технологии = 1 (аналоговая), нарративность = 1 (открытая).

Обе выставки рассказывают о коллективном опыте советского периода с помощью объектов материальной культуры, быта, и т.д. «На целину!» документирует освоение земель в 1950-х гг. через архивные фотографии, личные вещи и свидетельства участников-невьянцев. «Новогодние истории» обращаются к эмоциям посетителей: демонстрируя ёлочные игрушки, открытки, телеграммы и календари второй половины XX в.

2. «К звездам!» (индекс 2) и «Ниточки-иголочки» (индекс 4).

Векторное совпадение: Полное.

Ключевые маркеры: масштаб = 2 (зальная), медиальность = 2 (полимедиальная), статус объектов = 1 (оригиналы).

«К звёздам!» показывает проникновение космической тематики в повседневность: часы «Ракета», игрушки «Планетоход», плакаты, фотодокументы о космонавтах и наставнике А.В. Белозёрове. «Ниточки-иголочки» (160 предметов) раскрывает культуру домашнего рукоделия: вышивку, вязание, швейные машины конца XIX–XX вв., архивные фото мастерских и печатные схемы.

3. «Две ветки одного дерева» (индекс 3) и «Танцующие подсолнухи» (индекс 7).

Векторное совпадение: Полное.

Ключевые маркеры: жанр = 1 (ретроспективная/авторская), масштаб = 1 (камерная), медиальность = 1 (мономедиальная), доступность = 2 (платно).

«Две ветки одного дерева» – живопись отца и сына Яговитиных, о преемственности художественных традиций и диалоге поколений. «Танцующие подсолнухи» про метод совместного письма супружеской пары А. Шибановой и Х. Абышова, рассказывается, что «каждый холст рождается в процессе взаимного обмена техниками и взглядами».

4. «Пояс. От ремесла к искусству» (индекс 5) и «От окна до порога».

Векторное совпадение: Полное.

Ключевые маркеры: модульность = 2 (неделимое целое), жанр = 1 (ретроспективная), логика = 2 (проблемно-тематическая).

Элементы-аномалии:

«Теплый блеск веков» (индекс 8). Наибольшее среднее расстояние до остальных кластеров (~0.045). Уникальный маркер: логика построения = 1 (хронологическая), масштаб = 2 (зальная).

Выставка посвящена эволюции медного промысла на Урале с XVIII по XX век. В отличие от выставок из кластеров, описанных выше, здесь применена временная ось.

Выводы

Результаты применения метода векторного анализа находятся в рамках «обоснованных гипотез», что однозначно сформулировано в работах по вычислительной семиотике [Widdows, Cohen 2015, p. 36; Meunier 2017, p. 22]. Векторное представление произведения искусства или чего бы то ни было не является онтологической моделью его содержания (которую, например, в своих работах пытается сконструировать С.Ю. Штейн – см., например: [Штейн 2019; Штейн 2020b; Штейн 2020c]), а выступает инструментом для выявления структурных элементов в собранных данных. Это различие важно: алгоритм не «понимает» исследуемое (картину, фильм, выставку и т.п.). Он позволяет исследователю обнаруживать корреляции между свойствами, которыми обладает исследуемое, которые затем все равно требуют интерпретации. По большому счёту: метод векторного анализа – это функциональное расширение классического искусствоведческого анализа произведений искусства, который оказывается, во-первых, более прозрачен в отношении анализируемых аспектов рассматриваемых произведений, во-вторых, чётко фиксирует и формализирует все эти аспекты, и, наконец, в-третьих, в отличие от обычной работы искусствоведа, связанной с ограниченным количеством охватываемых произведений, принципиально предназначен для работы с максимальным множеством, доступного для исследования. Например, в иконологическом анализе Э. Панофского метод векторного анализа внедряется как дополнительный шаг таким образом: результаты этапа предиконографического описания становятся исходным материалом деятельности один. Следующие шаги: иконографический анализ и иконологическую интерпретацию следует проводить после деятельности три. Описание принципов соединения метода векторного анализа с иными методами – иконографическим, формально-стилистическим, семиотическим и структурным анализом – выходит за рамки текущего исследования и может составить предмет отдельного исследования по характеру использования векторного анализа в условиях традиционной искусствоведческой методологии.

Качество результата применения векторного анализа зависит от качества описания вектора и его параметров, а также от тщательности использования исходного материала для заполнения таблицы с векторами. Если параметры будут выбраны неудачно, результат будет бессмысленный. При использовании в качестве элементов вектора средств художественной выразительности следует помнить о том, что разметка исходного материала должна быть воспроизводима. Пока не будет исключена излишняя субъективность оценки средств художественной выразительности, метод векторного анализа не может быть назван достаточным для их анализа.

Применение метода векторного анализа целесообразно в том случае, когда исследователю необходимо исследовать сразу большое множество индивидов. На маленьких выборках имеет место статистическая неустойчивость результатов: метрики расстояния чувствительны к единичным выбросам, что приводит к формированию кластеров, отражающих случайные корреляции. Обнаружение их становится дополнительной задачей эксперта-исследователя. Чем больше исследуемых индивидов представлено в матрице векторов, тем точнее работает векторный анализ. В рамках этой статьи метод апробирован на небольшой иллюстративной выборке. Полноценная функциональность метода становится очевидна при исследовании сотен или более индивидов – и это то направление, в котором видится уже практическая работа по апробации использования данного метода в условиях искусствоведения.

Метод предполагает обязательное участие эксперта: алгоритм сужает поле поиска до наиболее релевантных друг другу индивидов в качестве исходного материала для исследования или выявляет кластеры по заданным параметрам, после чего исследователь осуществляет дальнейшие действия с полученными данными.

К потере нюансов приводит отказ от непрерывных градаций на осях значений. Однако в роли инструмента этим можно пренебречь. Воспроизводимость разметки и простая интерпретируемость результатов важна для близкой работы с данными.

Часть операционной работы по непосредственной разметке данных можно передать нейронной сети для автоматизации поиска данных в визуальном или текстовом контенте. Однако и в этом случае сохраняется проблема экспертности. Требуется реализация одного из подходов, предполагающих экспертный контроль: human-in-the-loop («человек в контуре управления»), при котором исследователь верифицирует результаты разметки, или AI-in-the-loop («ИИ в контуре принятия решений»), при котором алгоритм выступает ассистентом, а финальное суждение остается за экспертом.

Описанный метод адаптирует принципы «дальнего виденья» и семантического векторного пространства к искусствоведческой специфике. Метод поддается автоматизации в той степени, насколько исследователь может это сделать, что делает его достаточно гибким для исследователя. Метод векторного анализа несет в себе сугубо математическое ядро и по большому счету результаты его применения зависят от исходно созданного исследователем вектора. Что описывать с помощью векторной структуры – решать исследователю. Описание чего-либо с помощью векторов уже хорошо зарекомендовало себя в цифровой среде.

Векторный анализ не заменяет «ближнее видение», или «внимательное чтение», но он делает «дальнее виденье» более доступным инструментом. В эпоху экспоненциального роста цифровых данных мост между качественной интерпретацией и количественным анализом кажется необходимым расширением инструментария академических искусствоведов.

ИСТОЧНИКИ

Две ветки б.г. – Две ветки одного дерева // Невьянский государственный историко-архитектурный музей. [Электронный ресурс]. Режим доступа: https://невьянскиймузей.рф/dve-vetki-odnogo-dereva/ (дата обращения: 08.05.2026).

К звёздам б.г. – К звёздам // Невьянский государственный историко-архитектурный музей. [Электронный ресурс]. Режим доступа: https://невьянскиймузей.рф/k-zvyozdam/ (дата обращения: 08.05.2026).

На целину! б.г. – На целину! 1954-1965 // Невьянский государственный историко-архитектурный музей. [Электронный ресурс]. Режим доступа: https://невьянскиймузей.рф/na-czelinu-1954-1965/ (дата обращения: 08.05.2026).

Ниточки-иголочки б.г. – Ниточки-иголочки // Невьянский государственный историко-архитектурный музей. [Электронный ресурс]. Режим доступа: https://невьянскиймузей.рф/nitochki-igolochki/ (дата обращения: 08.05.2026).

Новогодние истории б.г. – Новогодние истории // Невьянский государственный историко-архитектурный музей. [Электронный ресурс]. Режим доступа: https://невьянскиймузей.рф/novogodnie-istorii/ (дата обращения: 08.05.2026).

От окна до порога б.г. – От окна до порога // Невьянский государственный историко-архитектурный музей. [Электронный ресурс]. Режим доступа: https://невьянскиймузей.рф/ot-okna-do-poroga/ (дата обращения: 08.05.2026).

Пояс б.г. – Пояс. От ремесла к искусству // Невьянский государственный историко-архитектурный музей. Пояс. [Электронный ресурс]. Режим доступа: https://невьянскиймузей.рф/poyas-ot-remesla-k-iskusstvu/ (дата обращения: 08.05.2026).

Рисунок. Хохлатка б.г. – Рисунок. Хохлатка полая. Corydalis cava. Шипиленко А.К. [Электронный ресурс] // Государственный Дарвиновский музей. Рисунок. Музейная Москва онлайн. Режим доступа: https://darwin.museum-online.moscow/entity/OBJECT/151518?fund=8&index=2 (дата обращения: 11.05.2026).

Сумерки б.г. – Сумерки // Моя Третьяковка [Электронный ресурс]. Режим доступа: https://my.tretyakov.ru/app/masterpiece/21053 (дата обращения: 11.05.2026).

Танцующие подсолнухи б.г. – Танцующие подсолнухи // Невьянский государственный историко-архитектурный музей. [Электронный ресурс]. Режим доступа: https://невьянскиймузей.рф/tanczuyushhie-podsolnuhi/ (дата обращения: 08.05.2026).

Теплый блеск б.г. – Теплый блеск веков // Невьянский государственный историко-архитектурный музей. [Электронный ресурс]. Режим доступа: https://невьянскиймузей.рф/teplyj-blesk-vekov/ (дата обращения: 08.05.2026).

Cultural Analytics б.г. – Cultural Analytics Lab: People [Электронный ресурс]. Режим доступа: https://lab.culturalanalytics.info/p/people.html (дата обращения: 11.05.2026).

Software Studies б.г. – Software Studies Initiative: Cultural Analytics [Электронный ресурс]. Режим доступа: https://blog.softwarestudieslab.com/p/overview-slides-and-video-articles-why.html (дата обращения: 11.05.2026).

35°9,32°18 б.г. – 35°9,32°18, Richard Wentworth, 1985 | Tate [Электронный ресурс]. Режим доступа: https://www.tate.org.uk/art/artworks/wentworth-359-3218-t07168 (дата обращения: 11.05.2026).

ЛИТЕРАТУРА

Анисов 2022 – Анисов А.М. Современная логика и онтология. Кн. 1: Традиционная логика. Пропозициональная логика. Логика предикатов. – Москва: ЛЕНАНД, 2022.

Личагина 2025 – Личагина А.П. Логическое представление художественной выставки // Артикульт. 2025. № 4(60). С. 5-19. DOI: 10.28995/2227-6165-2025-4-5-19.

Штейн 2019 – Штейн С.Ю. Кино-фотография-звукозапись. Феномен автоматической фиксации: онтология, филогенез, онтогенез производных форм // Артикульт. 2019. № 33(1). С. 6-32. DOI: 10.28995/2227-6165-2019-1-6-32.

Штейн 2020a – Штейн С.Ю. Матрица гуманитарной науки – Москва: РГГУ, 2020.

Штейн 2020b – Штейн С.Ю. Онтология выставочной деятельности // Артикульт. 2020. № 39(3). С. 6-25. DOI: 10.28995/2227-6165-2020-3-6-25.

Штейн 2020c – Штейн С.Ю. Онтология кураторства // Артикульт. 2020. № 40(4). С. 6-36. DOI: 10.28995/2227-6165-2020-4-6-36.

Штейн 2025 – Штейн С.Ю. Искусствоведение и искусствоведческое знание: от истории к теории, от текста к формально-логическим построениям, от дисциплинарного дискурса к научной дисциплине // ΠΡΑΞΗMΑ. Проблемы визуальной семиотики. 2025. № 3. С. 173–214. DOI: 10.23951/2312-7899-2025-3-173-214.

Alon et al. 2019 – Alon U., Zilberstein M., Levy O., Yahav E. code2vec: Learning Distributed Representations of Code // Proceedings of the ACM on Programming Languages. 2019. Vol. 3, no. POPL, art. 40. P. 1-29. DOI: 10.1145/3290353.

Arnold, Tilton 2023 – Arnold T., Tilton L. Distant Viewing: Computational Exploration of Digital Images. – Cambridge, MA: The MIT Press, 2023.

Chartier et al. 2019 – Chartier J.-F., Pulizzotto D., Chartrand L., Meunier J.-G. A Data-Driven Computational Semiotics: The Semantic Vector Space of Magritte's Artworks // Semiotica. 2019. Vol. 230. P. 19-69. DOI: 10.1515/sem-2018-0120.

Choi et al. 2016 – Choi E., Bahadori M.T., Searles E., Coffey C., Thompson M., Bost J., Tejedor-Sojo J., Sun J. Multi-layer Representation Learning for Medical Concepts // Proc. 22nd ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining (KDD '16). San Francisco, CA, USA, August 2016. P. 1495-1504. DOI: 10.1145/2939672.2939823.

Guillory 2025 – Guillory J. On Close Reading. – Chicago: The University of Chicago Press, 2025.

Manovich 2020 – Manovich L. Cultural Analytics. – Cambridge, MA: The MIT Press, 2020.

Marcum, Schonfeld 2021 – Marcum D.B., Schonfeld R.C. Along Came Google: A History of Library Digitization. – Princeton, NJ: Princeton University Press, 2021.

Meunier 2017 – Meunier J.-G. Humanités numériques ou computationnelles: Enjeux herméneutiques // Sens Public. 2014. DOI: 10.7202/1043651ar

Michel et al. 2011 – Michel J.-B., Shen Y.K., Aiden A.P., Veres A., Gray M.K., The Google Books Team, Pickett, J.P., Hoiberg D., Clancy D., Norvig P., Orwant J., Pinker S., Nowak M.A., Aiden E.L. Quantitative Analysis of Culture Using Millions of Digitized Books // Science. 2011. Vol. 331. № 6014. P. 176-182. DOI: 10.1126/science.1199644.

Moretti 2000 – Moretti F. Conjectures on World Literature // New Left Review. 2000. № 1. P. 54-68.

Moretti 2007 – Moretti F. Graphs, Maps, Trees: Abstract Models for a Literary History. – London: Verso, 2007.

Newstok 2025 – Newstok S. A Century of “Close Reading” // Public Humanities. 2025. Vol. 1, e90. P. 1.

Siddiquee, Haider, Rahman 2015 – Siddiquee M.R., Haider N., Rahman R.M. Movie Recommendation System Based on Fuzzy Inference System and Adaptive Neuro Fuzzy Inference System // International Journal of Fuzzy System Applications. 2015. Vol. 4. № 4. P. 31-69. DOI: 10.4018/IJFSA.2015100103.

Widdows 2004 – Widdows D. Geometry and Meaning. – Stanford, CA: CSLI Publications, 2004.

Widdows, Cohen 2015 – Widdows D., Cohen T. Reasoning with Vectors: A Continuous Model for Fast Robust Inference // Logic Journal of IGPL. 2015. Vol. 23. № 2. P. 141-173. DOI: 10.1093/jigpal/jzu028.

SOURCES

“Cultural Analytics Lab: People” (no date), Cultural Analytics Lab, [Online], available at: https://lab.culturalanalytics.info/p/people.html (Accessed 11 May 2026).

“Dve vetki odnogo dereva” (no date), Nevyanskiy State Historical and Architectural Museum available at: https://невьянскиймузей.рф/dve-vetki-odnogo-dereva/ (Accessed 8 May 2026).

“Khokhlatka polaya. Corydalis cava, Shipilenko, A.K.” (no date), State Darwin Museum, [Online], available at: https://darwin.museum-online.moscow/entity/OBJECT/151518?fund=8&index=2 (Accessed 11 May 2026).

“K zvezdam” (no date), Nevyanskiy State Historical and Architectural Museum, [Online], available at: https://невьянскиймузей.рф/k-zvyozdam/ (Accessed 8 May 2026).

“Na tselinu! 1954-1965” (no date), Nevyanskiy State Historical and Architectural Museum, [Online], available at: https://невьянскиймузей.рф/na-czelinu-1954-1965/ (Accessed 8 May 2026).

“Nitochki-igolochki” (no date), Nevyanskiy State Historical and Architectural Museum, [Online], available at: https://невьянскиймузей.рф/nitochki-igolochki/ Accessed 8 May 2026).

“Novogodnie istorii” (no date), Nevyanskiy State Historical and Architectural Museum, [Online], available at: https://невьянскиймузей.рф/novogodnie-istorii/ (Accessed 8 May 2026).

“Ot okna do poroga” (no date), Nevyanskiy State Historical and Architectural Museum, [Online], available at: https://невьянскиймузей.рф/ot-okna-do-poroga/ (Accessed 8 May 2026).

“Poyas. Ot remesla k iskusstvu” (no date), Nevyanskiy State Historical and Architectural Museum, [Online], available at: https://невьянскиймузей.рф/poyas-ot-remesla-k-iskusstvu/ (Accessed 8 May 2026).

“Software Studies Initiative: Cultural Analytics” (no date), Software Studies Lab, [Online], available at: https://blog.softwarestudieslab.com/p/overview-slides-and-video-articles-why.html (Accessed 11 May 2026).

“Sumerki” (no date), Moya Tretyakovka, [Online], available at: https://my.tretyakov.ru/app/masterpiece/21053 (Accessed 11 May 2026)

“Tantsuyushchie podsolnukhi” (no date), Nevyanskiy State Historical and Architectural Museum, [Online], available at: https://невьянскиймузей.рф/tanczuyushhie-podsolnuhi/ (Accessed 8 May 2026).

“Tepliy blesk vekov” (no date), Nevyanskiy State Historical and Architectural Museum, [Online], available at: https://невьянскиймузей.рф/teplyj-blesk-vekov/ (Accessed 8 May 2026).

“35°9,32°18, Richard Wentworth, 1985 | Tate”, (no date), Tate Museum, [Online], available at: https://www.tate.org.uk/art/artworks/wentworth-359-3218-t07168 (Accessed 11 May 2026).

REFERENCES

Alon, U., Zilberstein, M., Levy, O. and Yahav, E. (2019), “code2vec: Learning Distributed Representations of Code”, Proceedings of the ACM on Programming Languages, vol. 3, no. POPL, article 40, pp. 1-29. DOI: 10.1145/3290353.

Anisov, A.M. (2022), Sovremennaya logika i ontologiya. Kn. 1: Traditsionnaya logika. Propozitsional'naya logika. Logika predikatov [Contemporary Logic and Ontology. Book 1: Traditional Logic. Propositional Logic. Predicate Logic], LENAND, Moscow, Russia.

Arnold, T. and Tilton, L. (2023), Distant Viewing: Computational Exploration of Digital Images, MIT Press, Cambridge, MA, USA.

Chartier, J.-F., Pulizzotto, D., Chartrand, L. and Meunier, J.-G. (2019), “A data-driven computational semiotics: the semantic vector space of Magritte's artworks”, Semiotica, no. 230, pp. 19-69. DOI: 10.1515/sem-2018-0120.

Choi, E., Bahadori, M.T., Searles, E., Coffey, C., Thompson, M., Bost, J., Tejedor-Sojo, J. and Sun, J. (2016), “Multi-layer representation learning for medical concepts”, Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16), San Francisco, CA, USA, August 2016, pp. 1495-1504. DOI: 10.1145/2939672.2939823.

Guillory, J. (2025), On Close Reading, University of Chicago Press, Chicago, IL, USA.

Lichagina, A.P. (2025), “Logical representation of an art exhibition”, Articult, no. 4(60), pp. 5-19. DOI: 10.28995/2227-6165-2025-4-5-19.

Manovich, L. (2020), Cultural Analytics, MIT Press, Cambridge, MA, USA.

Marcum, D.B. and Schonfeld, R.C. (2021), Along Came Google: A History of Library Digitization, Princeton University Press, Princeton, NJ, USA.

Meunier, J.-G. (2014), “Humanités numériques ou computationnelles: Enjeux herméneutiques”, Sens Public. DOI: 10.7202/1043651ar

Michel, J.-B., Shen, Y.K., Aiden, A.P., Veres, A., Gray, M.K., The Google Books Team, Pickett, J.P., Hoiberg, D., Clancy, D., Norvig, P., Orwant, J., Pinker, S., Nowak, M.A. and Lieberman-Aiden, E. (2011), “Quantitative analysis of culture using millions of digitized books”, Science, vol. 331, no. 6014, pp. 176-182. DOI: 10.1126/science.1199644.

Moretti, F. (2000), “Conjectures on world literature”, New Left Review, no. 1, pp. 54-68.

Moretti, F. (2007), Graphs, Maps, Trees: Abstract Models for a Literary History, Verso, London, UK.

Newstok, S. (2025), “A century of 'close reading”, Public Humanities, vol. 1, e90, p. 1.

Schtein, S.Yu. (2019) “Cinema-Photography-Sound Recording: The Phenomenon of Automatic Fixation: Ontology, Phylogenesis, Ontogenesis of Derivative Forms”, Articult, no. 33(1), pp. 6-32. DOI: 10.28995/2227-6165-2019-1-6-32.

Sсhtein, S.Yu. (2020a), Matritsa gumanitarnoy nauki [Matrix of Humanities], RGGU, Moscow, Russia.

Schtein, S.Yu. (2020b) “The Ontology of Exhibition Activities”, Articult, no. 39(3), pp. 6-25. DOI: 10.28995/2227-6165-2020-3-6-25.

Schtein, S.Yu. (2020c) “The Ontology of Curatorship”, Articult, no. 40(4), pp. 6-36. DOI: 10.28995/2227-6165-2020-4-6-36.

Schtein, S.Yu. (2025), “Discipline of art and discipline-of-art knowledge: From history to theory, from text to formal-logical constructions, from disciplinary discourse to a scientific discipline”, ΠΡΑΞΗMΑ. Problemy vizual'noy semiotiki [ΠΡΑΞΗMΑ. Journal of Visual Semiotics], no. 3, pp. 173-214. DOI: 10.23951/2312-7899-2025-3-173-214.

Siddiquee, M.R., Haider, N. and Rahman, R.M. (2015), “Movie recommendation system based on fuzzy inference system and adaptive neuro fuzzy inference system”, International Journal of Fuzzy System Applications, vol. 4, no. 4, pp. 31-69. DOI: 10.4018/IJFSA.2015100103.

Widdows, D. (2004), Geometry and Meaning, CSLI Publications, Stanford, CA, USA.

Widdows, D. and Cohen, T. (2015), “Reasoning with Vectors: A Continuous Model for Fast Robust Inference”, Logic Journal of IGPL, no. 23(2), pp. 141-173. DOI: 10.1093/jigpal/jzu028.