ジェネラティブアートの学術系譜：情報美学から LLM 以後まで94件の文献地図

スコープと方法

本ノートは、ジェネラティブアート（自律的なシステムに制作の一部または全部を委ねるアート実践）の学術研究を、レビュー論文の章立てに足る4系統で整理した文献地図である。

• 収集は mode: academic（source-collection skill）で行い、探索108行から重複統合8件を経た94件を確定した（除外0件）。コーパスは source/review/generative-art/papers.md。
• 4系統の内訳は、H=歴史的起源24件、T=技術発展の系譜21件（統合後）、F=理論的枠組み26件、L=LLM 以後29件。
• 対象期間は 1958–2026 で、L系統は 2024–2026 を重点とした。
• 1960s のカタログや学位論文など DOI 未付与時代の一次資料は、flag: non-peer を付した上で歴史的一次資料として保持した。

産業側（市場、ツール、実務家証言）は generative-art-ecosystem-industry が扱う。本ノートは学術文献に限る。 本ノートの系譜構成と空白判定への敵対的レビューは generative-art-adversarial-review にある。 教育の題材としての利用（目的七類型の文献地図72件）は generative-art-education-literature が扱う。

章1：歴史的起源、1960s コンピュータアートと情報美学

ジェネラティブアートの語は、深層学習よりはるかに古い理論的文脈で成立した。

理論基盤は情報美学（Informationsästhetik。シャノンの情報理論で美的対象を定量的に扱おうとした美学）である。 Moles（1958/1966）が情報理論と美的知覚を接続し、Max Bense のシュトゥットガルト学派がこれを制作の指針に転じた。 1965年2月の Georg Nees 展（世界初のアルゴリズミックアート展）に合わせて刊行された「rot」誌19号で、Bense は generative Ästhetik（生成的美学）の語を初めて使った（H21）。 Nees の博士論文（1969、H03）はこの美学をプロッタ描画のアルゴリズムとして実装した、分野最初の学位論文である。

実践の初期史は、Nake の一次証言（2005、H07）と Noll の被験者実験（1966、H01）が両輪になる。 Noll の実験では、100名の被験者のうち正しくコンピュータ画像を判別できたのは28%にとどまり、59%はモンドリアンの原画よりコンピュータ版を好んだ。 機械生成物への美的評価という、後の受容研究（章3）の問いがすでにここにある。

1968年は分岐点である。 ロンドンの Cybernetic Serendipity 展（H17、史学的分析は H04）とザグレブの New Tendencies（H09）が同じ夏に開かれ、Klütsch（2005、H06）は前者を可能性の陳列、後者を社会的、政治的含意を帯びたビジュアルリサーチとして対比する。 その後の受容は平坦ではない。 Taylor（2014、H08）は 1963–89 年の批評言説を追い、美術界の拒絶の動機が美学的判断よりも機械への恐怖にあったと論じた。 Nake 自身が1971年に「There Should Be No Computer Art」（H19）を書いた事実は、運動の内部にも資本主義批判からの緊張があったことを示す。

定義論の参照点は Galanter である。 「ジェネラティブアートとは、作者が自律的に振る舞うシステムに制作の一部を委ねるアート実践である」という 2003 年の定義（H10）は、複雑系理論を美学の文脈に持ち込み、2016年の書籍章（H11）で体系化された。 ルールベース AI による自律描画の最長の実践である Harold Cohen の AARON は、McCorduck（1990、H22）が記録している。

章2：技術発展の系譜、手続き的生成から拡散モデルと LLM まで

技術系譜は4つの世代として読める。

第一世代は手続き的生成である。 L-system（Prusinkiewicz & Lindenmayer 1990、T-A01）が文法的成長モデルを体系化し、形式規則からの形態生成という発想を確立した。

第二世代は進化計算アートである。 Sims は遺伝的プログラミングによる画像進化（1991、T-A02）と形態と神経の同時進化（1994、T-B01）で、人間が選択圧をかける生成を示した。 人間の感性を適合度評価に組み込む Interactive Evolutionary Computation は Takagi（2001、T-B02）が約250論文で総覧した。 McCormack（2005、T-B03）の未解決問題10項目（美的評価の自動化、フィットネス関数設計など）は、この世代の限界を明文化し、Romero & Machado のハンドブック（2008、T-B04）が標準参照となった。 後年の検証として、McCormack & Cruz Gambardella（2022、T-B05）は複数の複雑性指標と美的判断の相関を測り、普遍的な美的指標は存在しないと報告している。

第三世代は深層生成モデルである。 VAE（T-D01）と GAN（T-D02）が生成モデルの基盤を作り、neural style transfer（Gatys et al. 2016、T-E02）が様式の分離と再結合を示した。 アートに固有の転回は CAN（Elgammal et al. 2017、T-E03）で、既存様式に近づきつつ様式規範から逸脱するよう GAN の目的関数を改変し、被験者が出力を人間の現代美術と区別できないと報告した。 StyleGAN（2019、T-E04）は制御可能な生成を実用水準に引き上げた。

第四世代は拡散モデルと text-to-imageである。 DDPM（2020、T-F01）が拡散確率モデルの品質を示し、CLIP（2021、T-F02）が言語と画像の意味的橋渡しを与え、DALL-E（T-F03）、DALL-E 2（T-F05）、Latent Diffusion（2022、T-F04。Stable Diffusion の基盤）が「テキストで描く」生成を一般化した。 LLM がマルチモーダル生成の制御層になる動きはサーベイ（T-G01）が整理する。

系譜全体を貫く論点として、Broad et al.（2021、T-H01）は深層生成モデルが訓練分布に束縛される問題を挙げ、分布から能動的に逸脱する手法群を分類した。 これは CAN の問題意識（様式規範からの逸脱）の一般化であり、章3の創造性論（Boden の変換的創造性）に接続する。

章3：理論的枠組み、創造性、作者性、美学

理論の出発点は Boden の3類型である。 組合的、探索的、変換的創造性（既存要素の新結合、概念空間内の探索、概念空間自体の変換）は『The Creative Mind』（1990/2004、F01/F03）で定式化され、AI での実現可能性は査読論文（1998、F02）が論じた。

計算論的創造性の研究コミュニティは、この枠組みを形式化と評価に展開した。 Wiggins（2006、F06）は Boden の記述を形式的に比較可能なモデルにし、Ritchie（2007、F10）は出力から創造性を帰属する経験的基準を、Jordanous は SPECS 評価手順（2012、F08）と 4P の整理（2016、F09）を与えた。 Colton の Creative Tripod（2008、F12）は、生成物だけでなく skill、imagination、appreciation の知覚が創造性帰属を左右すると論じ、Lamb et al.（2018、F13）が評価手法を横断的に整理した。 機械の創造性の判定基準としては、説明不能な出力を要求する Lovelace テスト（Bringsjord et al. 2001、F14）が対抗軸にある。

作者性の論争は二極で読める。 Hertzmann（2018、T-C04。2020、F16）は写真の先例から、コンピュータはツールであり作者は社会的行為者たる人間だと論じる。 対して McCormack らは、生成アートの10の問い（2014、F17）と自律性、真正性、作者性、意図の4概念の再検討（2019、F18）で、委譲の程度に応じた作者性の分散を概念化する。 Galanter（2019、F20）は、深層学習による生成が複雑系ベースの従来理論で説明しきれない緊張を指摘した。 哲学側の近年の応答として、Nannicelli（2025、F29）は Midjourney 型の出力を mass AI-art と命名し、十分な人間の意図的制御を欠く場合は芸術と認めない穏健懐疑論を定式化した。

受容の実証研究は、ラベル効果を繰り返し確認している。 Chamberlain et al.（2018、F23）、Hong & Curran（2019、F27）、Ragot et al.（2020、F24）、Gangadharbatla（2022、F26）、Bellaiche et al.（2023、F25）は、同じ作品でも AI 生成と表示されると美的評価や購買意図が下がること、ラベルなしでは識別自体が困難なことを示す。 Noll の1966年実験（H01）と並べると、「機械生成物は識別できないのに、機械と知ると評価が下がる」という構図が60年間ほぼ変わっていないことが読み取れる。

章4：LLM 以後、2024–2026 の文脈

依頼の重点に従い、この章を最も厚くする。29件を5つの束で整理する。

text-to-image の実践と受容

大規模データの実証として、Zhou & Lee（2024、L01）は約4百万作品の差分の差分推定で、text-to-image 採用後に創作生産性が25%、作品価値（お気に入り/閲覧比）が50%増加した一方、平均的な内容の新規性は低下し、ピークの新規性は増加したと報告した。 生成の量と価値が増えても、分布の中心は似通うという二面性である。 実践の質的研究では、Rajcic et al.（2024、L03）が自作でファインチューニングした Stable Diffusion をアーティスト7名に2週間与え、発想用と制作用の2つの使用モードと、物理的素材との接触喪失の報告を得た。 Mim et al.（2024、L02）はダッカの画像実践者の5ヶ月エスノグラフィーで、Global South の地域的な創造分野への影響を記録した。 受容側では Malecki et al.（2025、L05）が n=470 の実験で AI 帰属による美的評価の低下を確認しており、章3のラベル効果研究の系譜が LLM 以後も続いている。

LLM によるコード生成とクリエイティブコーディング

ジェネラティブアートの伝統（章2の手続き的生成）と LLM の接続は、この束が担う。 Spellburst（2023、L06）は LLM 駆動のノードベース環境で、自然言語プロンプトとコード編集の断絶を橋渡しした。 Wu & Adar（2024、L07）の GenP5 と P52Style は、p5.js のアルゴリズミックアートと拡散モデルを双方向に統合する試みで、旧来の系譜と新技術を明示的に接続する数少ない研究である。 教育文脈では Flowcode（2026、L09）が可視化と意図的な摩擦により初学者の生産的な AI 活用を支援し、fog（2026、L10）は AI 生成コードの関数合成による表現を知覚評価で検証した。 Research Through Design の系では、LLM とのスケッチが曖昧な現象の強制的明示化を招くという緊張（2026、L11）が報告されている。

人間-AI 共創とプロンプトの技能化

Shelby et al.（2024、L12）は10カ国15名のアーティストから、text-to-image の使用、害、害の軽減に関するフォーク理論を抽出した。 Noise Pilot（2026、L13）は拡散モデルのノイズ推定を直接操作可能にし、プロンプトのみでは到達できない結果への深い関与を示した。 Oppenlaender et al.（2024、L16）は3段階の実験で、プロンプトエンジニアリングを学習可能な創造的スキルとして位置づけた。 デザイン文脈の複数レベル分析（Naqvi et al. 2025、L14）では、協働ツールとしての受容と、独自性と所有権をめぐる論争が併存する。

著作権、倫理、アーティスト保護

保護技術は軍拡競争の様相にある。 Glaze（2023、L17）は知覚不可能な摂動でスタイル模倣を妨害し（報告成功率>92%）、Nightshade（2024、L18）は少数の毒サンプルによるモデル汚染へ進んだ。 これに対し Hönig et al.（2024、L19）は、これらの防護が単純な画像処理で迂回可能であり偽の安心感しか与えないと実証しており、対立は未決着である。 当事者の意見分布は Lovato et al.（2024、L20）の459名調査が示す（学習データ開示、帰属、公正な分配への支持）。 法学側では、Lemley（2024、L21）が生成 AI は著作権法の思想-表現二分法を転覆させると論じ、Buick（2024、L22）は EU AI 法の透明性条項を「必要だが不十分」と評価した。 Porquet et al.（2025、L23）のイラストレーター調査は、スタイル転写が美的断片の複写に成功しつつ創発的質を欠くにもかかわらず、代替の脅威が成立しうる逆説を指摘する。

労働と社会への影響

実証結果は割れている。 Makridis（2026、L25）のパネル推定は、LLM 露出の高い芸術職種で短期の収入低下の証拠を見出していない。 一方、Meng et al.（2025、L26）の中国人デジタル画家17名の5年縦断研究は、給与低下や失業の報告を含み、態度が抵抗から実用的採用、反省的再構築へ変容する過程を記録した。 言説レベルでは、Bender（2024、L24）が2023年の脚本家と俳優のストライキを素材にタスク代替モデルを批判し、Caramiaux et al.（2025、L27）は「労働の物質的実現から解放された創造性」という支配的ナラティブの構造を分析した。 研究状況の俯瞰としては、Tsao et al.（2025、L28）の57本スコーピングレビューと、Hu et al.（2025、L29）の HCI 189件のシステマティックレビューが、キュレーションへの移行、プロンプトという新リテラシー、専門性ヒエラルキーの再配置を共通に指摘する。

空白（未充足の論点）

コーパスから読み取れる、レビュー論文が突ける空白を挙げる。

• 理論と実証の断絶：計算論的創造性の評価枠組み（SPECS、Creative Tripod、Lovelace テスト）が、LLM 以後の実証研究（L系統）にほぼ引用されていない。拡散モデルと LLM の生成物を Boden の類型や F系統の評価論で検査する研究は本コーパスでは確認できなかった。
• 歴史と現在の接続不足：1960s の情報美学（生成美学の定量的プログラム）と現代の生成モデル研究を理論的に接続する研究は、Wu & Adar（L07）などの例外を除き薄い。60年前の「機械生成物の識別と評価」の問い（H01）が現在のラベル効果研究（F24、L05）と地続きであることも、明示的に論じた文献は見当たらない。
• 保護技術の未決着：Glaze/Nightshade 系と迂回攻撃（L19）の対立は技術的に未決着で、規範的評価（アーティストは何に依拠すべきか）を扱う研究が不足している。
• 労働影響の測定の乖離：短期パネル（L25）と長期縦断（L26）で結論が割れており、測定期間、職種定義、地域の違いを切り分けた比較研究がない。
• 地域と法域の偏り：法学研究はアメリカ法と EU 法に偏り、日本の著作権法改正（30条の4）に関する学術文献は未収録。非西洋の実践研究は L02（バングラデシュ）と L26（中国）にとどまる。
• 環境負荷：ジェネラティブアートに特化した環境負荷の査読研究は確認できなかった。

未検証事項

コーパスの [要一次検証] は18件で、いずれも書誌情報の確認に関するものである（主張内容の捏造疑いではない）。

1. H03: Nees 1969 の原著（Siemens Verlag 版）の正式書誌
2. H09: Rosen 2011（MIT Press）の DOI
3. H10: Galanter 2003 の公式アーカイブ（著者サイト PDF のみ確認）
4. H12: Brown et al. 2008（MIT Press）の DOI
5. H17: Reichardt 1968（DOI 未付与、Internet Archive で到達確認）
6. H18: Reichardt 1971（同上）
7. H19: Nake 1971（PAGE 誌、DOI 未付与）
8. H20: Moles 1966（DOI 未付与、ISBN のみ）
9. H21: Nees/Nake/Bense 1965「rot」19号（DOI 未付与）
10. H22: McCorduck 1990（DOI 未付与）
11. F01: Boden 1990 初版（DOI なし、ISBN のみ）
12. F03: Boden 2004 第2版（同上）
13. F05: Boden 2010（同上）
14. F12: Colton 2008 の AAAI PDF の恒久到達性
15. T-H01: Broad et al. 2021 の ICCC 2021 査読版 DOI
16. L07: Wu & Adar の Springer 章 DOI（10.1007/978-3-031-90167-6_15）の実在
17. L19: Hönig et al. の ICLR 2025 proceedings の正式 DOI
18. L25: Makridis 2026 の本文（Springer 認証壁でアブストラクトのみ確認）

参考文献

すべて 2026-08-02 アクセス。id はコーパス source/review/generative-art/papers.md の行に対応する。

章1（歴史的起源）

1. (H01) Noll, A. M. 1966. Human or Machine: A Subjective Comparison of Piet Mondrian’s “Composition with Lines” and a Computer-Generated Picture. The Psychological Record 16. https://doi.org/10.1007/BF03393635
2. (H02) Noll, A. M. 1967. The Digital Computer as a Creative Medium. IEEE Spectrum 4(10). https://doi.org/10.1109/MSPEC.1967.5217127
3. (H03) Nees, G. 1969. Generative Computergraphik. Siemens Verlag. https://archive.org/details/generative_computergraphik
4. (H04) Usselmann, R. 2003. The Dilemma of Media Art: Cybernetic Serendipity at the ICA London. Leonardo 36(5). https://doi.org/10.1162/002409403771048191
5. (H05) Klütsch, C. 2007. Computer Graphic—Aesthetic Experiments between Two Cultures. Leonardo 40(5). https://doi.org/10.1162/leon.2007.40.5.421
6. (H06) Klütsch, C. 2005. The Summer 1968 in London and Zagreb. Proceedings of Creativity & Cognition 2005. https://doi.org/10.1145/1056224.1056241
7. (H07) Nake, F. 2005. Computer Art: A Personal Recollection. Proceedings of Creativity & Cognition 2005. https://doi.org/10.1145/1056224.1056234
8. (H08) Taylor, G. D. 2014. When the Machine Made Art: The Troubled History of Computer Art. Bloomsbury Academic. https://doi.org/10.5040/9781628929980
9. (H09) Rosen, M. (ed.) 2011. A Little-Known Story about a Movement, a Magazine, and the Computer’s Arrival in Art. MIT Press. https://mitpress.mit.edu/9780262515818/
10. (H10) Galanter, P. 2003. What is Generative Art? Complexity Theory as a Context for Art Theory. GA2003. https://www.philipgalanter.com/downloads/ga2003_paper.pdf
11. (H11) Galanter, P. 2016. Generative Art Theory. In A Companion to Digital Art. Wiley. https://doi.org/10.1002/9781118475249.ch5
12. (H12) Brown, P.; Gere, C.; Lambert, N.; Mason, C. (eds.) 2008. White Heat Cold Logic: British Computer Art 1960–1980. MIT Press. https://mitpress.mit.edu/9780262026536/
13. (H13) Higgins, H.; Kahn, D. (eds.) 2012. Mainframe Experimentalism. UC Press. https://www.ucpress.edu/books/mainframe-experimentalism
14. (H14) Guillermet, A. 2020. Vera Molnar’s Computer Paintings. Representations 149(1). https://doi.org/10.1525/rep.2020.149.1.1
15. (H15) Franceschet, M. 2025. Modern Forms of Generative Art. Leonardo 58(4). https://doi.org/10.1162/LEON.a.77
16. (H16) Klütsch, C. 2012. Information Aesthetics and the Stuttgart School. In Mainframe Experimentalism. UC Press. https://doi.org/10.1525/9780520953734-007
17. (H17) Reichardt, J. (ed.) 1968. Cybernetic Serendipity: The Computer and the Arts. Studio International. https://archive.org/details/cybernetic-serendipity
18. (H18) Reichardt, J. (ed.) 1971. Cybernetics, Art and Ideas. Studio Vista. https://archive.org/details/cyberneticsartid0000reic
19. (H19) Nake, F. 1971. There Should Be No Computer Art. PAGE 18. https://dam.org/museum/wp-content/uploads/2021/05/Nake1971-there-should-be-no-computer-art.pdf
20. (H20) Moles, A. A. 1966. Information Theory and Esthetic Perception. University of Illinois Press. ISBN 978-0-252-72485-5
21. (H21) Nees, G.; Nake, F.; Bense, M. 1965. Computer-Grafik (“rot” No.19). Edition Hansjörg Mayer. http://dada.compart-bremen.de/item/publication/339
22. (H22) McCorduck, P. 1990. Aaron’s Code. W. H. Freeman. https://archive.org/details/aaronscodemetaar0000mcco
23. (H23) Franceschet, M. et al. 2021. Crypto Art: A Decentralized View. Leonardo 54(4). https://doi.org/10.1162/leon_a_02003
24. (H24) Mazzone, M.; Elgammal, A. 2019. Art, Creativity, and the Potential of Artificial Intelligence. Arts 8(1). https://doi.org/10.3390/arts8010026

章2（技術発展の系譜）

25. (T-A01) Prusinkiewicz, P.; Lindenmayer, A. 1990. The Algorithmic Beauty of Plants. Springer. https://doi.org/10.1007/978-1-4613-8476-2
26. (T-A02) Sims, K. 1991. Artificial Evolution for Computer Graphics. SIGGRAPH ‘91. https://dl.acm.org/doi/10.1145/127719.122752
27. (T-B01) Sims, K. 1994. Evolving Virtual Creatures. SIGGRAPH ‘94. https://dl.acm.org/doi/10.1145/192161.192167
28. (T-B02) Takagi, H. 2001. Interactive Evolutionary Computation. Proceedings of the IEEE 89(9). https://doi.org/10.1109/5.949485
29. (T-B03) McCormack, J. 2005. Open Problems in Evolutionary Music and Art. LNCS 3449. https://doi.org/10.1007/978-3-540-32003-6_43
30. (T-B04) Romero, J.; Machado, P. (eds.) 2008. The Art of Artificial Evolution. Springer. https://doi.org/10.1007/978-3-540-72877-1
31. (T-B05) McCormack, J.; Cruz Gambardella, C. 2022. Complexity and Aesthetics in Generative and Evolutionary Art. Genetic Programming and Evolvable Machines 23. https://doi.org/10.1007/s10710-022-09429-9
32. (T-C04) Hertzmann, A. 2018. Can Computers Create Art? Arts 7(2). https://doi.org/10.3390/arts7020018
33. (T-D01) Kingma, D. P.; Welling, M. 2013. Auto-Encoding Variational Bayes. ICLR 2014. https://arxiv.org/abs/1312.6114
34. (T-D02) Goodfellow, I. et al. 2014. Generative Adversarial Nets. NeurIPS 2014. https://dl.acm.org/doi/10.5555/2969033.2969125
35. (T-E02) Gatys, L. A.; Ecker, A. S.; Bethge, M. 2016. Image Style Transfer Using Convolutional Neural Networks. CVPR 2016. https://doi.org/10.1109/CVPR.2016.265
36. (T-E03) Elgammal, A. et al. 2017. CAN: Creative Adversarial Networks. ICCC 2017. https://arxiv.org/abs/1706.07068
37. (T-E04) Karras, T.; Laine, S.; Aila, T. 2019. A Style-Based Generator Architecture for GANs. CVPR 2019. https://doi.org/10.1109/CVPR.2019.00453
38. (T-F01) Ho, J.; Jain, A.; Abbeel, P. 2020. Denoising Diffusion Probabilistic Models. NeurIPS 2020. https://arxiv.org/abs/2006.11239
39. (T-F02) Radford, A. et al. 2021. Learning Transferable Visual Models From Natural Language Supervision. ICML 2021. https://proceedings.mlr.press/v139/radford21a.html
40. (T-F03) Ramesh, A. et al. 2021. Zero-Shot Text-to-Image Generation. ICML 2021. https://arxiv.org/abs/2102.12092
41. (T-F04) Rombach, R. et al. 2022. High-Resolution Image Synthesis with Latent Diffusion Models. CVPR 2022. https://doi.org/10.1109/CVPR52688.2022.01042
42. (T-F05) Ramesh, A. et al. 2022. Hierarchical Text-Conditional Image Generation with CLIP Latents. arXiv. https://arxiv.org/abs/2204.06125
43. (T-G01) He, Y. et al. 2024. LLMs Meet Multimodal Generation and Editing: A Survey. arXiv. https://arxiv.org/abs/2405.19334
44. (T-H01) Broad, T. et al. 2021. Active Divergence with Generative Deep Learning. arXiv/ICCC 2021. https://arxiv.org/abs/2107.05599
45. (T-H02) Maerten, A.-S.; Soydaner, D. 2023. From Paintbrush to Pixel. arXiv. https://arxiv.org/abs/2302.10913

章3（理論的枠組み）

46. (F01) Boden, M. A. 1990. The Creative Mind: Myths and Mechanisms (1st ed.). Weidenfeld & Nicolson. ISBN 9780747411505
47. (F02) Boden, M. A. 1998. Creativity and Artificial Intelligence. Artificial Intelligence 103. https://doi.org/10.1016/S0004-3702(98)00055-1
48. (F03) Boden, M. A. 2004. The Creative Mind (2nd ed.). Routledge. ISBN 9780415314534
49. (F04) Boden, M. A. 2009. Computer Models of Creativity. AI Magazine 30(3). https://doi.org/10.1609/aimag.v30i3.2254
50. (F05) Boden, M. A. 2010. Creativity and Art: Three Roads to Surprise. Oxford University Press. ISBN 9780199590735
51. (F06) Wiggins, G. A. 2006. A Preliminary Framework for Description, Analysis and Comparison of Creative Systems. Knowledge-Based Systems 19(7). https://doi.org/10.1016/j.knosys.2006.04.009
52. (F07) Wiggins, G. A. 2012. The Mind’s Chorus. Cognitive Computation 4. https://doi.org/10.1007/s12559-012-9151-6
53. (F08) Jordanous, A. 2012. A Standardised Procedure for Evaluating Creative Systems. Cognitive Computation 4(3). https://doi.org/10.1007/s12559-012-9156-1
54. (F09) Jordanous, A. 2016. Four PPPPerspectives on Computational Creativity. Connection Science 28(2). https://doi.org/10.1080/09540091.2016.1151860
55. (F10) Ritchie, G. 2007. Some Empirical Criteria for Attributing Creativity to a Computer Program. Minds and Machines 17(1). https://doi.org/10.1007/s11023-007-9066-2
56. (F11) Colton, S.; Wiggins, G. A. 2012. Computational Creativity: The Final Frontier? ECAI 2012. https://doi.org/10.3233/978-1-61499-098-7-21
57. (F12) Colton, S. 2008. Creativity Versus the Perception of Creativity in Computational Systems. AAAI Spring Symposium. https://cdn.aaai.org/Symposia/Spring/2008/SS-08-03/SS08-03-003.pdf
58. (F13) Lamb, C.; Brown, D. G.; Clarke, C. L. A. 2018. Evaluating Computational Creativity. ACM Computing Surveys 51(2). https://doi.org/10.1145/3167476
59. (F14) Bringsjord, S.; Bello, P.; Ferrucci, D. 2001. Creativity, the Turing Test, and the (Better) Lovelace Test. Minds and Machines 11. https://doi.org/10.1023/A:1011206622741
60. (F16) Hertzmann, A. 2020. Computers Do Not Make Art, People Do. Communications of the ACM 63. https://doi.org/10.1145/3347092
61. (F17) McCormack, J. et al. 2014. Ten Questions Concerning Generative Computer Art. Leonardo 47(2). https://doi.org/10.1162/LEON_a_00533
62. (F18) McCormack, J.; Gifford, T.; Hutchings, P. 2019. Autonomy, Authenticity, Authorship and Intention in Computer Generated Art. LNCS 11453. https://doi.org/10.1007/978-3-030-16667-0_3
63. (F20) Galanter, P. 2019. Artificial Intelligence and Problems in Generative Art Theory. EVA London 2019. https://doi.org/10.14236/ewic/EVA2019.22
64. (F23) Chamberlain, R. et al. 2018. Putting the Art in Artificial. Psychology of Aesthetics, Creativity, and the Arts 12(2). https://doi.org/10.1037/aca0000136
65. (F24) Ragot, M.; Martin, N.; Cojean, S. 2020. AI-Generated vs. Human Artworks. CHI 2020 EA. https://doi.org/10.1145/3334480.3382892
66. (F25) Bellaiche, L. et al. 2023. Humans Versus AI. Cognitive Research: Principles and Implications 8. https://doi.org/10.1186/s41235-023-00499-6
67. (F26) Gangadharbatla, H. 2022. The Role of AI Attribution Knowledge in the Evaluation of Artwork. Empirical Studies of the Arts 40. https://doi.org/10.1177/0276237421994697
68. (F27) Hong, J.-W.; Curran, N. 2019. Artificial Intelligence, Artists, and Art. ACM TOMM 15(2s). https://doi.org/10.1145/3326337
69. (F28) Gaut, B. 2010. The Philosophy of Creativity. Philosophy Compass 5(12). https://doi.org/10.1111/j.1747-9991.2010.00351.x
70. (F29) Nannicelli, T. 2025. Mass AI-art: A Moderately Skeptical Perspective. Journal of Aesthetics and Art Criticism 83(4). https://doi.org/10.1093/jaac/kpaf026
71. (F30) Gunkel, D. J. 2017. Rethinking Art and Aesthetics in the Age of Creative Machines. Philosophy & Technology 30(3). https://doi.org/10.1007/s13347-017-0281-3

章4（LLM 以後）

72. (L01) Zhou, E. B.; Lee, D. 2024. Generative artificial intelligence, human creativity, and art. PNAS Nexus 3(3). https://doi.org/10.1093/pnasnexus/pgae052
73. (L02) Mim, N. J. et al. 2024. In-Between Visuals and Visible. CHI 2024. https://doi.org/10.1145/3613904.3641951
74. (L03) Rajcic, N.; Llano, M. T.; McCormack, J. 2024. Towards A Diffractive Analysis of Prompt-Based Generative AI. CHI 2024. https://doi.org/10.1145/3613904.3641971
75. (L04) Han, S.; Fussell, S. 2025. Understanding User Perceptions and the Role of AI Image Generators. CHI 2025. https://doi.org/10.1145/3706598.3713227
76. (L05) Malecki, W. P.; Messingschlager, T. V.; Appel, M. 2025. The impact of exposure to generative AI art. New Media & Society. https://doi.org/10.1177/14614448251344590
77. (L06) Angert, T. et al. 2023. Spellburst. UIST 2023. https://doi.org/10.1145/3586183.3606719
78. (L07) Wu, J.; Adar, E. 2024. Exploring Bridges Between Algorithmic and AI-generated Art. arXiv. https://arxiv.org/abs/2406.05508
79. (L08) Gachadoat, J.; Lagarde, G. 2025. ParamExplorer. arXiv. https://arxiv.org/abs/2512.16529
80. (L09) Tseng, T. et al. 2026. Flowcode. arXiv. https://arxiv.org/abs/2607.06721
81. (L10) Liu, V.; Chilton, L. 2026. fog: Expressing Motion and Emotion through Function Composition of AI-Generated Code. arXiv. https://arxiv.org/abs/2607.07952
82. (L11) Kaklopoulou, I. et al. 2026. Exploring Bodily Phenomena through Code. DIS 2026. https://doi.org/10.1145/3800645.3812787
83. (L12) Shelby, R.; Rismani, S.; Rostamzadeh, N. 2024. Generative AI in Creative Practice. CHI 2024. https://doi.org/10.1145/3613904.3642461
84. (L13) Smith, J. et al. 2026. Noise Pilot. CHI 2026. https://doi.org/10.1145/3772318.3790531
85. (L14) Naqvi, S. M.; He, R.; Kaur, H. 2025. Catalyst for Creativity or a Hollow Trend? CHI 2025. https://doi.org/10.1145/3706598.3713233
86. (L15) Grimes, D.; Harrison, R. M. 2026. BLK-Assist. arXiv. https://arxiv.org/abs/2604.03249
87. (L16) Oppenlaender, J.; Linder, R.; Silvennoinen, J. 2024. Prompting AI Art. International Journal of Human-Computer Interaction. https://doi.org/10.1080/10447318.2024.2431761
88. (L17) Shan, S. et al. 2023. Glaze. USENIX Security 2023. https://arxiv.org/abs/2302.04222
89. (L18) Shan, S. et al. 2024. Nightshade. IEEE S&P 2024. https://arxiv.org/abs/2310.13828
90. (L19) Hönig, R.; Rando, J.; Carlini, N.; Tramèr, F. 2024. Adversarial Perturbations Cannot Reliably Protect Artists From Generative AI. ICLR 2025. https://doi.org/10.48550/arXiv.2406.12027
91. (L20) Lovato, J. et al. 2024. Foregrounding Artist Opinions. AIES 2024. https://doi.org/10.1609/aies.v7i1.31691
92. (L21) Lemley, M. A. 2024. How Generative AI Turns Copyright Law Upside Down. Science and Technology Law Review 25(2). https://doi.org/10.52214/stlr.v25i2.12761
93. (L22) Buick, A. 2024. Copyright and AI training data—transparency to the rescue? Journal of Intellectual Property Law & Practice. https://doi.org/10.1093/jiplp/jpae102
94. (L23) Porquet, J.; Wang, S.; Chilton, L. B. 2025. Copying style, Extracting value. CHI 2025. https://doi.org/10.1145/3706598.3713854
95. (L24) Bender, S. 2024. Generative-AI, the media industries, and the disappearance of human creative labour. Media Practice and Education. https://doi.org/10.1080/25741136.2024.2355597
96. (L25) Makridis, C. 2026. The labor market effect of generative artificial intelligence on artists. Journal of Cultural Economics. https://doi.org/10.1007/s10824-026-09575-3
97. (L26) Meng, Y. et al. 2025. Tracing Generative AI in Digital Art. arXiv. https://arxiv.org/abs/2511.03117
98. (L27) Caramiaux, B. et al. 2025. Generative AI and Creative Work. arXiv. https://arxiv.org/abs/2502.03940
99. (L28) Tsao, J. et al. 2025. Perceptions and integration of generative artificial intelligence in creative practices and industries. AI & Society. https://doi.org/10.1007/s00146-025-02667-2
100. (L29) Hu, X. et al. 2025. Designing Interactions with Generative AI for Art and Creativity. DIS 2025. https://doi.org/10.1145/3715336.3735843