梵高博物馆用150万次参观数据重排展线,算法认识的只是导览用户

梵高博物馆最近做了一件博物馆圈不常见的事:把一篇学术论文的结论直接用进了展厅运营。麻省理工、佐治亚理工和西班牙IESE商学院的三位学者,从该馆2019到2021年间150万次参观里随机抽出2.5万条数字导览记录,建了一个预测访客动线的模型。论文发在2026年4月的《管理科学》期刊。

这项研究已经落到了实物上。梵高博物馆2025年启用的新导览设备,硬件换成三星、软件由NOUS Digital开发,设计里吸收了这批研究发现。博物馆的运营决策正从"策展人凭经验判断"往"数据辅助决策"挪了一步,但挪多远、优化目标该由谁定,原文和研究本身都没讲清楚。

一个模型进了真实展厅,但它读懂的只是相关性

梵高博物馆常展作品约200件,馆藏总数超过4600件。研究团队用访客的数字导览记录,加上作品的物理位置和艺术特征做训练数据,建了一个叫"pathway MNL"的模型。

这个模型要回答三类不同的问题,准确率也各不相同:

三个数字对应三种任务,不是同一件事,不能笼统说成"模型准确率有多高"。研究者自己也在论文里写明:这些关联不代表因果,模型揭示的是相关性,用来辅助决策可以,拿来预测某个具体访客会喜欢什么,还谈不上。

基于这套模型,团队还做了一轮模拟实验:把容易被路过的"漏水点"(楼梯口、电梯附近)的高吸引力作品挪到别处,再模拟访客反应。结果显示,合理调换布局有希望让访客看到更多作品、停留更久。这只是仿真结果,不是真实展厅里已经验证过的运营成效——梵高博物馆目前实际调整的主要是数字导览的推荐顺序,而不是把画作真的搬来搬去。

36%对10%:高使用率背后是这项研究最大的边界

这项研究能做起来,前提是梵高博物馆的数字导览用户足够多。2023年,该馆数字导览的预订率是36%,同期行业里付费导览的典型使用率只有约10%。梵高博物馆本身就是数字导览的重度使用馆,结论未必能直接套到大多数博物馆头上。

更关键的是,即便在梵高博物馆内部,数字导览用户也只是一部分访客,多数人根本没被算进这套模型。样本本身带有选择偏差:会主动租用导览设备的人,可能本来就更愿意按建议走。模型算的是"用导览的那群人怎么走",不是"所有走进博物馆的人怎么走"。

传统语音导览从20世纪50年代沿用至今,中间经历过互动屏幕、App等几轮技术尝试,但业内反复观察到一个"钟摆式回归":访客最想要的还是能装进口袋、不用多想的体验。这也解释了梵高博物馆为什么把研究结论用回一个看似传统的导览设备,而不是急着堆更花哨的交互功能。

推荐系统别把偏好当唯一标准

数据能做的事情很实际:分流拥堵、找到冷门作品的曝光机会、减少信息过载带来的观展疲劳。但一旦推荐系统开始迎合访客的历史偏好,风险也跟着来了。前Tate数字总监Hilary Knight说得直接:一直推荐访客可能喜欢的作品,其实是一种失职——艺术本该包含挑战和意外。

更长期的隐患是推荐系统可能加固已有的"经典"地位。名作占据展厅最好的位置、最常被外借,曝光越多,越容易被推荐系统进一步放大曝光。目前没有证据显示这种循环已经改变了公众审美或作品的经典地位,这条长期路径至少是博物馆数字团队现在就该纳入考虑的变量。

对博物馆的策展和数字化团队来说,要做的判断很具体:是不是值得投入分析能力去建这类模型;导览推荐的优化目标只设"减少拥堵",还是也要把"制造意外发现"算进去;推荐逻辑要不要向公众公开。对普通访客来说,没用导览设备的人基本不受推荐算法直接影响,但博物馆的动线调整、拥堵引导仍会间接改变你能看到什么;用导览设备的人可以留意一下,设备给出的顺序是不是总把热门作品排在最前面,想看冷门作品可以主动跳出默认路线。

接下来最该盯的,是梵高博物馆或其他博物馆会不会公开这类推荐系统的优化目标和评估指标——这决定了"数据辅助策展"是在帮观众看得更全,还是在悄悄替观众做审美选择。