کاربرد یادگیری ماشین در پیش بینی کیفیت تجربه فضایی کاربران در ساختمان های عمومی

پژوهش حاضر با هدف بررسی کاربرد یادگیری ماشین در پیش بینی کیفیت تجربه فضایی کاربران در ساختمان های عمومی و شناسایی مهم ترین عوامل کالبدی، محیطی و ادراکی موثر بر ارزیابی کاربران انجام شد. این پژوهش از نظر هدف کاربردی و از نظر روش، توصیفی همبستگی با رویکرد پیش بینی و تحلیل داده های مبتنی بر یادگیری ماشین بود. جامعه آماری پژوهش را کاربران یکی از ساختمان های عمومی تشکیل دادند و در سال ۱۴۰۵، تعداد ۱۲۰ نفر از کاربران حاضر در ساختمان با استفاده از روش نمونه گیری در دسترس انتخاب شدند. داده ها با استفاده از پرسشنامه استاندارد کیفیت تجربه فضایی گردآوری شد که ابعاد اصلی آن شامل کیفیت آسایش محیطی، خوانایی و جهت یابی فضایی، کیفیت نور و روشنایی، آسایش حرارتی، کیفیت صوتی، انعطاف پذیری فضا، کیفیت بصری و رضایت کلی از محیط بود. روایی محتوایی ابزار با نظر متخصصان حوزه معماری، طراحی محیطی و علوم رفتاری تایید شد و پایایی پرسشنامه بر اساس ضریب آلفای کرونباخ ۰/۹۱ به دست آمد. پس از بررسی داده ها، شاخص های توصیفی و همبستگی متغیرها با استفاده از نرم افزار SPSS ۲۹ محاسبه و سپس الگوریتم های رگرسیون خطی، جنگل تصادفی، ماشین بردار پشتیبان و گرادیان بوستینگ در محیط R برای پیش بینی کیفیت تجربه فضایی مورد استفاده قرار گرفتند. نتایج نشان داد کیفیت نور و روشنایی (β=۰/۲۹)، آسایش حرارتی (β=۰/۲۴)، خوانایی و سهولت جهت یابی فضایی (β=۰/۲۱)، کیفیت صوتی (β=۰/۱۸) و کیفیت بصری (β=۰/۱۶) از مهم ترین پیش بینی کننده های کیفیت تجربه فضایی کاربران بودند. مقایسه عملکرد الگوریتم ها نشان داد مدل جنگل تصادفی با ضریب تعیین R²=۰/۷۸ و خطای میانگین مربعات ریشه ای RMSE=۰/۳۶ عملکرد مطلوب تری نسبت به رگرسیون خطی (R²=۰/۶۱)، ماشین بردار پشتیبان (R²=۰/۷۲) و گرادیان بوستینگ (R²=۰/۷۵) داشت. تحلیل اهمیت متغیرها در مدل برتر نیز نشان داد که کیفیت نور، آسایش حرارتی و خوانایی فضایی بیشترین سهم را در پیش بینی تجربه کاربران دارند. یافته ها بیانگر آن است که بهره گیری از الگوریتم های یادگیری ماشین می تواند فراتر از ارزیابی های سنتی، امکان شناسایی الگوهای پیچیده میان ویژگی های فضایی و ادراک کاربران را فراهم کند و به عنوان ابزاری تصمیم یار در فرآیند طراحی، ارزیابی و بهسازی ساختمان های عمومی مورد استفاده قرار گیرد. بر این اساس، توجه هم زمان به شاخص های محیطی، ادراکی و کالبدی و استفاده از مدل های داده محور می تواند به معماران، طراحان و مدیران ساختمان در ارتقای کیفیت تجربه فضایی، افزایش رضایت کاربران و اتخاذ تصمیم های دقیق تر در طراحی و بازطراحی فضاهای عمومی کمک کند.

کلیدواژه ها:

یادگیری ماشین ، تجربه فضایی ، کیفیت محیطی ، ساختمان های عمومی ، پیش بینی داده محور ، رضایت کاربران ، طراحی محیطی