یادگیری ماشین برای استخراج منطق فضایی در پیشنهادهای طراحی دانشجویی رویکردی مبتنی بر زبان الگو

استخراج منطق فضایی نهفته در انبوهی از پروژه های طراحی دانشجویی همواره به عنوان یکی از چالش های اساسی در نظریه پردازی و آموزش معماری مطرح بوده است. نظریه «زبان الگو» کریستوفر الکساندر با وجود تاثیرگذاری ژرف خود بر حوزه طراحی تاکنون کمتر در چارچوب روش های محاسباتی نوین صورت بندی شده و امکان استخراج خودکار الگوها از داده های انبوه طراحی فراهم نیامده است. پژوهش حاضر با هدف پر کردن این شکاف به ارائه روشی مبتنی بر یادگیری ماشین برای استخراج الگوهای فضایی تکرارشونده از میان پروژه های دانشجویی می پردازد. رویکرد پژوهش، ترکیبی از روش های کمی و کیفی با طرح اکتشافی متوالی است که در آن با بهره گیری از خودرمزگذار گرافی و روش های خوشه بندی سلسله مراتبی و K-Means گراف های فضایی ۲۵۵ پروژه طراحی معماری از دانشکده های ایران به فضای نهان نگاشته شده و خوشه های الگویی غالب و استثنایی شناسایی می شوند. اعتبارسنجی نتایج از طریق روش دلفی و بررسی تطبیقی خوشه ها با داوری اساتید مجرب صورت گرفته است. یافته ها نشان می دهند که سه خانواده الگویی اصلی یعنی «هسته محور»، «خطی سلسله مراتبی» و «خوشه ای شبکه ای» در میان پروژه ها قابل شناسایی هستند که با الگوهای کلاسیک الکساندر هم پوشانی داشته اما تفاوت هایی را نیز بازنمایی می کنند که بیانگر تحول طبیعی زبان طراحی در بستر آموزش معاصر است. افزون بر این همگرایی معناداری میان الگوهای مستخرج و نمرات داوری اساتید مشاهده شد که نشان از کارایی روش در ارزیابی مبتنی بر شواهد دارد. همچنین شناسایی الگوهای استثنایی و خوشه های مرزی نشان داد که خلاقیت معماری نه در گسترده الگوها که در بازترکیب خلاقانه آنها ظهور می یابد. این پژوهش با پیوند نظریه زبان الگو و روش های محاسباتی نوین گامی در جهت عینی سازی فرایندهای ارزیابی و بازخورد آموزشی در معماری برداشته است و می تواند به عنوان ابزاری کارآمد در خدمت مدرسان دانشجویان و پژوهشگران این حوزه قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، زبان الگو ، منطق فضایی ، آموزش معماری ، خودرمزگذار ، گرافی ، تحلیل طرح دانشجویی