پیشرفته درباره توزیع برنامه فضایی

ابزارهای مولد هوش مصنوعی علیرغم توانایی چشمگیر در تولید سریع نمودارهای برنامه فضایی و چیدمان های اولیه معماری فاقد لایه تحلیلی و پرسشگری هستند که دانشجو را قادر سازد روابط توپولوژیک نهفته در این خروجی ها را وارسی کند. این فقدان شفافیت ساختاری دانشجویان را به مصرف کنندگان منفعل تصاویر تبدیل کرده و فرآیند یادگیری عمیق اصول سازماندهی فضایی را مختل می سازد. هدف اصلی طراحی و اعتبارسنجی چارچوبی برای یکپارچه سازی موتور پرسش توپولوژیک با ابزارهای مولد هوش مصنوعی است تا دانشجو بتواند به صورت تعاملی گراف، همسایگی، عمق فضایی و زنجیره های دسترسی را در خروجی های مولد مورد پرسش و کاوش قرار دهد. این پژوهش از نوع توسعه ای و کاربردی با رویکرد ترکیبی است. در فاز کیفی خط لوله استخراج توپولوژیک شامل سه گام تشخیص نودها، تشخیص یال ها و ساخت گراف معنایی طراحی شد. در فاز کمی مطالعه تجربی با طرح پیش آزمون و پس آزمون بر روی دو گروه آزمون و کنترل از دانشجویان معماری اجرا گردید. داده های حاصل از گزارش های سیستم، ارزیابی مستقل اساتید و مصاحبه های نیمه ساختار یافته به صورت ترکیبی تحلیل شدند. کاربران مجهز به موتور پرسش رفتاری کاملا متفاوت از گروه کنترل از خود نشان دادند، آنها از مرور تصادفی خروجی ها به کاوش هدفمند گراف فضایی مهاجرت کردند. طرح های نهایی گروه آزمون از نظر انطباق با برنامه، همجواری، کارایی گراف حرکتی و انسجام کلی به طور معناداری برتر ارزیابی شدند. تحلیل مصاحبه ها حاکی از افزایش حس عاملیت و شفافیت تصمیم گیری در میان کاربران گروه آزمون بود. یکپارچه سازی لایه پرسش توپولوژیک با ابزارهای هوش مصنوعی مولد یک تغییر پارادایمی از «تولید صرف» به «تولید همراه با شفافیت ساختاری» ایجاد می کند. این رویکرد با کاهش بار شناختی استنتاج دستی و شفاف سازی زنجیره علت و معلولی تصمیمات فضایی، فرآیند طراحی را از یک قضاوت سطحی به یک کاوش عمیق و آگاهانه تبدیل می سازد. ارزش هوش مصنوعی در آموزش معماری نه در کمیت خروجی که در کیفیت شفافیت ساختاری آن نهفته است.

کلیدواژه ها:

پرسش توپولوژیک ، هوش مصنوعی ، تفسیرپذیر ، آموزش ، معماری ، گراف ، فضایی ، سازماندهی فضایی