جستجو
از خطی تا بازگشتی: یک مدل آموزشی مبتنی بر هوش مصنوعی برای برنامهریزی معماری
کامران جواهری1 هانا اعوانی2
چکیده :
برنامهریزی معماری به عنوان نخستین و تعیینکنندهترین مرحله فرایند طراحی، همواره تحت سلطه الگوهای خطی و گامبهگام بوده است. این رویکرد خطی، در مواجهه با پیچیدگیهای پروژههای معاصر معماری -که به طور همزمان درگیر متغیرهای زیباییشناختی، عملکردی، زیستمحیطی و اجتماعی هستند- با ناتوانی در ایجاد حلقههای بازخورد پویا و یادگیری از تصمیمات بعدی مواجه است. پژوهش حاضر با هدف طراحی و اعتبارسنجی یک مدل آموزشی مبتنی بر هوش مصنوعی انجام شده است که برنامهریزی معماری را از فرایندی خطی به فرایندی بازگشتی با حلقههای بازخورد هوشمند تبدیل میکند. این مطالعه با استفاده از رویکرد ترکیبی با طرح اکتشافی متوالی انجام شد. در فاز کیفی، از تحلیل محتوای متون تخصصی و مصاحبههای نیمهساختاریافته با متخصصان حوزه آموزش معماری و برنامهریزی فیزیکی استفاده گردید. در فاز کمی، مدل پیشنهادی در قالب یک سامانه هوشمند مبتنی بر عامل، طراحی و سپس در یک کارگاه آموزشی واقعی با حضور دانشجویان معماری پیادهسازی شد. یافتهها نشان داد که مدل بازگشتی هوشمند، از طریق ایجاد «تناقضهای سازنده»، «پیشبینی پیامدهای ثانویه» و «یادگیری از مسیر نه مقصد»، به طور معناداری کیفیت برنامههای معماری و تجربه یادگیری دانشجویان را ارتقا میبخشد. پنج مؤلفه کلیدی مدل پیشنهادی عبارتند از: ناپایداری ذاتی مفروضات، تناقضهای سازنده، پیشبینی پیامدهای ثانویه، یادگیری از مسیر نه مقصد، و خودکارآمدی بازگشتی. مدل سهلایهای مستخرج از این پژوهش (کالبد ← رفتار ← معنا)، چارچوبی نظری برای درک و طراحی سرزندگی در فضاهای جمعی مسکونی ارائه میدهد و نشان میدهد که طراحی موفق، طراحیای است که همزمان به «چه چیزی ساخته میشود»، «چگونه از آن استفاده میشود» و «چگونه تجربه میشود» توجه داشته باشد. این پژوهش با معرفی مفهوم «انعطافپذیری بازگشتی» به عنوان شاخصی جدید برای سنجش کیفیت برنامههای معماری، دامنه معیارهای ارزیابی را گسترش میدهد.
کلمات کلیدی : واژگان کلیدی برنامهریزی معماری مدل بازگشتی هوش مصنوعی حلقه بازخورد هوشمند آموزش طراحی سرزندگی فضاهای جمعی
زبان مقاله : فارسی
محور مقاله : فناوری های کاربردی هوش مصنوعی و کاربردهای آن در علوم مختلف
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABGAHA
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABGAHA
نمایش چکیده انگلیسی
: https://isnac.ir/SA/AAHD-ABGAHA
سایر مقالات ارائه دهنده
- چارچوب نظری یکپارچهسازی هوش مصنوعی مولد در استودیوهای طراحی معماری: از تدوین برنامه تا طراحی شماتیک
- از خطی تا بازگشتی: یک مدل آموزشی مبتنی بر هوش مصنوعی برای برنامهریزی معماری
- نظریه شبکه کنشگران در عصر یادگیری ماشین: بازتعریف هوش مصنوعی به مثابه کنشگر غیرانسانی در آموزش طراحی معماری
- یادگیری ماشین برای استخراج منطق فضایی در پیشنهادهای طراحی دانشجویی: رویکردی مبتنی بر زبان الگو
سایر مقالات محل انتشار
- A Study on Design Understandability and Interaction of the therapy-specific Robots
- طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتیژن
- طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
- یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکههای خودرویی شهرهای هوشمند با استفاده از دادههای ترافیکی شبکه سلولی
- An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
- تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکههای عصبی
- Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
- ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
- کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
- Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
- Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
- تحلیل آیندهپژوهانه همگرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
- نقش تحول دیجیتال در خدمات کتابخانههای عمومی برای توانیابان جسمی و ذهنی
- Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
- Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems