Personality and Aesthetic Preferences in Architecture: A Review of the Study Approaches and Assessment Methods
Notice bibliographique
Résumé
Introduction: A clear relationship exists between human personality and architectural preferences. However, reviewing the findings of previous studies reveals that this expectation is not necessarily accurate, as contradictory results have been reported. This study aims to review various research and assessment methods used in previous studies for assessing the relationship between personality and architectural preferences and identify the theoretical and practical shortcomings of each method. Methods: This is a critical review study. A search was conducted in Google Scholar and Web of Science database for published articles in English using the following keywords: "Visual aesthetics," "personality traits," "architectural preferences," "art preferences," and "aesthetic judgments." These articles were first categorized into four groups based on their methodological approaches (physiological, neurobiological, practical, and psychological) and then their degree of success and generalizability were assessed briefly. Finally, due to having lower implementation limitations and a higher theoretical background, the group using the psychological approaches was structurally analyzed from the methodological and practical aspects to develop a conceptual quadruple model. After presenting the model, neural network modeling was used to discover of hidden patterns. Results: ental stimuli, context, personality traits, and responses. The machine learning method facilitated the discovery of hidden patterns in relationship between personality and human preferences. Conclusion: This study proposes a new systematic quadruple model for evaluating aesthetic preferences.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».