Bridging perspectives: a foundational dataset for the empirical aesthetics of bridge design
Notice bibliographique
Résumé
People readily recognize London when they see Tower Bridge, San Francisco by the Golden Gate Bridge, and Sydney when they see the Sydney Harbour Bridge. These bridges have emerged as iconic landmarks that shape their city’s skyline by virtue of their aesthetic qualities. Bridges can also elicit a neutral aesthetic response and, sometimes, can be regarded as downright ugly. Bridges are designed as public infrastructure, which often shape their surroundings for centuries. Nonetheless, little is known about what shapes the aesthetic appeal of bridges. Here we explore how aesthetic judgements of bridges relate to engineering and design features. Our dataset comprises 318 images of 118 bridges from around the world, rated by 200 participants for aesthetic pleasure, interest, complexity, and safety. A civil engineering team annotated each image for type, depth, material, apparent age, and aesthetic premium. Using Factorial Analysis of Mixed Data (FAMD), we found two significant dimensions. The first “aesthetics” dimension shows strong correlations among aesthetic, complexity, and interest ratings and is connected to bridge type. The second “safety” dimension relates subjective ratings of safety to bridge age and material. Analysis of visual features of bridges, using the Mid-Level Vision (MLV) Toolbox, shows that contour length is a predictor of both bridge type and the aesthetic, complexity, and interest ratings. For example, truss bridges, made up of several interconnected beams, are represented by many short contours and are generally rated as more complex, interesting, and pleasing. On the other hand, the visually simple slab and girder bridges are often represented by a few long contours and are rated as uninteresting and not aesthetically pleasing. Our study offers the first attempt to systematically collect and analyze subjective ratings of bridge aesthetics, paving the way for empirically supported decisions for the design of bridges and, potentially, other public infrastructure projects.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,015 |
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 source (Gemma direct ou Codex distillé), 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 ».