The Architectural Language of Biophilic Design After Architects Use Text-to-Image AI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Biophilic design is an architectural concept that bridges the gap between modern buildings and the innate human longing for nature. In addition, it promotes physical and mental well-being while aligning with several Sustainable Development Goals. Recent research highlights that the architectural language used to describe the attributes of biophilic architecture remains unclear. Previous research has shown that text-to-image AI enhances architects’ ability to articulate their ideas more effectively. Therefore, this study aims to address the following research question: What are the architectural languages of biophilic design after architects use text-to-image AI? The initial step involves generating images of biophilic architecture by using three popular text-to-image AI tools: DALL-E 3, MidJourney, and Stable Diffusion. The 30 selected images were used to help architects develop the architectural language to describe the characteristics of biophilic design across 10 categories: Form, Space, Movement, Light, Color, Material, Object, View, Sound, and Weather. The terms obtained were analyzed using natural language processing (NLP) techniques, including word cloud analysis, frequency analysis, and topic modeling. The results indicate that the architectural language of biophilic design exhibits greater detail and clarity after architects utilize text-to-image AI. Nevertheless, in some instances, the language used to describe biophilic design is also constrained by the images generated by the text-to-image AI that the architects observe.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle