User-centered evaluation of visual generative AI for city design: an exploratory technology acceptance model analysis
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
Abstract This study explores the potential of visual generative artificial intelligence (visual GenAI) in augmenting city design workflows. Using customized DALL-E 3 interfaces, we facilitated engagement sessions with members of an academic planning community to assess their perceptions of AI-generated imagery before and after its use, with a focus on main street revitalization ( n = 24 qualitative, n = 17 quantitative). Drawing on the Technology Acceptance Model, we assessed cognitive, operational, and participatory dimensions influencing user attitudes toward AI-assisted urban design. Perceived usefulness in cognitive and participatory tasks emerged as the strongest predictors of attitudes toward visual GenAI use, explaining up to 71% and 44% of the variance, respectively. While participants valued the ability to generate visuals and stimulate dialogue rapidly, challenges with prompt precision, output predictability, and interface usability limited broader accessibility. User expertise moderated perceptions, with higher proficiency participants generally expressing more positive attitudes toward its use. Our preliminary findings suggest that while visual GenAI may offer new opportunities to augment cognitive and co-design processes, its integration into city design workflows may also depend on diverse training datasets to address biases; human-centered design with clearer affordances and support for non-expert users; and, validation processes that maintain human oversight. This study contributes to the emerging research on human-AI work integration by providing initial empirical evidence on the opportunities and constraints of visual GenAI tools in city design contexts, while establishing a foundation for future research.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,012 |
| 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 | 0,001 | 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