Programming for Architecture: visual and textual languages in Performance-Driven Architectural Design
Bibliographic record
Abstract
A pesquisa está inserida no contexto do Design Computacional, área que explora a computação como uma ferramenta de projeto de arquitetura. Para declarar e desenvolver projetos, é comum a utilização de linguagens de programação visual. No entanto, limitações no uso de linguagens visuais são reconhecidas, como as restrições encontradas na flexibilidade e escalabilidade dos códigos. Para estender o acesso à métodos de resolução de problemas nesses sistemas, usuários frequentemente recorrem ao uso de linguagens de programação textual, que permitem a utilização de mais estruturas de controle. Ainda assim, é comum que arquitetos sejam induzidos a realizar mudanças nos processos para acomodar a falta de controle e resultados inesperados de projeto. Isso acontece em parte pela falta de clareza em como utilizar a programação e todo o potencial dos métodos computacionais. Além disso, há uma falta de evidências empíricas usando projetos reais de arquitetura que apoiem discussões sobre o futuro das ferramentas de programação para arquitetos. Esta pesquisa investiga a comparação entre o uso de linguagens de programação visual e textual e visa sugerir diretrizes para melhorar as interfaces de programação utilizadas atualmente na área. Para isso, realizamos análises baseadas em métricas de avaliação de linguagens de programação e nas Dimensões Cognitivas (GREEN; PETRE, 1996). Adicionalmente, exploramos como estudo de aplicação um Projeto Orientado ao Desempenho, o Vancouver Academic Building do escritório americano Perkins+Will. O escritório implementou inicialmente o projeto usando a linguagem visual Grasshopper, com o objetivo de otimizar o design de uma fachada explorando o equilíbrio entre aspectos de iluminância e eficiência energética. Reimplementamos o estudo de aplicação utilizando uma linguagem textual e o ambiente de programação Rosetta (LOPES; LEITÃO, 2011). À medida que procuramos solucionar a lacuna existente na comparação dos fluxos de trabalho entre linguagens visuais e textuais recorrendo a um projeto real, selecionamos este estudo de aplicação porque ele abrange um processo orientado ao desempenho em vez de um projeto apenas paramétrico. Existem diferenças fundamentais encontradas entre estes dois fluxos de trabalho em relação a estratégias de escalabilidade e fluxo de dados, pois o orientado ao desempenho requer mais estruturas de controle como iteração e recursão. Identificamos diferenças relevantes entre ambas as linguagens e o potencial no uso das textuais no aumento significativo da escalabilidade do código e do modelo; aumento da confiabilidade dos resultados de desempenho do projeto e maior controle e clareza do processo utilizado. Apontamos também para as qualidades de interação e expressividade inerente das linguagens visuais. A partir do cruzamento teórico-prático, indicamos diretrizes que compõem em que medida o uso preferencial de linguagens textuais e linguagens híbridas (que integram ambas) podem melhorar a confiabilidade do Projeto Orientado ao Desempenho, assim como a possibilidade de aplicar métodos mais claros e eficazes no desenvolvimento do Projeto Algorítmico.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".