老舊社區(qū)公共空間更新設(shè)計：模糊KANO模型與DALL-E結(jié)合應(yīng)用

關(guān)鍵詞：老舊社區(qū)更新；社區(qū)公共空間；扎根理論；模糊KANO模型；DALL·E

中圖分類號：TU984.11+4 文獻標識碼：A

文章編號：1003-0069（2024）24-0147-04

引言

社區(qū)作為城市更新的基本單元，是提升城市存量品質(zhì)的關(guān)鍵。目前社區(qū)更新缺乏有效的理論指導(dǎo)，難以形成高效的更新方法[1]。同時，社區(qū)更新需要深入了解居民需求，以確定更新重點和方向[2]，并通過實證案例發(fā)展可推廣的理論和設(shè)計方法[3]。由此，研究識別和排序居民需求的方法以指導(dǎo)社區(qū)更新，是亟待解決的問題。

生成式人工智能正在深刻影響各個領(lǐng)域。在設(shè)計領(lǐng)域，以文生圖為主的生成式人工智能顯著提升了設(shè)計效率、優(yōu)化了設(shè)計流程，并創(chuàng)新了設(shè)計方法[4]。其包括Stable Diffusion、Midjourney 和OpenAI發(fā)布的DALL-E等。在社區(qū)更新設(shè)計流程中引入生成式人工智能的應(yīng)用，以提高老舊社區(qū)更新設(shè)計的效率，具有重要意義。

一、理論基礎(chǔ)與研究流程

（一）扎根理論。扎根理論（Grounded Theory）是一種定性研究方法，通過觀察和分析實際數(shù)據(jù)，逐步構(gòu)建理論[5]。本文依據(jù)程序化扎根理論方法，其包含開放編碼、主軸編碼和選擇編碼3 個步驟。開放編碼從原始數(shù)據(jù)中抽象出范疇，并尋找范疇的屬性，并將其維度化；主軸編碼確立主次范疇，并將其結(jié)構(gòu)化；選擇編碼基于主范疇確定核心范疇生成理論[6]。

（二）模糊Kano 模型。傳統(tǒng)Kano 模型的目的是挖掘表現(xiàn)用戶的需求層級，基于用戶的反饋，可將需求劃分為基本需求（M）、期望需求（O）、興奮需求（A）、無差異需求（I）和反向需求（R）。基本型需求不滿足會降低居民滿意度。期望型需求滿足與否直接影響居民滿意度的提高或下降。興奮型需求的滿足僅會影響居民滿意度的提升程度。隨著時間的推移，居民對同一需求的態(tài)度可能會發(fā)生改變，導(dǎo)致Kano類型的變化，變化周期為：I → A → O → M[7]。

1. 模糊Kano模型問卷設(shè)計：傳統(tǒng)Kano 模型缺乏識別用戶的模糊感受，原因在于其在問卷調(diào)研時要求被測者給出確定選項。而模糊Kano 模型在調(diào)研用戶時，對每個需求指標采取正反雙向問題，允許被試者對選項進行0-1之間任意賦值，只需最終和為1，采用這種方式可以識別用戶內(nèi)心的模糊感受[8]。

2. 模糊Kano 模型計算流程：實際操作中，模糊KANO 模型分類需求的過程如下：

首先，根據(jù)問卷數(shù)據(jù)，對每組雙向問題建立模糊矩陣。若滿足需求矩陣X=[0.3 0.7 0 0 0]，不滿足需求矩陣Y=[0 0 0.1 0.6 0.2]，則得到交互矩陣S，見式（1）。

再次，引入置信度水平α（α ∈ [0 1]）），根據(jù)以往研究結(jié)論，本研究取α=0.4[9]，對要素的數(shù)值做進一步篩選。

最后，確定用戶需求要素的KANO 類別，以KANO 類別出現(xiàn)頻率篩選指標，頻率最高的作為用戶需求要素的最終屬性。如果頻率相同，按以下優(yōu)先級排序，從高到低依次為M，O，A，I，R。

3.Better-Worse 系數(shù)：Batter-Worse 系數(shù)的核心思想是通過計算客戶認為某個因素“好”與“壞”的比例，來衡量該因素對總體滿意度的影響。在Kano 模型中，可以通過計算滿意度系數(shù)（SI，見式3）和不滿意度系數(shù)（DSI，見式4）來進行Better-Worse 系數(shù)分析[10]。Worse 值越高，為滿足該需求對居民滿意度的負面影響就越大。Batter 值越高，滿足該需求對居民滿意度的正面影響越大。

SI=A+O/A+O+M+I （3）

DSI=O+M/A+O+M+I （4）

（三）DALL·E 圖像生成式大模型。DALL·E 是由 OpenAI 開發(fā)的圖像生成模型，能根據(jù)文字描述生成高質(zhì)量圖像。其主要功能包括：1. 根據(jù)詳細文字描述生成對應(yīng)圖像；2. 創(chuàng)造性地結(jié)合不相關(guān)的概念；3. 輸出高分辨率圖像，用戶可選擇圖像大小和分辨率。用戶可通過調(diào)整描述，優(yōu)化生成結(jié)果。與流行的 Stable Diffusion 相比，DALL·E 更適用于設(shè)計初期的概念階段，因其僅需文字描述，生成效率和圖像質(zhì)量較高，而Stable Diffusion 則提供更多控制變量，適合設(shè)計后期深化階段的方案表達[11]。

（四）研究流程。研究流程包括：1. 通過半結(jié)構(gòu)化訪談和扎根理論制定居民需求集，制作并發(fā)放模糊Kano 模型調(diào)查問卷；2. 根據(jù)問卷數(shù)據(jù)建立模糊矩陣，計算隸屬度值，確定需求要素的Kano 類別，并使用Better-Worse 系數(shù)分析法排序需求重要度；3. 基于需求優(yōu)先級利用ChatGPT 生態(tài)構(gòu)建DALL·E 的提示詞，生成社區(qū)更新的概念效果圖，并進行用戶驗證。

二、基于扎根理論的東王莊社區(qū)居民需求集建構(gòu)

本研究以北京市海淀區(qū)東王莊小區(qū)為案例，該小區(qū)為90 年代開發(fā)的老舊社區(qū)，通過線下隨機選取用戶進行半結(jié)構(gòu)化訪談，使用NVivo12.0 軟件對視頻內(nèi)容進行轉(zhuǎn)錄和編碼分析。首先，開放編碼將原始視頻數(shù)據(jù)分解為較小單位（如詞語、句子），為每個單位貼標簽，提取反復(fù)出現(xiàn)的核心概念，最終歸納出24 個概念范疇。其次，主軸編碼在此基礎(chǔ)上整合概念范疇，尋找其間關(guān)系，歸納為8 個主范疇：活動安全需求、社交娛樂需求、運動鍛煉需求、舒適休息需求、豐富活動需求、環(huán)境健康需求、臨時便利需求和可持續(xù)需求。最后，選擇編碼則整合主范疇，構(gòu)建社區(qū)公共空間更新的居民需求集（見圖1）。

三、基于模糊Kano模型的東王莊需求層次分析

（一）Kano 問卷設(shè)計與收集。本次問卷發(fā)放時間為2024 年5 月至2024 年6 月，共回收問卷276 份，剔除問題問卷37 份，問題問卷為某需求指標的正反兩個問題同時選擇了“滿意”或“不滿意”。因此有效問卷共239 份，回收有效率為86.59%。被試者基本信息匯總數(shù)據(jù)（見表1）中使用頻率指居民對社區(qū)公共空間的使用頻率，影響程度指居民認為社區(qū)公共空間對其生活的影響程度。

（二）模糊Kano 模型數(shù)據(jù)分析

1. 居民需求Kano 類別分析：Kano需求類別構(gòu)建了居民具體需求項目的4 個基本層次，識別各層次的項目數(shù)量和項目內(nèi)涵，可以確定社區(qū)當下所處的更新階段和更新特點。根據(jù)模糊Kano 模型分類需求的方法，對調(diào)查問卷中的24 個居民需求進行計算與統(tǒng)計，得到模糊Kano模型問卷結(jié)果分析表（表2）。共計10 個“M”基本型需求，7 個“O”期望型需求，6 個“A”興奮需求和1 個“I”無差異需求。首先，更新階段上，東王莊社區(qū)不同需求層次的項目數(shù)量總體呈現(xiàn)“金字塔”型結(jié)構(gòu)，處于基本型需求更新階段，反映了該社區(qū)的居民對生活滿意度相對正常水平較為落后。其次，更新特點上，基本需求80% 的項目內(nèi)涵涉及設(shè)施更新，故東王莊社區(qū)當下更新要以設(shè)施為導(dǎo)向滿足各層次需求。

2. Better-Worse 指數(shù)分析：Better-Worse 指數(shù)量化了需求影響居民滿意度的程度，為需求項目和需求維度的重要度排序提供了基礎(chǔ)。首先，依據(jù)公式（3）、（4），計算結(jié)果如表3、表4 所示。其次，借助數(shù)學(xué)象限分析社區(qū)更新需求[12]，第一象限對應(yīng)期望型需求，第二象限對應(yīng)基本型需求，第三象限對應(yīng)無差異需求，第四象限內(nèi)對應(yīng)興奮型需求[7]。具體操作過程為：取各指標與維度的Better-Worse 平均值為坐標原點（0.43，0.58），（0.467，0.531），坐標軸x、y 分別為Better 值和Worse 絕對值（見圖2）。

3. 居民需求重要度排序：居民需求重要度依據(jù)需求敏感度排序[13]，基于散點圖，取需求坐標點到坐標原點的距離為敏感度R。敏感度越大則該需求對居民滿意度的影響程度越大，見表5。不同需求維度下排序見表6，每個維度內(nèi)的需求指標首先按照Kano 重要度準則，其次按照敏感度排序。

（三）匯總分析。結(jié)合上述分析總結(jié)出老舊社區(qū)更新中4 個需求層次的各自特點。首先是生活習(xí)慣基本型需求，基本需求生成的核心在于居民日常生活習(xí)慣，設(shè)計可以滿足該習(xí)慣或利用基本需求創(chuàng)造新的生活行為。其次是高性價比期望型需求，期望型需求可以極大改觀居民對社區(qū)的印象，提高更新的價值，在更新資金不足時，該類需求優(yōu)先滿足。再次是高滿意度興奮型需求，興奮型需求是營造社區(qū)歸屬感，是居民對美好生活向往的具體表現(xiàn)。最后是未來需求無差異型需求，該層面需求屬于個性化需求，是未來發(fā)展中體現(xiàn)社區(qū)差異化的關(guān)鍵。

四、基于DALL.E圖像生成大模型的設(shè)計實踐

（一）基于需求重要度的DALL·E 提示詞構(gòu)建。生成式人工智能生成概念方案的關(guān)鍵在于是否有準確的“Prompt”，即設(shè)計師的“命令”。DALL-E 模型生成圖像的“命令”核心在于文字描述，相較于StableDiffusion 沒有繁雜的控制參數(shù)，使得DALL-E 適用于設(shè)計初期，幫助設(shè)計師進行設(shè)計概念的快速表達，并具有一定頭腦風(fēng)暴的作用。在實際設(shè)計應(yīng)用時，設(shè)計師需要制訂規(guī)范的提示詞結(jié)構(gòu)，以增加可操作性。

1. 基于需求重要度的提示詞框架構(gòu)建：DALL-E 的提示詞構(gòu)建具有文字化的權(quán)重控制方式。雖然DALL-E 無法像Stable Diffusion 一樣直接賦予提示詞固定數(shù)值的權(quán)重，但用戶可以通過描述的詳細程度和排列順序影響生成圖像的效果。對于重要的元素，需要優(yōu)先和多次提及，并提供詳細描述；對于次要元素，描述順序后置，簡略描述即可。

首先，研究基于表6 中W1-W8 8 個需求維度的重要度排序信息，為東王莊社區(qū)公共空間更新提出8 個層面的策略，以輔助進一步生成準確詳細的設(shè)計文字描述，為提示詞的構(gòu)建奠定基礎(chǔ)（見表7）。

其次，確定提示詞的框架結(jié)構(gòu)，增強文字描述內(nèi)容的可控性，及DALL-E圖像生成的可操作度。提示詞結(jié)構(gòu)包括主題風(fēng)格、環(huán)境和細節(jié)3部分，其中主題風(fēng)格和環(huán)境為固定描述，以確保生成的效果圖符合現(xiàn)實場景。細節(jié)部分描述物體類別、特點以及人物活動類型和姿態(tài)，是最終效果的控制變量，通過細節(jié)描述的詳細程度和文字內(nèi)容控制DALL-E 提示詞的權(quán)重和不同的設(shè)計概念效果（見表8）。

（二）基于ChatGPT 生態(tài)的DALL-E方案生成

1. 確定提示詞：確定更新策略優(yōu)先級和提示詞框架后，設(shè)計者可借助ChatGPT 生態(tài)確定DALL·E提示詞的具體文字描述。

提示詞框架中主題風(fēng)格和場地環(huán)境的內(nèi)容是固定不變，是DALL-E圖像生成的固定變量，由ChatGPT 對社區(qū)的實景圖進行描述確定，以確保DALL-E 生成的效果圖符合場地的實際環(huán)境（見圖3）。

包括場景、植物、設(shè)施等在內(nèi)的細節(jié)類文字描述是DALL-E圖像生成的控制變量，先根據(jù)設(shè)計策略確定如表8示例的內(nèi)容大綱，再利用ChatGPT 根據(jù)需求優(yōu)先級對優(yōu)先級靠前的設(shè)計要素進行細化描述，由此確定提示詞權(quán)重。例如老年人娛樂空間的優(yōu)先級較高，因此可基于提示詞框架，利用ChatGPT 將表8 中的場景描述“老人圍坐下棋”擴充為“幾位老人圍坐在有遮陽傘的木制桌椅上，正在愉快地交談，有些人在下棋，有些人在讀書或看報”。設(shè)計要素的權(quán)重越高，則對應(yīng)提示詞的細節(jié)描述越全面。

2. 方案生成：在方案生成階段，研究首先按照基本需求、期望需求、興奮需求和所有需求合并這4 個階段分別進行提示詞構(gòu)建，生成效果圖（見圖4）。經(jīng)實踐驗證，將所有需求融合到一張圖片中會導(dǎo)致主題不明確，且描述變量越多，生成效果的不確定性越大，例如第4 階段所有需求融合表達后，畫面畸變，喪失表達主體。

因此，在老舊社區(qū)更新中，采用DALL-E輔助概念設(shè)計表達時，需要將表達內(nèi)容拆分，以確保表達的準確性，和可控性。基于東王社區(qū)的更新策略，將其社區(qū)更新概念效果按照人群年齡和活動場景劃分為3 個部分，分別老年娛樂空間、老年運動空間和兒童少年的活動空間，這3部分共同構(gòu)成社區(qū)更新的完整概念方案。通過ChatGPT 生態(tài)，最終使用DALL-E生成兩個社區(qū)更新概念方案（見圖5）。

3. 方案評估：為對方案進行評估，并驗證DALL-E生成概念效果用于設(shè)計表達的可行性，采用系統(tǒng)可用性量表（System Usability Scale，簡稱SUS）對社區(qū)更新概念的用戶接受度進行問卷調(diào)研。邀請20 名老舊社區(qū)居民分別對4個概念效果進行打分，均為相同的10道題目，每題滿分5分，1分為非常不滿意，5分為非常滿意。問卷得分計算方法如下：正面問題分數(shù)為打分值減一，反面問題分數(shù)為5減去打分值，被測者最終得分為每道題分值相加再乘以2.5，最后計算每個概念效果的平均得分作為最終SUS分值（見表9）。

（三）模糊Kano模型結(jié)合DALL-E賦能老舊社區(qū)更新

1. 模糊Kano 模型構(gòu)建“人本”設(shè)計策略：模糊Kano 模型通過識別居民對需求的感受，有效分析更新重點。根據(jù)居民滿意度影響程度進行需求重要度排序，不僅促進“人本”設(shè)計策略的提出，也提高了圖像生成式人工智能表達準確度。

2.DALL-E高效表達設(shè)計概念：根據(jù)居民評估結(jié)果，方案2為最優(yōu)。兩個方案的分值均在40 分以上，表明DALL-E生成的效果圖能夠有效表達概念方案。時間上，每個方案的3 張效果圖生成時間約為38 秒左右，相比傳統(tǒng)設(shè)計過程，DALL-E顯著提高了設(shè)計的效率。

3. 模糊Kano模型結(jié)合DALL-E構(gòu)建“一站式”設(shè)計流程：社區(qū)更新設(shè)計首先需要調(diào)研居民的習(xí)慣與需求，發(fā)現(xiàn)與解決更新重點和難點，再將設(shè)計表達給社區(qū)管理者和居民，再經(jīng)反饋優(yōu)化設(shè)計。過程重點是需求調(diào)研和設(shè)計表達，而模糊Kano 模型和DALL-E 的結(jié)合解決了這兩個難點，提高了社區(qū)更新設(shè)計的效率。

結(jié)論

研究構(gòu)建了結(jié)合模糊Kano模型和DALL·E的老舊社區(qū)更新設(shè)計方法，并以東王莊社區(qū)為案例驗證了其可行性，提出了更新策略，通過DALL·E生成了概念方案。

該設(shè)計流程具有兩大優(yōu)勢：首先，相較于傳統(tǒng)調(diào)研時的耗時、耗力，定性研究得到的需求缺乏重點，模糊Kano模型通過定量分析居民對不同需求的態(tài)度，準確排序需求的重要度，從而提高設(shè)計效率和居民滿意度。其次，DALL·E能在設(shè)計初期根據(jù)設(shè)計策略生成高質(zhì)量的概念效果圖，減少設(shè)計師工作量，并提高與客戶的溝通效率。隨著人工智能的發(fā)展，設(shè)計行業(yè)的工作效率將不斷提升，賦予設(shè)計師更靈活的設(shè)計方法，使他們能夠?qū)Ｗ⒂趧?chuàng)意設(shè)計，提升設(shè)計質(zhì)量。