1. 项目背景与核心创新
在费城的街角巷尾,一场关于"谁有权定义城市变迁"的静默革命正在发生。传统城市规划研究中,绅士化(Gentrification)的识别往往依赖于冰冷的人口普查数据或市政档案,而这项研究却选择了一条截然不同的路径——让社区居民成为机器学习模型的"老师"。
研究团队发现,当算法仅依赖学术文献中的理论指标时,往往会错过最具地域特色的真实变化。比如在费城,涂鸦可能是社区艺术的表达而非衰败象征,路边零散垃圾也不一定与贫困程度直接相关。这种认知偏差促使团队转向社区参与式研究(Community-Based Participatory Research, CBPR)方法,邀请长期居住者共同定义什么是他们眼中的"绅士化建筑特征"。
关键突破点:这项研究的核心创新不在于模型架构本身,而在于数据标注流程的民主化。通过将特征定义权交给社区居民,算法得以学习到教科书上找不到的地域性知识。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术实现路径详解
2.1 社区知识采集流程
研究团队在Port Richmond、Tacony和Norris Square三个社区组织了焦点小组,参与者多为居住超过20年的中老年女性群体。这些"社区专家"通过以下方式贡献知识:
-
视觉特征提取工作坊:
- 展示新旧街景对比照片
- 引导参与者用具体语言描述变化(如"黑色窗框"、"三层突兀高度")
- 集体讨论形成特征清单
-
地标标注实践:
- 参与者实地指认典型绅士化建筑
- 研究者记录GPS坐标与视觉特征
- 建立带地理标签的样本库
-
语义验证环节:
- 将学术术语翻译为社区语言(如将"现代主义建筑风格"转化为"像医院一样的方盒子")
- 确保特征描述与居民认知一致
2.2 数据准备与清洗
团队处理了170万张谷歌街景图像,最终筛选出1040组有效图像对。这个看似简单的数字背后是严苛的数据清洗流程:
| 清洗步骤 | 处理方式 | 淘汰比例 |
|---|---|---|
| 时间匹配 | 确保同一地点2009-2013 vs 2017-2021时段的配对 | 32% |
| 视角校正 | 统一街景视角与倾斜度 | 18% |
| 遮挡处理 | 剔除车 |
