《住房多样性意味着多样化的住房》：将生成式AI融入农村共居社区的 speculative design（推测性设计）

研究背景与问题

作者发现了哪些问题或挑战？

1. 环境和社会问题复杂性：环境可持续性问题已发展为“棘手问题”，需要通过多方利益相关者的合作探索解决路径。
2. 对共居社区未来愿景的了解有限：现有研究主要侧重于观察共居社区现有的实践行为，而忽视了社区成员如何规划和设想未来。
3. 技术主导的可持续性设计局限：传统的技术驱动解决方案往往过于注重行为指标，而忽略了复杂性和相关价值观。

为什么这个问题很重要？

1. 应对全球挑战：共居社区在资源共享、社会凝聚力和生态再生方面具有独特优势，能够为实现可持续发展提供创新模式。
2. 推动社会变革：探索未来共居模式不仅有助于解决住房问题，还能改变社会对住宅模式和资源分配的传统认知。

研究动机与相关工作

1. 作者着眼于通过将生成式人工智能 (Generative AI, GenAI) 融入推测性设计，来激发对共居社区未来的多元思考。推测性设计方法以提出问题为核心，避免简化复杂问题。
2. 参考既有研究，作者尝试超越传统“说服技术”的可持续性研究方法，鼓励开放对话和情境化理解。
3. 作者希望回答以下研究问题：
   • RQ1: GenAI如何帮助揭示社区成员行为背后的价值观和动机？
   • RQ2: 这些研究发现对支持可持续性的人机交互 (HCI) 设计有哪些重要启示？

解决方案

作者提出了哪些方法或解决方案？

1. 设计推测性工具：开发了一个结合生成式人工智能的工具，用于帮助社区成员设想未来情境。

2. 研究设计阶段：将工作坊分成三个阶段：

   • 发现问题与经验（Uncovering Challenges and Experiences）
   • 生成人工智能生成的场景并进行讨论（Generating Scenarios and Discussions）
   • 反向演绎与提问（Backcasting and Provocation）

3. 工具实现：创建了一个在线平台，结合大型语言模型（如OpenAI GPT-3.5）和扩散模型（Midjourney）进行文本描述与图像生成。

该解决方案的创新之处是什么？

1. 生成式AI加持：
   • 借助AI生成未来社区情境的文本与视觉化内容。
   • 提供迭代修改生成内容的功能，增强参与者的交互性。
2. 人本与情景设计：
   • 将特定社区成员（如长期居民、活动家）的观点纳入设计过程。
   • 强调从个人动机和情感出发探讨可持续发展。

实施步骤是什么？

1. 征集参与者：研究涉及14名参与者，其中包括共居社区的长期居民和倡导者。
2. 工具使用：参与者通过输入关键词和描述生成未来情境，并通过讨论进行微调。
3. 探索反向演绎：参与者回溯当前如何实现理想场景，提出反思性问题。

研究成果

取得了哪些具体成果？

1. 提炼了五个核心主题：

   • 多样化的住宅形式：挑战传统的固定化住宅模式，探索移动住宅形式（例如房车、拱形小屋）。
   • 冲突作为成长的契机：将社区间冲突视为学习和建立信任的机会。
   • 去中心化的小型实体：通过小规模生产和共享设施实现资源的高效利用。
   • 被社会接受：通过与邻里社区的互动和活动赢得认知和支持。
   • 减少结构化约束，关注本质：注重通过基础价值优化资源分配和设计过程。

2. 强调生成式AI在支持社区成员构思未来情境中的潜力，如视觉化复杂理念、启发讨论等。

与现有解决方案相比，它有哪些优势？

1. 推测性设计工具借助AI技术能够快速生成情境，扩展参与者的视野。
2. 通过鼓励开放讨论和质疑现有规则，打破传统解决方案的局限性。
3. 强调个人故事和情感在可持续性设计中的作用，而非仅依赖宏观模式。

实验或评估结果是什么？

1. 大多数参与者利用 GenAI 创建了结合个人经验与对社会文化反思的未来社区情境。
2. 在设计工作坊中，通过解码AI生成的文本和图像，参与者深化了对可持续性和社区设计的理解。

局限性与未来方向

1. 局限性：

   • 主要参与者是澳大利亚偏远地区居民，样本多为50岁以上，可能限制了观点多样性。
   • 研究主要涉及情境设计，尚未扩展到现实原型开发。
   • 初始生成场景的同质性有时缺乏创意源。

2. 未来方向：

   • 在更广泛的地理区域和年龄段中开展研究。
   • 探讨如何将 LLM 与上下文信息集成以改进生成结果的相关性。
   • 从社区情境中开发具体现实意义的技术和工具原型。

通过以上研究，作者为共居社区的设计提供了充满潜力的框架，并展示了生成式AI在推动情景探索和激发可持续发展新思路方面的重要作用。