DOI: https://doi.org/10.1371/journal.pone.0341844
PMID: https://pubmed.ncbi.nlm.nih.gov/41616032
تاريخ النشر: 2026-01-30
المؤلف: Maya Mueller وآخرون
الموضوع الرئيسي: التخطيط الحضري والحكم
نظرة عامة
تناقش هذه الفقرة ظاهرة تجديد البناء الجديد، التي تغير بشكل كبير من مشاهد الأحياء في الولايات المتحدة، لكنها تفتقر إلى الاهتمام الأكاديمي الكافي فيما يتعلق ببيئتها المبنية. يبرز المؤلفون إمكانيات تقنيات التعلم الآلي (ML)، وخاصة نماذج رؤية الكمبيوتر التي تستخدم خوارزميات الخرائط العميقة، لتعزيز فهم التحولات الحضرية. من خلال التركيز على فيلادلفيا، استخدم الباحثون مجموعات تركيز قائمة على المجتمع لتحديد الميزات المعمارية التي تشير إلى تجديد البناء الجديد، ثم قارنوا هذه النتائج مع بيانات تصاريح البلدية.
استخدمت الدراسة نموذج ResNet-50 المعدل، محققة دقة مثيرة للإعجاب بنسبة 84.0% ودرجة منطقة تحت المنحنى (AUC) بنسبة 84.0% في تحديد التطورات الجديدة. تقدم هذه الأبحاث نهجًا مختلطًا جديدًا يجمع بفعالية بين رؤى المجتمع والذكاء الاصطناعي لتحديد سمات التجديد الخاصة بالسياقات المحلية، مما يعالج الفجوات في الأدبيات الحالية ويحسن دقة رسم الخرائط والتوقعات المتعلقة بالتجديد.
مقدمة
تناقش مقدمة ورقة البحث ظاهرة التجديد، التي تتميز بتحويل الأحياء لتلبية احتياجات السكان الأكثر ثراءً، مما يؤدي إلى تغييرات كبيرة في المشهد الحضري. بينما تعترف الأدبيات الحالية بالتغيرات في البيئة المبنية المرتبطة بالتجديد، فإنها تفتقر إلى منهجية منظمة لقياس هذه التغيرات عبر مواقع مختلفة. تقدم التطورات الأخيرة في التعلم الآلي (ML) ورؤية الكمبيوتر، وخاصة من خلال تحليل صور الشوارع التاريخية (SVI)، أدوات واعدة لرسم خرائط هذه التحولات. ومع ذلك، يشير المؤلفون إلى أن النماذج الحالية للتعلم الآلي غالبًا ما تعمل كـ “صناديق سوداء”، تفتقر إلى الشفافية في كيفية تحديدها لمؤشرات التجديد، مما يثير القلق بشأن التحيزات المحتملة ودقة مخرجاتها.
لمعالجة هذه القضايا، تؤكد الدراسة على أهمية دمج رؤى المجتمع في تطوير نماذج التعلم الآلي. من خلال إشراك مجموعات التركيز في فيلادلفيا، تهدف الباحثون إلى تحديد الخصائص المحددة لتجديد البناء الجديد – المتميزة عن التجديد التقليدي من خلال طبيعتها التي يقودها المطورون والتغييرات المعمارية المميزة بصريًا. تستخدم الدراسة نموذج ResNet-50 لتصنيف المباني بناءً على هذه المعايير المحددة من قبل المجتمع، مما يمثل نهجًا جديدًا يدمج وجهات نظر نوعية مع تحليل كمي. تسعى هذه الأبحاث ليس فقط إلى وضع منهجية لتحديد سمات التجديد المحددة إقليميًا ولكن أيضًا تهدف إلى سد الفجوة بين الأدوات التقنية والتجارب الحياتية للمجتمعات المتأثرة بالتجديد، مما يجعلها جهدًا رائدًا في هذا المجال.
الطرق
في هذه الدراسة، ركز الباحثون على مدينة فيلادلفيا، بنسلفانيا، للتحقيق في اتجاهات التجديد، مستهدفين بشكل خاص التطورات السكنية الجديدة بينما استبعدوا الاستخدامات التجارية والصناعية للأراضي. استخدموا تحليل المكونات الرئيسية (PCA) لإنشاء درجة مركبة تصنف المناطق السكانية بناءً على احتمال تجديدها، باستخدام الخصائص الاجتماعية والديموغرافية. تضمنت الدراسة التفاعل مع مجموعات الأحياء المحلية، التي قدمت رؤى نوعية من خلال مناقشات مجموعات التركيز. ربط المشاركون بشكل أساسي التجديد بالتطورات الجديدة والبناء الذي يقوده المطورون، مميزين إياه عن التجديد التقليدي المرتبط بإعادة تأهيل المساكن التاريخية. يتماشى هذا المنظور مع التقارير الصحفية التي تسلط الضوء على أحياء معينة في شمال شرق فيلادلفيا كمواقع نشطة للتجديد الجديد.
لتحديد التجديد الجديد، نفذ الباحثون نموذج خرائط عميقة باستخدام شبكة عصبية تلافيفية مكانية (SCNN) بناءً على بنية ResNet-50. بدأت المنهجية باستخدام PCA لتحديد الأحياء التي تظهر علامات اجتماعية واقتصادية للتجديد، مما أدى إلى اختيار ثلاثة أحياء مستهدفة لمجموعات التركيز. ساهمت الرؤى من هذه المجموعات في تطوير “بروتوكول الإشارات البصرية” لتحديد الخصائص التي تشير إلى التجديد في الهياكل الجديدة. بعد ذلك، جمعوا بيانات الإدخال لنموذج ResNet-50، الذي تم تدقيقه وفقًا للإشارات البصرية التي تم وضعها. كما دمجت الدراسة بيانات ترخيص وفحص فيلادلفيا (L&I) للتحقق من بياناتهم المصنفة مقابل سجلات التصاريح، مما أدى في النهاية إلى تقييم دقة وموثوقية النموذج في تحديد حالات التطوير.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تقارن النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروقات أو التأكيدات المهمة.
في هذا القسم، قد يبلغ المؤلفون عن مقاييس محددة، مثل المتوسطات، والانحرافات المعيارية، أو قيم p، لدعم استنتاجاتهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول تداعيات النتائج. بشكل عام، يخدم هذا القسم في نقل الأدلة التجريبية التي تدعم الأسئلة البحثية المطروحة في الدراسة.
المناقشة
تسلط قسم المناقشة من ورقة البحث الضوء على التطبيق المبتكر لتقنيات التعلم الآلي (ML)، وخاصة التعلم العميق، في نمذجة وتوقع التجديد. يؤكد المؤلفون أن التعلم الآلي يقدم مزايا كبيرة مقارنة بالنماذج التقليدية للانحدار من خلال تحديد الأنماط بفعالية في مجموعات بيانات كبيرة ومعقدة، مثل تلك المستمدة من التعداد، حتى في وجود فجوات في البيانات. لقد مكنت دمج نماذج رؤية الكمبيوتر، وخاصة الشبكات العصبية التلافيفية (CNNs)، الباحثين من تحليل الميزات الحضرية من خلال صور الشوارع، مما يسمح بفهم دقيق لمؤشرات التجديد، مثل تصورات الأمان والتغييرات المعمارية. ومن الجدير بالذكر أن مفهوم “الخرائط العميقة” تم تقديمه، والذي يقوم بأتمتة عملية التدقيق البصري التي كانت تُجرى تقليديًا بشكل شخصي، مما يعزز كفاءة ودقة تقييمات التجديد.
كما يوضح المؤلفون منهجيتهم، التي تجمع بين رؤى نوعية من مجموعات التركيز المجتمعية مع التحليلات الكمية، بما في ذلك تحليل المكونات الرئيسية (PCA) وشبكة عصبية تلافيفية سيامية (SCNN) لتصنيف الصور. يهدف هذا النهج إلى تحسين فهم خصائص التجديد بما يتجاوز المصطلحات العامة، مما يعزز إطار تشخيص محلي ومفصل. تكشف نتائج الدراسة عن مقاييس أداء نموذج عالية، حيث حقق SCNN دقة بنسبة 84% ودرجة منطقة تحت المنحنى (AUC) بنسبة 84%، مما يشير إلى فعاليته في التمييز بين المناطق المجددة وغير المجددة. يدعو المؤلفون إلى دمج وجهات نظر المجتمع النوعية في نماذج التعلم الآلي لضمان فهم شامل لديناميات التجديد ومعالجة التحيزات المحتملة في أداء النموذج عبر سياقات بحثية مختلفة.
DOI: https://doi.org/10.1371/journal.pone.0341844
PMID: https://pubmed.ncbi.nlm.nih.gov/41616032
Publication Date: 2026-01-30
Author(s): Maya Mueller et al.
Primary Topic: Urban Planning and Governance
Overview
This section discusses the phenomenon of new-build gentrification, which significantly alters neighborhood landscapes in the United States, yet lacks sufficient scholarly attention regarding its built environment. The authors highlight the potential of machine learning (ML) techniques, particularly computer vision models utilizing deep mapping algorithms, to enhance the understanding of urban transformations. By focusing on Philadelphia, the researchers employed community-based focus groups to identify architectural features indicative of new-build gentrification, subsequently comparing these findings with municipal permit data.
The study utilized a fine-tuned ResNet-50 model, achieving an impressive 84.0% accuracy and an 84.0% Area Under the Curve (AUC) score in identifying new-build developments. This research presents a novel mixed-methods approach that effectively combines community insights with artificial intelligence to pinpoint gentrification traits specific to local contexts, thereby addressing gaps in existing literature and improving the accuracy of gentrification mapping and projections.
Introduction
The introduction of the research paper discusses the phenomenon of gentrification, characterized by the transformation of neighborhoods to cater to wealthier populations, leading to significant alterations in the urban landscape. While existing literature acknowledges the built environment’s changes associated with gentrification, it lacks a systematic methodology for measuring these changes across different locales. Recent advancements in machine learning (ML) and computer vision, particularly through the analysis of historical Street View Imagery (SVI), offer promising tools for mapping these transformations. However, the authors note that current ML models often operate as “black boxes,” lacking transparency in how they identify gentrification indicators, which raises concerns about potential biases and the accuracy of their outputs.
To address these issues, the study emphasizes the importance of incorporating community insights into the development of ML models. By engaging focus groups in Philadelphia, the researchers aim to identify specific characteristics of new-build gentrification—distinguished from classic gentrification by its developer-led nature and visually distinct architectural changes. The study employs the ResNet-50 model to categorize buildings based on these community-defined criteria, marking a novel approach that integrates qualitative perspectives with quantitative analysis. This research not only seeks to establish a methodology for identifying regionally specific gentrification traits but also aims to bridge the gap between technical tools and the lived experiences of communities affected by gentrification, making it a pioneering effort in the field.
Methods
In this study, the researchers focused on the City of Philadelphia, Pennsylvania, to investigate trends of gentrification, specifically targeting residential new-build developments while excluding commercial and industrial land uses. They employed Principal Components Analysis (PCA) to create a composite score that ranks census tracts based on their likelihood of gentrification, utilizing sociodemographic characteristics. The study involved engaging with local neighborhood groups, which provided qualitative insights through focus group discussions. Participants predominantly linked gentrification to new-build developments and developer-led construction, contrasting it with traditional gentrification associated with the rehabilitation of historic housing. This perspective aligns with journalistic reports highlighting specific neighborhoods in Northeast Philadelphia as active sites of new-build gentrification.
To identify new-build gentrification, the researchers implemented a deep mapping model using a Spatial Convolutional Neural Network (SCNN) based on ResNet-50 architecture. The methodology began with PCA to pinpoint neighborhoods showing socioeconomic signs of gentrification, leading to the selection of three target neighborhoods for focus groups. Insights from these groups informed the development of a “Visual cue protocol” to identify gentrification-indicative characteristics of new-build structures. Subsequently, they compiled input data for the ResNet-50 model, which was audited according to the visual cues established. The study also incorporated Philadelphia License and Inspection (L&I) data to validate their labeled data against permit records, ultimately assessing the model’s accuracy and reliability in identifying development cases.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against the hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report specific metrics, such as means, standard deviations, or p-values, to support their conclusions. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the findings. Overall, this section serves to communicate the empirical evidence that underpins the research questions posed in the study.
Discussion
The discussion section of the research paper highlights the innovative application of machine learning (ML) techniques, particularly deep learning, in modeling and predicting gentrification. The authors emphasize that ML offers significant advantages over traditional regression models by effectively identifying patterns in large and complex datasets, such as those from the Census, even in the presence of data gaps. The integration of computer vision models, specifically Convolutional Neural Networks (CNNs), has enabled researchers to analyze urban features through street-level imagery, allowing for a nuanced understanding of gentrification indicators, such as safety perceptions and architectural changes. Notably, the concept of “deep mapping” is introduced, which automates the process of visual audits traditionally conducted in-person, thus enhancing the efficiency and accuracy of gentrification assessments.
The authors also detail their methodology, which combines qualitative insights from community focus groups with quantitative analyses, including Principal Components Analysis (PCA) and a Siamese Convolutional Neural Network (SCNN) for image classification. This approach aims to refine the understanding of gentrification characteristics beyond generic terms, fostering a more localized and detailed diagnostic framework. The study’s findings reveal high model performance metrics, with the SCNN achieving an accuracy of 84% and an Area Under the Curve (AUC) score of 84%, indicating its effectiveness in distinguishing between gentrified and non-gentrified areas. The authors advocate for the integration of qualitative community perspectives into ML models to ensure a comprehensive understanding of gentrification dynamics and to address potential biases in model performance across different research contexts.