DOI: https://doi.org/10.1038/s41598-025-34099-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41547978
تاريخ النشر: 2026-01-17
المؤلف: Christopher Kmen وآخرون
الموضوع الرئيسي: سوق الإسكان والاقتصاد
نظرة عامة
تتناول الدراسة التحديات المتعلقة بالتنبؤ بدقة بأسعار العقارات في ظل ظروف السوق الديناميكية، مقارنة أداء نموذج التعلم الآلي القائم على XGBoost، وخبراء العقارات، ونهج الهجين بين الإنسان والآلة. باستخدام مجموعة بيانات تضم 21,736 معاملة من فيينا (2018-2022)، شملت الأبحاث 13 خبيرًا يقيمون الشقق الجديدة المبنية في عام 2023 تحت ظروف متغيرة. تشير النتائج إلى أن دقة التنبؤ للنموذج الآلي قابلة للمقارنة مع تلك الخاصة بالخبراء البشريين مع تقليل الوقت المطلوب للتقييمات بشكل كبير. ومن الجدير بالذكر أن النهج الهجين حقق أعلى دقة، مما يبرز الفوائد المحتملة للتعاون بين الحدس البشري والتعلم الآلي.
تؤكد الاستنتاجات على فعالية النموذج كأداة لدعم القرار، على الرغم من أن التحديات لا تزال قائمة في التنبؤ بدقة بالعقارات الشاذة. تقترح الدراسة أنه بينما يعد حدس الخبراء والمعرفة المحلية أمرين حاسمين، فإن دمج مساعدة النموذج يمكن أن يعزز التنبؤات، خاصة في السيناريوهات المعقدة. يجب أن تركز الأبحاث المستقبلية على تحسين معالجة النموذج للبيانات غير النمطية، وزيادة عدد المشاركين للحصول على رؤى أوسع، ودمج المعلومات المرئية والسياقية لتتوافق بشكل أفضل مع تقييمات الخبراء. بالإضافة إلى ذلك، فإن فهم التفاعل بين ثقة الخبراء ودقة النموذج أمر ضروري لتحسين اتخاذ القرار الهجين في توقعات أسعار العقارات.
مقدمة
تناقش مقدمة ورقة البحث الطبيعة المتطورة لسوق العقارات، المتأثرة بالتقلبات الاقتصادية على مدى العقدين الماضيين. تلبي العقارات احتياجات الإسكان الأساسية بينما تعمل أيضًا كأداة استثمارية مهمة، مما يجعلها محور اهتمام وسائل الإعلام والبحث الأكاديمي. تؤكد الورقة على ضرورة استمرار البحث لفهم ديناميات السوق وتحسين أدوات التنبؤ بأسعار العقارات. وضعت النماذج التاريخية، مثل “الجدول الاقتصادي” لفرانسوا كيناي والسجل العقاري الجوزيفيني، الأساس لتقنيات التقييم الحديثة، مع ظهور نموذج السعر الهيدوني (HPM) في منتصف السبعينيات كخطوة تطويرية محورية.
تُبرز نماذج HPM لتطبيقاتها العملية في تقييم العقارات، وغالبًا ما يستخدمها المحترفون لتحديد المعايير. لقد تقدم إدخال التعلم الآلي والتعلم العميق في نمذجة التنبؤ في العقارات، مع ظهور منهجيات جديدة تكمل أو تعزز نماذج HPM التقليدية. ومع ذلك، تشير الورقة إلى التحديات في استخدام بيانات المعاملات التاريخية للتنبؤات المستقبلية الدقيقة، مما يثير تساؤلات حول الفعالية العملية لهذه النماذج. كما تؤكد على أهمية التحقق من التنبؤات واستكشاف التعاون بين الخبرة البشرية والذكاء الاصطناعي في اتخاذ قرارات العقارات.
طرق
تحدد هذه القسم الطرق التجريبية المستخدمة في الدراسة، مع التأكيد على أهمية وضع التعاون بين الإنسان والذكاء الاصطناعي في سياق تقييم العقارات. تشير إلى الأبحاث السابقة حول الحكم البشري، وخاصة تأثير التثبيت، الذي يؤثر بشكل كبير على تقييم العقارات. من الجدير بالذكر أن الدراسات السابقة أظهرت أن نقاط السعر الأولية يمكن أن تحرف التقديرات النهائية للمشاركين، وهو تحيز معرفي يستمر حتى في البيئات الغنية بالبيانات. ومع ذلك، ينتقد القسم الأبحاث الحالية بسبب قيودها المنهجية، وخاصة في ممارسات التحقق وواقعية التصاميم التجريبية، التي غالبًا ما تفشل في عكس ظروف السوق الفعلية.
تم هيكلة التصميم التجريبي حول إطار مفاهيمي يتضمن ثلاثة شروط لتقييم أداء الخبراء البشريين مقابل نماذج التعلم الآلي في التنبؤ بأسعار العقارات. توضح المنهجية إعداد تجربة الموضوع البشري، بما في ذلك اختيار المشاركين، والمواد، والإجراءات، مع معالجة التحديات التصميمية وتنفيذ تدابير الأمان لتعزيز الواقعية وتقليل التحيز. كما تم تحديد مقاييس التقييم – الدقة، والجهد، وكفاءة الوقت – لضمان تقييم شامل للنتائج التجريبية. استخدمت الدراسة استبيانًا قائمًا على LimeSurvey، مما سهل جمع البيانات من خلال أجهزة الكمبيوتر المكتبية للمشاركين، وهو أمر أساسي لمحاكاة بيئة عمل واقعية.
نتائج
تُعرض نتائج الدراسة من خلال تحليلات كمية ونوعية، تركز على أداء الخبراء البشريين مقارنة بنموذج تنبؤ عبر ثلاثة شروط تجريبية. في التحليل الكمي، تم تقييم التكرار الذي تفوق فيه الخبراء على النموذج باستخدام متوسط نسبة الخطأ المطلق (MAPE) كمقياس. في الشرط A، تفوق الخبراء على النموذج في 37% من الحالات، وهو ما كان متوقعًا بسبب طبيعة المهمة الصعبة. في الشرط B، تجاوز الخبراء النموذج في 46% من الحالات، مما يشير إلى موثوقية النموذج في توليد تنبؤات دقيقة. ومن الجدير بالذكر أنه في الشرط C، تفوق الخبراء على النموذج 55% من الوقت، مما يشير إلى أن النموذج دعم اتخاذ القرار بشكل فعال. بشكل عام، تبرز هذه النتائج الأداء المحسن الذي تم تحقيقه من خلال نهج هجين يجمع بين حكم الخبراء ومساعدة النموذج.
يعمل التحليل النوعي على تحسين تفسير أخطاء التنبؤ من خلال اقتراح إطار جديد لتصنيفات MAPE، مما يوفر مزيدًا من التفاصيل مقارنة بالفئات التقليدية. يتم وضع نتائج الدراسة في سياق أربعة أسئلة بحثية، مما يكشف أن نموذج XGBoost أظهر دقة قابلة للمقارنة أو متفوقة على الخبراء البشريين عندما تم تزويده بمعلومات منظمة. ومع ذلك، فإن التباين في أداء الخبراء يبرز أهمية الحكم الفردي والعوامل السياقية. بالإضافة إلى ذلك، أسفر التعاون بين الخبراء والنموذج عن نتائج مختلطة، مما يشير إلى أن فعالية المساعدة الآلية تتأثر بتجربة المستخدم، والثقة، والتوافق مع سير العمل الحالي.
مناقشة
في هذا القسم، تناقش الأبحاث دمج نموذج تنبؤ لتقدير أسعار العقارات مع تقييمات الخبراء، بهدف ربط التطبيقات النظرية والعملية في هذا المجال. تستخدم الدراسة تصميمًا ضمنيًا يتضمن 13 خبيرًا في العقارات لاستكشاف أسئلة رئيسية تتعلق بأداء النموذج مقارنة بالخبراء البشريين تحت ظروف محكومة. تركز التحقيقات على مدى فعالية النموذج في التنبؤ بالأسعار عندما يكون لكل من النموذج والخبراء الوصول إلى نفس البيانات الأساسية، والفوائد المحتملة للتعاون بين النموذج والخبراء، وتأثير التعلم الآلي على كفاءة المهام ومستويات الضغط.
تسلط مراجعة الأدبيات الضوء على ثلاثة مجالات حاسمة ذات صلة باتخاذ القرار المدعوم بالذكاء الاصطناعي في العقارات: أهمية التعاون بين الإنسان والذكاء الاصطناعي، وتخفيف الأخطاء، والتوازن بين الخبرة البشرية وتنبؤات الذكاء الاصطناعي. تؤكد على أن الشفافية وقابلية تفسير أنظمة الذكاء الاصطناعي أمران حيويان لتعزيز الثقة والتعاون الفعال. تهدف الدراسة إلى معالجة نقص الأبحاث التجريبية في توقع أسعار العقارات من خلال إجراء تجارب تقيم دقة نموذج XGBoost مقابل التنبؤات البشرية، بينما تستكشف أيضًا تأثيرات التعاون على عمليات اتخاذ القرار. من المتوقع أن توفر النتائج رؤى حول كيفية تعزيز الذكاء الاصطناعي لحكم الخبراء وتحسين اتخاذ القرار بشكل عام في تقييم العقارات.
DOI: https://doi.org/10.1038/s41598-025-34099-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41547978
Publication Date: 2026-01-17
Author(s): Christopher Kmen et al.
Primary Topic: Housing Market and Economics
Overview
The study addresses the challenges of accurately predicting real estate prices amidst dynamic market conditions, comparing the performance of an XGBoost-based machine learning (ML) model, real estate experts, and a hybrid human-machine approach. Utilizing a dataset of 21,736 transactions from Vienna (2018-2022), the research involved 13 experts evaluating newly built apartments in 2023 under varying conditions. Findings indicate that the ML model’s predictive accuracy is comparable to that of human experts while significantly reducing the time required for assessments. Notably, the hybrid approach yielded the highest accuracy, highlighting the potential benefits of collaboration between human intuition and machine learning.
The conclusions emphasize the model’s effectiveness as a decision-support tool, although challenges remain in accurately predicting outlier properties. The study suggests that while expert intuition and local knowledge are crucial, integrating model assistance can enhance predictions, particularly in complex scenarios. Future research should focus on refining the model’s handling of atypical data, expanding participant numbers for broader insights, and incorporating visual and contextual information to better align with expert evaluations. Additionally, understanding the interplay between expert confidence and model accuracy is essential for optimizing hybrid decision-making in real estate price predictions.
Introduction
The introduction of the research paper discusses the evolving nature of the real estate market, influenced by economic fluctuations over the past two decades. Real estate fulfills essential housing needs while also serving as a significant investment vehicle, making it a focal point for both media and academic inquiry. The paper emphasizes the necessity for ongoing research to understand market dynamics and improve predictive tools for property prices. Historical models, such as François Quesnay’s “Tableau Économique” and the Josephinian Cadastre, laid the groundwork for modern valuation techniques, with the hedonic price model (HPM) emerging in the mid-1970s as a pivotal development.
HPMs are highlighted for their practical applications in property valuation, often used by professionals to establish benchmarks. The introduction of machine learning and deep learning has further advanced predictive modeling in real estate, with new methodologies emerging that either complement or enhance traditional HPMs. However, the paper notes challenges in utilizing historical transactional data for accurate future predictions, raising questions about the practical effectiveness of these models. It also underscores the importance of validating predictions and exploring the collaboration between human expertise and AI in real estate decision-making.
Methods
The section outlines the experimental methods employed in the study, emphasizing the importance of contextualizing human-AI collaboration within the realm of real estate valuation. It references prior research on human judgment, particularly the anchoring effect, which significantly influences property valuation. Notably, earlier studies demonstrated that initial price anchors can skew participants’ final estimates, a cognitive bias that persists even in data-rich environments. However, the section critiques existing research for its methodological limitations, particularly in validation practices and the realism of experimental designs, which often fail to reflect actual market conditions.
The experimental design is structured around a conceptual framework that includes three conditions to assess the performance of human experts versus machine learning models in predicting real estate prices. The methodology details the setup of the human subject experiment, including participant selection, materials, and procedures, while addressing design challenges and implementing safeguards to enhance realism and reduce bias. The evaluation metrics—accuracy, effort, and time efficiency—are also specified, ensuring a comprehensive assessment of the experimental outcomes. The study utilized a LimeSurvey-based questionnaire, facilitating data collection through participants’ office computers, which was essential for simulating a realistic work environment.
Results
The results of the study are presented through both quantitative and qualitative analyses, focusing on the performance of human experts compared to a predictive model across three experimental conditions. In the quantitative analysis, the frequency with which experts outperformed the model was assessed using Mean Absolute Percentage Error (MAPE) as a metric. In Condition A, experts outperformed the model in 37% of cases, which was anticipated due to the challenging nature of the task. In Condition B, experts surpassed the model in 46% of instances, indicating the model’s reliability in generating accurate predictions. Notably, in Condition C, experts outperformed the model 55% of the time, suggesting that the model effectively supported decision-making. Overall, these findings highlight the enhanced performance achieved through a hybrid approach that combines expert judgment with model assistance.
The qualitative analysis further refines the interpretation of prediction errors by proposing a new framework for MAPE classifications, which offers greater granularity than traditional categories. The study’s findings are contextualized within four research questions, revealing that the XGBoost model demonstrated comparable or superior accuracy to human experts when provided with structured information. However, the variability in expert performance underscores the importance of individual judgment and contextual factors. Additionally, the collaboration between experts and the model yielded mixed outcomes, indicating that the effectiveness of automated assistance is influenced by user experience, trust, and compatibility with existing workflows.
Discussion
In this section, the research discusses the integration of a predictive model for real estate price estimation with expert evaluations, aiming to bridge theoretical and practical applications in the field. The study employs a within-subject design involving 13 real estate experts to explore key questions regarding the model’s performance compared to human experts under controlled conditions. The investigation focuses on how effectively the model predicts prices when both the model and experts have access to the same foundational data, the potential benefits of collaboration between the model and experts, and the impact of machine learning on task efficiency and stress levels.
The literature review highlights three critical strands relevant to AI-assisted decision-making in real estate: the importance of human-AI collaboration, error mitigation, and the balance between human expertise and AI predictions. It emphasizes that transparency and interpretability of AI systems are vital for fostering trust and effective collaboration. The study aims to address the lack of empirical research in real estate price prediction by conducting experiments that evaluate the XGBoost model’s accuracy against human predictions, while also examining the effects of collaboration on decision-making processes. The findings are expected to provide insights into how AI can enhance expert judgment and improve overall decision-making in real estate valuation.