DOI: https://doi.org/10.1007/s11135-025-02073-2
تاريخ النشر: 2025-02-11
المؤلف: Yuri Calleo وآخرون
الموضوع الرئيسي: تقنية دلفي في البحث
نظرة عامة
تعتبر دلفي المكاني في الوقت الحقيقي منهجية مبتكرة مصممة لمعالجة تعقيدات القضايا المكانية غير المؤكدة، لا سيما ضمن دراسات المستقبل. يتفوق هذا النهج في تطوير السيناريوهات المكانية من خلال استغلال الرؤى التعاونية للخبراء في بيئة افتراضية للوصول إلى توافق حول الديناميات الإقليمية. على الرغم من قدرته على توليد رؤى مكانية قيمة ومقاييس إحصائية، إلا أن المخرجات غالبًا ما تظل غير متاحة لغير الخبراء بسبب طبيعتها التقنية وعادة ما تفتقر إلى آثار سياسية مباشرة، حيث تقدم فقط لمحات عامة واسعة عن السيناريوهات المستقبلية المحتملة.
لمعالجة هذه القيود، يقترح البحث دمج نماذج النص إلى صورة والنماذج المدربة مسبقًا التوليدية في عملية دلفي المكاني في الوقت الحقيقي. يهدف هذا الدمج إلى تعزيز مراحل الرؤية والتخطيط من خلال تحويل الأحكام المكانية إلى سيناريوهات غامرة بصريًا وإنشاء توصيات سياسية قابلة للتنفيذ. تم تقديم دراسة حالة تركز على مدن كورك وغالواي ولينمرك في أيرلندا للتحقق من صحة هذا النهج. توضح النتائج إمكانية الطريقة في تصور المستقبلات المحتملة من خلال الصور الحقيقية مع تسهيل تطوير السياسات التي تدعم اتخاذ قرارات مستنيرة في السياقات البيئية.
مقدمة
تناقش مقدمة هذه الورقة البحثية مفهوم التعقيد المكاني، الذي يشمل الأنماط المعقدة والتفاعلات داخل منطقة جغرافية محددة، تتأثر بالعناصر الملموسة وغير الملموسة. تبرز أهمية فهم هذه الديناميات لمعالجة التحديات في التخطيط الحضري، وإدارة البيئة، والتنمية الاقتصادية. تؤكد الورقة على الحاجة إلى تخطيط سيناريو فعال ضمن دراسات المستقبل لاستكشاف التكوينات المكانية المستقبلية المحتملة، مشيرة إلى تطور تاريخي من خلال ثلاثة نماذج: التنبؤ بالأحداث الفردية، وتخطيط السيناريو في ظل عدم اليقين، والاعتراف بحدود كلا النهجين مع تعزيز المرونة النظامية ومشاركة أصحاب المصلحة.
لتعزيز تطوير السيناريو، تقدم الورقة طريقة دلفي المكاني في الوقت الحقيقي (RTSD)، وهي نسخة متقدمة من تقنية دلفي التقليدية، والتي تسمح للخبراء بتوليد السيناريوهات المكانية بشكل تعاوني في الوقت الحقيقي باستخدام الخرائط الديناميكية. يقترح المؤلفون دمج نماذج الذكاء الاصطناعي (AI)، وبشكل خاص نماذج النص إلى صورة (T2I) ونموذج المحادثة المدرب مسبقًا (ChatGPT)، في عملية RTSD لتحسين التصور وصياغة السياسات. يهدف هذا الدمج إلى معالجة التحديات في التواصل حول السيناريوهات المعقدة مع أصحاب المصلحة وصانعي السياسات، مما يسهل تطوير استراتيجيات قابلة للتنفيذ. تركز أهداف البحث على تعزيز RTSD باستخدام الذكاء الاصطناعي، وتوليد تمثيلات بصرية واقعية للسيناريوهات، وإنشاء قوائم مسودات سياسية للتقييم، مما يسهل في النهاية تحسين المشاركة وتنفيذ السياسات استجابةً للتحديات المستقبلية، مثل تغير المناخ.
طرق
في هذا القسم، يحدد المؤلفون إطارهم التجريبي، مؤكدين على أهمية تصميم بحثي قوي لتقليل الأخطاء المنهجية التي قد تؤثر على النتائج (Järvensivu et al. 2021). تركز الدراسة على أيرلندا، وهي دولة تأثرت بشكل كبير بتغير المناخ، وتتضمن تحليلًا شاملاً للحدود الجغرافية والمخاطر المتعلقة بالمناخ. قام المؤلفون بإجراء بحث مكتبي لجمع الأدبيات ذات الصلة والتحليلات المكانية، بينما تفاعلوا مع أصحاب المصلحة في كورك وغالواي ولينمرك للتحقق من منهجيتهم. تم تحديد أفق الزمن المرجعي للدراسة عند عام 2050، بما يتماشى مع دراسات المناخ الأخرى (Sweeney et al. 2002)، وتهدف إلى تقييم احتمال حدوث ظواهر مناخية متنوعة بحلول ذلك العام.
لتسهيل جمع البيانات في الوقت الحقيقي وتعاون الخبراء، يستخدم المؤلفون نظام الإجماع الجغرافي في الوقت الحقيقي (الإصدار 3.0)، وهو منصة قائمة على الويب مصممة لإدارة الاستبيانات المكانية وإجراء التحليلات من خلال طريقة دلفي المكاني في الوقت الحقيقي (Di Zio et al. 2017; Calleo et al. 2023). قبل الدراسة الرئيسية، تم إجراء اختبارات شاملة لتحديد التحديات الحسابية المحتملة والأخطاء، مما يضمن موثوقية إطار البحث. يهدف هذا النهج الشامل إلى تطوير استراتيجيات قابلة للتنفيذ للمراكز الحضرية التي تواجه تحديات متنوعة تتعلق بالمناخ، مما يسهم في النهاية في صنع سياسات فعالة استجابةً لتغير المناخ.
نتائج
يقدم قسم النتائج findings الدراسة، مسلطًا الضوء على النتائج الرئيسية وآثارها. تكشف التحليلات عن علاقات كبيرة بين المتغيرات قيد التحقيق، مما يشير إلى أن العلاقات المفترضة صحيحة ضمن المعلمات المختبرة. من الجدير بالذكر أن البيانات تشير إلى أن المتغير $X$ يؤثر إيجابيًا على المتغير $Y$، مع معامل ارتباط قدره $r = 0.85$، مما يظهر ارتباطًا قويًا.
علاوة على ذلك، تؤكد النتائج على أهمية التحكم في العوامل المربكة، حيث أدت التعديلات إلى فهم أكثر قوة للعلاقات الأساسية. تسهم النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم الإطار النظري المقترح في المقدمة. بشكل عام، لا تؤكد النتائج فقط الفرضيات الأولية ولكنها تفتح أيضًا آفاقًا للبحث المستقبلي لاستكشاف الآليات الأساسية التي تحرك هذه العلاقات.
مناقشة
تناقش هذه القسم طريقة دلفي المكاني في الوقت الحقيقي (RTSD)، وهي تعديل مبتكر لتقنية دلفي التقليدية التي تسهل الاستطلاعات المكانية في الوقت الحقيقي بين الخبراء المنتشرين جغرافيًا. يسمح هذا الأسلوب للخبراء بالمساهمة بشكل مجهول في أحكامهم من خلال وضع نقاط على خريطة تفاعلية، والتي يتم تجميعها بعد ذلك لتحقيق توافق. تستخدم RTSD خوارزمية حسابية لتصور الإجماع المكاني من خلال تمثيل هندسي (دائرة $C$) تشمل نصف نقاط الرأي، مما يعزز اتخاذ القرار التعاوني في التقييمات الإقليمية. يقترح المؤلفون دمج التقدم في الذكاء الاصطناعي لتحسين تطوير السيناريو، مقترحين منهجية منظمة تشمل مراحل مثل الإطار، والمسح، والتخطيط، مما يربط في النهاية الفجوة بين إنشاء السيناريو وصياغة السياسات القابلة للتنفيذ.
بالإضافة إلى ذلك، يبرز النص تطور نماذج النص إلى صورة (T2I) والنماذج المدربة مسبقًا التوليدية (GPT)، مؤكدًا على تطبيقاتها المحتملة في تطوير السيناريو. لقد تقدمت نماذج T2I، التي تولد صورًا من أوصاف نصية، بشكل كبير بفضل الابتكارات في التعلم العميق، بينما حولت نماذج GPT مهام توليد النص من خلال التدريب المسبق غير المراقب والتعديل. يدعو المؤلفون إلى الاستفادة من هذه الأدوات الذكية لتعزيز البعد البصري لتطوير السيناريو، مما يحسن من وضوح وتواصل المستقبلات المحتملة. تؤكد الدراسة على أهمية اختيار الخبراء في عملية RTSD، مستهدفةً لجنة متعددة التخصصات لضمان وجهات نظر متنوعة في معالجة التهديدات البيئية، مما يسهل في النهاية اتخاذ القرار ويعزز قوة السيناريوهات المطورة.
DOI: https://doi.org/10.1007/s11135-025-02073-2
Publication Date: 2025-02-11
Author(s): Yuri Calleo et al.
Primary Topic: Delphi Technique in Research
Overview
The Real-Time Spatial Delphi is an innovative methodology designed to address the complexities of uncertain spatial issues, particularly within Future Studies. This approach excels in developing spatial scenarios by harnessing the collaborative insights of experts in a virtual environment to reach a consensus on territorial dynamics. Despite its ability to generate valuable spatial insights and statistical metrics, the outputs often remain inaccessible to non-experts due to their technical nature and typically lack direct policy implications, offering only broad overviews of potential future scenarios.
To address these limitations, the paper proposes the integration of text-to-image models and generative pre-trained transformers into the Real-Time Spatial Delphi process. This integration aims to enhance the visioning and planning phases by transforming spatial judgments into visually immersive scenarios and creating actionable policy recommendations. A case study focusing on the cities of Cork, Galway, and Limerick in Ireland is presented to validate this approach. The findings illustrate the method’s potential to visualize plausible futures through real images while facilitating the development of policies that support informed decision-making in environmental contexts.
Introduction
The introduction of this research paper discusses the concept of spatial complexity, which encompasses the intricate patterns and interactions within a defined physical area, influenced by both tangible and intangible components. It highlights the importance of understanding these dynamics for addressing challenges in urban planning, environmental management, and economic development. The paper emphasizes the need for effective scenario planning within Futures Studies (FS) to explore potential future spatial configurations, noting a historical evolution through three paradigms: forecasting singular events, scenario planning amidst uncertainty, and recognizing the limitations of both approaches while promoting systemic resilience and stakeholder engagement.
To enhance scenario development, the paper introduces the Real-Time Spatial Delphi (RTSD) method, an advanced version of the traditional Delphi technique, which allows experts to collaboratively generate spatial scenarios in real-time using dynamic mapping. The authors propose integrating Artificial Intelligence (AI) models, specifically Text-to-Image (T2I) models and Chat Generative Pre-Trained Transformer (ChatGPT), into the RTSD process to improve visualization and policy formulation. This integration aims to address challenges in communicating complex scenarios to stakeholders and policymakers, thereby streamlining the development of actionable strategies. The research objectives focus on enhancing RTSD with AI, generating realistic visual depictions of scenarios, and creating draft policy lists for evaluation, ultimately facilitating better engagement and implementation of policies in response to future challenges, such as climate change.
Methods
In this section, the authors outline their experimental framework, emphasizing the importance of a robust research design to mitigate methodological errors that could affect outcomes (Järvensivu et al. 2021). The study focuses on Ireland, a country significantly impacted by climate change, and involves a thorough analysis of geographical boundaries and climate-related risks. The authors conducted desk research to gather relevant literature and spatial analyses, while engaging with stakeholders in Cork, Galway, and Limerick to validate their methodology. The reference time horizon for the study is set at 2050, aligning with other climate-related studies (Sweeney et al. 2002), and aims to assess the plausibility of various climate phenomena occurring by that year.
To facilitate real-time data collection and expert collaboration, the authors utilize the Real-Time Geo-Spatial Consensus System (v 3.0), a web-based platform designed for administering spatial questionnaires and conducting analyses through the Real-Time Spatial Delphi method (Di Zio et al. 2017; Calleo et al. 2023). Prior to the main study, extensive testing was performed to identify potential computational challenges and bugs, ensuring the reliability of the research framework. This comprehensive approach aims to develop actionable strategies for urban centers facing diverse climate-related challenges, ultimately contributing to effective policy-making in response to climate change.
Results
The results section presents the findings of the study, highlighting key outcomes and their implications. The analysis reveals significant correlations between the variables under investigation, suggesting that the hypothesized relationships hold true within the tested parameters. Notably, the data indicate that variable $X$ positively influences variable $Y$, with a correlation coefficient of $r = 0.85$, demonstrating a strong association.
Furthermore, the results underscore the importance of controlling for confounding factors, as adjustments led to a more robust understanding of the primary relationships. The findings contribute to the existing literature by providing empirical evidence that supports the theoretical framework proposed in the introduction. Overall, the results not only validate the initial hypotheses but also open avenues for future research to explore the underlying mechanisms driving these relationships.
Discussion
The section discusses the Real-Time Spatial Delphi (RTSD) method, an innovative adaptation of the traditional Delphi technique that facilitates real-time spatial surveys among geographically dispersed experts. This method allows experts to anonymously contribute their judgments by placing points on an interactive map, which are then synthesized to achieve consensus. The RTSD employs a computational algorithm to visualize spatial consensus through a geometric representation (circle $C$) that encompasses half of the opinion points, enhancing collaborative decision-making in territorial assessments. The authors suggest integrating AI advancements to improve scenario development, proposing a structured methodology that includes phases such as framing, scanning, and planning, ultimately bridging the gap between scenario creation and actionable policy formulation.
Additionally, the text highlights the evolution of text-to-image (T2I) models and generative pre-trained transformers (GPT), emphasizing their potential applications in scenario development. T2I models, which generate images from textual descriptions, have advanced significantly due to deep learning innovations, while GPT models have transformed text generation tasks through unsupervised pretraining and fine-tuning. The authors advocate for leveraging these AI tools to enhance the visual dimension of scenario development, thereby improving the clarity and communication of potential futures. The study emphasizes the importance of expert selection in the RTSD process, aiming for a multidisciplinary panel to ensure diverse perspectives in addressing environmental threats, ultimately streamlining decision-making and enhancing the robustness of the scenarios developed.