老旧社区公共空间更新设计：模糊KANO模型与DALL-E结合应用

关键词：老旧社区更新；社区公共空间；扎根理论；模糊KANO模型；DALL·E

中图分类号：TU984.11+4 文献标识码：A

文章编号：1003-0069（2024）24-0147-04

引言

社区作为城市更新的基本单元，是提升城市存量品质的关键。目前社区更新缺乏有效的理论指导，难以形成高效的更新方法[1]。同时，社区更新需要深入了解居民需求，以确定更新重点和方向[2]，并通过实证案例发展可推广的理论和设计方法[3]。由此，研究识别和排序居民需求的方法以指导社区更新，是亟待解决的问题。

生成式人工智能正在深刻影响各个领域。在设计领域，以文生图为主的生成式人工智能显著提升了设计效率、优化了设计流程，并创新了设计方法[4]。其包括Stable Diffusion、Midjourney 和OpenAI发布的DALL-E等。在社区更新设计流程中引入生成式人工智能的应用，以提高老旧社区更新设计的效率，具有重要意义。

一、理论基础与研究流程

（一）扎根理论。扎根理论（Grounded Theory）是一种定性研究方法，通过观察和分析实际数据，逐步构建理论[5]。本文依据程序化扎根理论方法，其包含开放编码、主轴编码和选择编码3 个步骤。开放编码从原始数据中抽象出范畴，并寻找范畴的属性，并将其维度化；主轴编码确立主次范畴，并将其结构化；选择编码基于主范畴确定核心范畴生成理论[6]。

（二）模糊Kano 模型。传统Kano 模型的目的是挖掘表现用户的需求层级，基于用户的反馈，可将需求划分为基本需求（M）、期望需求（O）、兴奋需求（A）、无差异需求（I）和反向需求（R）。基本型需求不满足会降低居民满意度。期望型需求满足与否直接影响居民满意度的提高或下降。兴奋型需求的满足仅会影响居民满意度的提升程度。随着时间的推移，居民对同一需求的态度可能会发生改变，导致Kano类型的变化，变化周期为：I → A → O → M[7]。

1. 模糊Kano模型问卷设计：传统Kano 模型缺乏识别用户的模糊感受，原因在于其在问卷调研时要求被测者给出确定选项。而模糊Kano 模型在调研用户时，对每个需求指标采取正反双向问题，允许被试者对选项进行0-1之间任意赋值，只需最终和为1，采用这种方式可以识别用户内心的模糊感受[8]。

2. 模糊Kano 模型计算流程：实际操作中，模糊KANO 模型分类需求的过程如下：

首先，根据问卷数据，对每组双向问题建立模糊矩阵。若满足需求矩阵X=[0.3 0.7 0 0 0]，不满足需求矩阵Y=[0 0 0.1 0.6 0.2]，则得到交互矩阵S，见式（1）。

再次，引入置信度水平α（α ∈ [0 1]）），根据以往研究结论，本研究取α=0.4[9]，对要素的数值做进一步筛选。

最后，确定用户需求要素的KANO 类别，以KANO 类别出现频率筛选指标，频率最高的作为用户需求要素的最终属性。如果频率相同，按以下优先级排序，从高到低依次为M，O，A，I，R。

3.Better-Worse 系数：Batter-Worse 系数的核心思想是通过计算客户认为某个因素“好”与“坏”的比例，来衡量该因素对总体满意度的影响。在Kano 模型中，可以通过计算满意度系数（SI，见式3）和不满意度系数（DSI，见式4）来进行Better-Worse 系数分析[10]。Worse 值越高，为满足该需求对居民满意度的负面影响就越大。Batter 值越高，满足该需求对居民满意度的正面影响越大。

SI=A+O/A+O+M+I （3）

DSI=O+M/A+O+M+I （4）

（三）DALL·E 图像生成式大模型。DALL·E 是由 OpenAI 开发的图像生成模型，能根据文字描述生成高质量图像。其主要功能包括：1. 根据详细文字描述生成对应图像；2. 创造性地结合不相关的概念；3. 输出高分辨率图像，用户可选择图像大小和分辨率。用户可通过调整描述，优化生成结果。与流行的 Stable Diffusion 相比，DALL·E 更适用于设计初期的概念阶段，因其仅需文字描述，生成效率和图像质量较高，而Stable Diffusion 则提供更多控制变量，适合设计后期深化阶段的方案表达[11]。

（四）研究流程。研究流程包括：1. 通过半结构化访谈和扎根理论制定居民需求集，制作并发放模糊Kano 模型调查问卷；2. 根据问卷数据建立模糊矩阵，计算隶属度值，确定需求要素的Kano 类别，并使用Better-Worse 系数分析法排序需求重要度；3. 基于需求优先级利用ChatGPT 生态构建DALL·E 的提示词，生成社区更新的概念效果图，并进行用户验证。

二、基于扎根理论的东王庄社区居民需求集建构

本研究以北京市海淀区东王庄小区为案例，该小区为90 年代开发的老旧社区，通过线下随机选取用户进行半结构化访谈，使用NVivo12.0 软件对视频内容进行转录和编码分析。首先，开放编码将原始视频数据分解为较小单位（如词语、句子），为每个单位贴标签，提取反复出现的核心概念，最终归纳出24 个概念范畴。其次，主轴编码在此基础上整合概念范畴，寻找其间关系，归纳为8 个主范畴：活动安全需求、社交娱乐需求、运动锻炼需求、舒适休息需求、丰富活动需求、环境健康需求、临时便利需求和可持续需求。最后，选择编码则整合主范畴，构建社区公共空间更新的居民需求集（见图1）。

三、基于模糊Kano模型的东王庄需求层次分析

（一）Kano 问卷设计与收集。本次问卷发放时间为2024 年5 月至2024 年6 月，共回收问卷276 份，剔除问题问卷37 份，问题问卷为某需求指标的正反两个问题同时选择了“满意”或“不满意”。因此有效问卷共239 份，回收有效率为86.59%。被试者基本信息汇总数据（见表1）中使用频率指居民对社区公共空间的使用频率，影响程度指居民认为社区公共空间对其生活的影响程度。

（二）模糊Kano 模型数据分析

1. 居民需求Kano 类别分析：Kano需求类别构建了居民具体需求项目的4 个基本层次，识别各层次的项目数量和项目内涵，可以确定社区当下所处的更新阶段和更新特点。根据模糊Kano 模型分类需求的方法，对调查问卷中的24 个居民需求进行计算与统计，得到模糊Kano模型问卷结果分析表（表2）。共计10 个“M”基本型需求，7 个“O”期望型需求，6 个“A”兴奋需求和1 个“I”无差异需求。首先，更新阶段上，东王庄社区不同需求层次的项目数量总体呈现“金字塔”型结构，处于基本型需求更新阶段，反映了该社区的居民对生活满意度相对正常水平较为落后。其次，更新特点上，基本需求80% 的项目内涵涉及设施更新，故东王庄社区当下更新要以设施为导向满足各层次需求。

2. Better-Worse 指数分析：Better-Worse 指数量化了需求影响居民满意度的程度，为需求项目和需求维度的重要度排序提供了基础。首先，依据公式（3）、（4），计算结果如表3、表4 所示。其次，借助数学象限分析社区更新需求[12]，第一象限对应期望型需求，第二象限对应基本型需求，第三象限对应无差异需求，第四象限内对应兴奋型需求[7]。具体操作过程为：取各指标与维度的Better-Worse 平均值为坐标原点（0.43，0.58），（0.467，0.531），坐标轴x、y 分别为Better 值和Worse 绝对值（见图2）。

3. 居民需求重要度排序：居民需求重要度依据需求敏感度排序[13]，基于散点图，取需求坐标点到坐标原点的距离为敏感度R。敏感度越大则该需求对居民满意度的影响程度越大，见表5。不同需求维度下排序见表6，每个维度内的需求指标首先按照Kano 重要度准则，其次按照敏感度排序。

（三）汇总分析。结合上述分析总结出老旧社区更新中4 个需求层次的各自特点。首先是生活习惯基本型需求，基本需求生成的核心在于居民日常生活习惯，设计可以满足该习惯或利用基本需求创造新的生活行为。其次是高性价比期望型需求，期望型需求可以极大改观居民对社区的印象，提高更新的价值，在更新资金不足时，该类需求优先满足。再次是高满意度兴奋型需求，兴奋型需求是营造社区归属感，是居民对美好生活向往的具体表现。最后是未来需求无差异型需求，该层面需求属于个性化需求，是未来发展中体现社区差异化的关键。

四、基于DALL.E图像生成大模型的设计实践

（一）基于需求重要度的DALL·E 提示词构建。生成式人工智能生成概念方案的关键在于是否有准确的“Prompt”，即设计师的“命令”。DALL-E 模型生成图像的“命令”核心在于文字描述，相较于StableDiffusion 没有繁杂的控制参数，使得DALL-E 适用于设计初期，帮助设计师进行设计概念的快速表达，并具有一定头脑风暴的作用。在实际设计应用时，设计师需要制订规范的提示词结构，以增加可操作性。

1. 基于需求重要度的提示词框架构建：DALL-E 的提示词构建具有文字化的权重控制方式。虽然DALL-E 无法像Stable Diffusion 一样直接赋予提示词固定数值的权重，但用户可以通过描述的详细程度和排列顺序影响生成图像的效果。对于重要的元素，需要优先和多次提及，并提供详细描述；对于次要元素，描述顺序后置，简略描述即可。

首先，研究基于表6 中W1-W8 8 个需求维度的重要度排序信息，为东王庄社区公共空间更新提出8 个层面的策略，以辅助进一步生成准确详细的设计文字描述，为提示词的构建奠定基础（见表7）。

其次，确定提示词的框架结构，增强文字描述内容的可控性，及DALL-E图像生成的可操作度。提示词结构包括主题风格、环境和细节3部分，其中主题风格和环境为固定描述，以确保生成的效果图符合现实场景。细节部分描述物体类别、特点以及人物活动类型和姿态，是最终效果的控制变量，通过细节描述的详细程度和文字内容控制DALL-E 提示词的权重和不同的设计概念效果（见表8）。

（二）基于ChatGPT 生态的DALL-E方案生成

1. 确定提示词：确定更新策略优先级和提示词框架后，设计者可借助ChatGPT 生态确定DALL·E提示词的具体文字描述。

提示词框架中主题风格和场地环境的内容是固定不变，是DALL-E图像生成的固定变量，由ChatGPT 对社区的实景图进行描述确定，以确保DALL-E 生成的效果图符合场地的实际环境（见图3）。

包括场景、植物、设施等在内的细节类文字描述是DALL-E图像生成的控制变量，先根据设计策略确定如表8示例的内容大纲，再利用ChatGPT 根据需求优先级对优先级靠前的设计要素进行细化描述，由此确定提示词权重。例如老年人娱乐空间的优先级较高，因此可基于提示词框架，利用ChatGPT 将表8 中的场景描述“老人围坐下棋”扩充为“几位老人围坐在有遮阳伞的木制桌椅上，正在愉快地交谈，有些人在下棋，有些人在读书或看报”。设计要素的权重越高，则对应提示词的细节描述越全面。

2. 方案生成：在方案生成阶段，研究首先按照基本需求、期望需求、兴奋需求和所有需求合并这4 个阶段分别进行提示词构建，生成效果图（见图4）。经实践验证，将所有需求融合到一张图片中会导致主题不明确，且描述变量越多，生成效果的不确定性越大，例如第4 阶段所有需求融合表达后，画面畸变，丧失表达主体。

因此，在老旧社区更新中，采用DALL-E辅助概念设计表达时，需要将表达内容拆分，以确保表达的准确性，和可控性。基于东王社区的更新策略，将其社区更新概念效果按照人群年龄和活动场景划分为3 个部分，分别老年娱乐空间、老年运动空间和儿童少年的活动空间，这3部分共同构成社区更新的完整概念方案。通过ChatGPT 生态，最终使用DALL-E生成两个社区更新概念方案（见图5）。

3. 方案评估：为对方案进行评估，并验证DALL-E生成概念效果用于设计表达的可行性，采用系统可用性量表（System Usability Scale，简称SUS）对社区更新概念的用户接受度进行问卷调研。邀请20 名老旧社区居民分别对4个概念效果进行打分，均为相同的10道题目，每题满分5分，1分为非常不满意，5分为非常满意。问卷得分计算方法如下：正面问题分数为打分值减一，反面问题分数为5减去打分值，被测者最终得分为每道题分值相加再乘以2.5，最后计算每个概念效果的平均得分作为最终SUS分值（见表9）。

（三）模糊Kano模型结合DALL-E赋能老旧社区更新

1. 模糊Kano 模型构建“人本”设计策略：模糊Kano 模型通过识别居民对需求的感受，有效分析更新重点。根据居民满意度影响程度进行需求重要度排序，不仅促进“人本”设计策略的提出，也提高了图像生成式人工智能表达准确度。

2.DALL-E高效表达设计概念：根据居民评估结果，方案2为最优。两个方案的分值均在40 分以上，表明DALL-E生成的效果图能够有效表达概念方案。时间上，每个方案的3 张效果图生成时间约为38 秒左右，相比传统设计过程，DALL-E显著提高了设计的效率。

3. 模糊Kano模型结合DALL-E构建“一站式”设计流程：社区更新设计首先需要调研居民的习惯与需求，发现与解决更新重点和难点，再将设计表达给社区管理者和居民，再经反馈优化设计。过程重点是需求调研和设计表达，而模糊Kano 模型和DALL-E 的结合解决了这两个难点，提高了社区更新设计的效率。

结论

研究构建了结合模糊Kano模型和DALL·E的老旧社区更新设计方法，并以东王庄社区为案例验证了其可行性，提出了更新策略，通过DALL·E生成了概念方案。

该设计流程具有两大优势：首先，相较于传统调研时的耗时、耗力，定性研究得到的需求缺乏重点，模糊Kano模型通过定量分析居民对不同需求的态度，准确排序需求的重要度，从而提高设计效率和居民满意度。其次，DALL·E能在设计初期根据设计策略生成高质量的概念效果图，减少设计师工作量，并提高与客户的沟通效率。随着人工智能的发展，设计行业的工作效率将不断提升，赋予设计师更灵活的设计方法，使他们能够专注于创意设计，提升设计质量。