۱. معرفی مقاله و اهمیت آن

در دهه گذشته، با پیشرفت‌های چشمگیر در زمینه یادگیری ماشین و دسترسی گسترده به تصاویر شهری، به‌ویژه تصاویر “استریت ویو” (Street View)، روش‌های اندازه‌گیری ادراک انسانی از محیط‌های شهری به یکی از رویکردهای اصلی در علوم شهری تبدیل شده‌اند. این تصاویر غنی از اطلاعات بصری، پتانسیل زیادی برای درک چگونگی تعامل انسان با فضای شهری و ارزیابی کیفیت محیط زیست از دیدگاه ساکنان فراهم آورده‌اند.

با این حال، بسیاری از مطالعات پیشین عمدتاً بر اساس اطلاعات سطحی و کم‌عمق تصاویر، نظیر ویژگی‌های بصری ساده، استوار بوده‌اند. این رویکردها اغلب قادر به درک جامع و عمیق ویژگی‌های معنایی پنهان در صحنه‌های شهری و چگونگی تأثیر آنها بر ادراک انسانی نیستند. به عنوان مثال، در حالی که می‌توان با تحلیل بصری، وجود درختان یا ساختمان‌های بلند را تشخیص داد، درک حس “آرامش”، “امنیت” یا “موزون بودن” یک محله، نیازمند فهمی فراتر از پیکسل‌ها و بافت‌هاست.

مقاله “رویکردی مبتنی بر پردازش زبان طبیعی: ترسیم ادراک انسانی با درک ویژگی‌های معنایی عمیق در تصاویر استریت ویو”، به قلم Haoran Ma و Dongdong Wu، با هدف غلبه بر این محدودیت‌ها نگاشته شده است. این پژوهش یک چارچوب نوآورانه را معرفی می‌کند که با استفاده از مدل‌های زبان طبیعی از پیش آموزش‌دیده، به تحلیل و تفسیر عمیق‌تر معنای موجود در تصاویر شهری می‌پردازد. اهمیت این مطالعه در توانایی آن برای نزدیک‌تر شدن به فهمی انسان‌محور از فضاهای شهری و ارائه ابزارهای دقیق‌تر برای برنامه‌ریزی و طراحی شهری است که مستقیماً بر کیفیت زندگی شهروندان تأثیر می‌گذارد.

این رویکرد نه تنها شکاف موجود میان ویژگی‌های بصری خام و ادراک پیچیده انسانی را پر می‌کند، بلکه زمینه‌ای جدید برای تحقیقات آتی در زمینه علوم شهری و هوش مصنوعی فراهم می‌آورد. فهم دقیق‌تر ادراک انسانی می‌تواند منجر به طراحی شهرهایی شود که نه تنها از نظر عملکردی کارآمد هستند، بلکه از نظر حسی و روانی نیز با نیازها و انتظارات شهروندان همخوانی دارند.

۲. نویسندگان و زمینه تحقیق

نویسندگان این مقاله، Haoran Ma و Dongdong Wu، از محققان فعال در حوزه بینایی کامپیوتر و تشخیص الگو (Computer Vision and Pattern Recognition) هستند. این زمینه تحقیقاتی، که هسته اصلی هوش مصنوعی و یادگیری ماشین را تشکیل می‌دهد، بر توسعه الگوریتم‌ها و مدل‌هایی متمرکز است که به کامپیوترها امکان می‌دهد تا تصاویر و ویدئوها را “ببینند” و “درک کنند”. این حوزه شامل زیرشاخه‌های متعددی از جمله پردازش تصویر، بازشناسی الگو، تشخیص اشیا، بخش‌بندی معنایی (Semantic Segmentation) و تولید شرح تصویر (Image Captioning) می‌شود.

تحقیق حاضر به طور خاص در نقطه تلاقی بین بینایی کامپیوتر، پردازش زبان طبیعی (Natural Language Processing – NLP) و علوم شهری قرار می‌گیرد. در حالی که بینایی کامپیوتر مسئول استخراج ویژگی‌های بصری از تصاویر است، پردازش زبان طبیعی امکان درک و تولید زبان انسانی را فراهم می‌آورد. ترکیب این دو حوزه در این مقاله، رویکردی قدرتمند را برای ترجمه اطلاعات بصری به مفاهیم معنایی قابل درک توسط انسان ارائه می‌دهد.

سابقه تحقیق در این زمینه به تلاش‌ها برای کمی‌سازی و تحلیل ویژگی‌های محیطی مرتبط با ادراک انسانی از فضاهای شهری باز می‌گردد. در گذشته، این مطالعات عمدتاً به روش‌های پیمایشی، مصاحبه و مشاهده میدانی متکی بودند که زمان‌بر و هزینه‌بر بودند. با ظهور داده‌های مقیاس بزرگ مانند تصاویر استریت ویو و پیشرفت‌های هوش مصنوعی، امکان تحلیل اتوماتیک و مقیاس‌پذیر این ادراکات فراهم شده است.

هدف اصلی این خط تحقیقاتی، درک عمیق‌تر ارتباط بین ویژگی‌های فیزیکی و بصری یک محیط و چگونگی تجربه و درک آن توسط انسان است. این درک برای تصمیم‌گیرندگان، برنامه‌ریزان شهری و طراحان اهمیت حیاتی دارد تا بتوانند فضاهایی را خلق کنند که نه تنها از نظر عملکردی کارآمد باشند، بلکه از نظر روانی و اجتماعی نیز رضایت‌بخش و سلامت‌محور باشند. این پژوهش گامی مهم در جهت تحقق این هدف است، زیرا با بهره‌گیری از قدرت مدل‌های زبانی، قادر است فراتر از ویژگی‌های ظاهری، به درک احساسات و مفاهیم انتزاعی‌تری که انسان از محیط خود دریافت می‌کند، بپردازد.

۳. چکیده و خلاصه محتوا

این مقاله به بررسی و حل یکی از چالش‌های اساسی در علوم شهری می‌پردازد: چگونه می‌توان ادراک پیچیده انسانی از محیط‌های شهری را با استفاده از تصاویر استریت ویو و یادگیری ماشین به شکلی دقیق و جامع ترسیم کرد؟ چکیده مقاله به وضوح نشان می‌دهد که مطالعات گذشته عمدتاً به اطلاعات سطحی تصاویر متکی بوده‌اند و این امر درک جامع ویژگی‌های معنایی عمیق مرتبط با ادراک انسانی از یک صحنه را دشوار می‌ساخت.

برای غلبه بر این محدودیت، نویسندگان یک چارچوب جدید را پیشنهاد می‌کنند که بر پایه یک مدل زبان طبیعی از پیش آموزش‌دیده (pre-trained natural language model) بنا شده است. هدف اصلی این چارچوب، درک ارتباط میان ادراک انسانی و حس کلی یک صحنه است.

مراحل کلیدی این رویکرد به شرح زیر است:

• استفاده از مجموعه داده Place Pulse 2.0: این مجموعه داده پایه حاوی برچسب‌های متنوعی از ادراک انسانی است که شامل ابعادی مانند زیبایی (beautiful)، امنیت (safe)، ثروت (wealthy)، افسردگی (depressing)، کسالت (boring) و سرزندگی (lively) می‌شود. این برچسب‌ها توسط کاربران انسانی و از طریق مقایسات تصویری جمع‌آوری شده‌اند.
• استخراج اطلاعات توصیفی تصویر: برای هر تصویر استریت ویو، از یک شبکه تولید شرح تصویر (image captioning network) استفاده می‌شود تا توضیحات متنی مربوط به آن تصویر استخراج شود. این مرحله حیاتی است، زیرا تصاویر بصری را به فرمت زبانی قابل درک برای مدل‌های NLP تبدیل می‌کند.
• تنظیم دقیق مدل BERT و تابع رگرسیون: یک مدل BERT که از پیش آموزش‌دیده است، برای شش بعد ادراکی انسانی تنظیم دقیق (finetuning) می‌شود. علاوه بر این، یک تابع رگرسیون به این مدل اضافه می‌شود تا قادر به پیش‌بینی امتیازات ادراک انسانی برای هر بعد باشد.
• مقایسه و اعتبار سنجی: عملکرد رویکرد پیشنهادی با پنج روش رگرسیون سنتی مقایسه می‌شود. همچنین، یک آزمایش مهاجرت (migration experiment) در هنگ کنگ برای ارزیابی قابلیت تعمیم‌پذیری مدل انجام می‌گردد.

نتایج حاصل از این مطالعه به وضوح نشان می‌دهند که امتیازدهی ادراک انسانی با استفاده از ویژگی‌های معنایی عمیق، عملکرد بهتری نسبت به مطالعات قبلی که از روش‌های یادگیری ماشین با ویژگی‌های سطحی استفاده می‌کردند، دارد. این موفقیت تأکید می‌کند که استفاده از ویژگی‌های معنایی عمیق صحنه، ایده‌های جدیدی را برای تحقیقات بعدی در زمینه ادراک انسانی فراهم می‌آورد و همچنین قدرت توضیحی بالاتری را در مواجهه با ناهمگونی فضایی (spatial heterogeneity) ارائه می‌دهد.

به طور خلاصه، این مقاله راهکار جدیدی را برای درک بهتر چگونگی درک انسان از محیط‌های شهری با بهره‌گیری از قابلیت‌های قدرتمند پردازش زبان طبیعی در تحلیل معنای تصاویر معرفی می‌کند، و در نتیجه، به پیشرفت‌های مهمی در طراحی و برنامه‌ریزی شهری انسان‌محور منجر می‌شود.

۴. روش‌شناسی تحقیق

روش‌شناسی این تحقیق، ترکیبی نوآورانه از تکنیک‌های بینایی کامپیوتر و پردازش زبان طبیعی را برای درک ادراک انسانی از فضاهای شهری ارائه می‌دهد. این چارچوب به دقت طراحی شده تا از محدودیت‌های رویکردهای قبلی مبتنی بر ویژگی‌های سطحی تصویر فراتر رود:

۴.۱. انتخاب مجموعه داده پایه

اولین گام در این تحقیق، استفاده از مجموعه داده Place Pulse 2.0 به عنوان داده پایه بود. این مجموعه داده از هزاران تصویر استریت ویو از شهرهای مختلف جهان تشکیل شده است که توسط تعداد زیادی از کاربران انسانی بر اساس شش بعد ادراکی مقایسه و برچسب‌گذاری شده‌اند. این ابعاد عبارتند از: زیبایی (beautiful)، امنیت (safe)، ثروت (wealthy)، افسردگی‌آور (depressing)، کسالت‌آور (boring) و سرزنده (lively). این مجموعه داده، یک منبع غنی از اطلاعات مربوط به چگونگی درک مردم از محیط‌های شهری را فراهم می‌آورد.

۴.۲. استخراج اطلاعات توصیفی با استفاده از شبکه شرح تصویر

برای هر تصویر استریت ویو در مجموعه داده Place Pulse 2.0، محققان از یک شبکه پیشرفته تولید شرح تصویر (image captioning network) استفاده کردند. وظیفه این شبکه، تولید یک یا چند جمله متنی است که محتوای بصری تصویر را به دقت توصیف می‌کند. به عنوان مثال، برای تصویری از یک پارک شهری، ممکن است شرح‌هایی مانند “پارکی سرسبز با نیمکت‌های چوبی و مردم در حال قدم زدن” تولید شود. این مرحله بسیار حیاتی است، زیرا پل ارتباطی بین دنیای بصری تصاویر و دنیای معنایی زبان طبیعی را ایجاد می‌کند. این توضیحات متنی، ورودی اصلی برای مدل زبان طبیعی در مراحل بعدی خواهند بود.

۴.۳. مدل‌سازی ادراک انسانی با BERT

هسته اصلی روش‌شناسی این تحقیق، استفاده از مدل BERT (Bidirectional Encoder Representations from Transformers) است. BERT یک مدل زبان طبیعی از پیش آموزش‌دیده و قدرتمند است که قادر به درک عمیق زمینه و معنای کلمات در یک جمله است. مراحل استفاده از BERT شامل موارد زیر است:

• تنظیم دقیق (Fine-tuning) مدل BERT: مدل BERT که قبلاً روی حجم وسیعی از متون عمومی آموزش دیده بود، بر اساس توضیحات متنی استخراج شده از تصاویر و امتیازات ادراکی انسانی (زیبایی، امنیت و غیره) تنظیم دقیق شد. این مرحله به مدل اجازه می‌دهد تا روابط پنهان بین ویژگی‌های معنایی موجود در توضیحات متنی و ادراک انسانی مربوط به آن ابعاد را بیاموزد.
• افزودن تابع رگرسیون: به خروجی مدل BERT، یک تابع رگرسیون اضافه شد. این تابع مسئول تبدیل بازنمایی‌های معنایی استخراج شده توسط BERT به امتیازات عددی برای هر یک از شش بعد ادراکی انسانی (به عنوان مثال، امتیاز ۱ تا ۵ برای “زیبایی”) است. این ترکیب به مدل امکان می‌دهد تا بر اساس تحلیل معنایی متون، پیش‌بینی‌های کمی درباره ادراک انسانی انجام دهد.

۴.۴. مقایسه و اعتبارسنجی عملکرد

برای ارزیابی کارایی رویکرد پیشنهادی، نویسندگان عملکرد مدل خود را با پنج روش رگرسیون سنتی مقایسه کردند. این روش‌های سنتی معمولاً بر اساس استخراج ویژگی‌های سطحی‌تر از تصاویر عمل می‌کنند. این مقایسه به وضوح مزیت استفاده از ویژگی‌های معنایی عمیق را نشان داد.

علاوه بر این، یک آزمایش مهاجرت (migration experiment) در شهر هنگ کنگ انجام شد. هدف از این آزمایش، ارزیابی قابلیت تعمیم‌پذیری (generalizability) و پایداری مدل در یک محیط جغرافیایی و فرهنگی متفاوت بود. موفقیت مدل در هنگ کنگ تأیید کرد که چارچوب پیشنهادی تنها به مجموعه داده اولیه محدود نبوده و قادر به انطباق با محیط‌های جدید است.

این رویکرد جامع و چند مرحله‌ای، با ترکیب هوشمندانه بینایی کامپیوتر و پردازش زبان طبیعی، یک متودولوژی قدرتمند برای درک عمیق‌تر ارتباط بین محیط ساخته شده و ادراک پیچیده انسانی را ارائه می‌دهد.

۵. یافته‌های کلیدی

یافته‌های این تحقیق به وضوح نشان‌دهنده برتری رویکرد مبتنی بر پردازش زبان طبیعی و ویژگی‌های معنایی عمیق در ترسیم ادراک انسانی از فضاهای شهری است. این نتایج نه تنها اعتبار روش‌شناسی پیشنهادی را تأیید می‌کنند، بلکه افق‌های جدیدی را در تحقیقات علوم شهری می‌گشایند.

• عملکرد برتر ویژگی‌های معنایی عمیق: مهم‌ترین دستاورد این تحقیق، اثبات این نکته است که امتیازدهی ادراک انسانی بر اساس ویژگی‌های معنایی عمیق (استخراج شده از توصیفات متنی تصاویر) به طور قابل توجهی بهتر از مطالعات قبلی با استفاده از ویژگی‌های سطحی تصاویر (مانند بافت‌ها، رنگ‌ها و اشکال هندسی) عمل می‌کند. این بدان معناست که مدل توانسته است مفاهیم و احساسات پیچیده‌تری را که انسان از یک صحنه دریافت می‌کند، درک و پیش‌بینی کند. به عنوان مثال، یک خیابان ممکن است از نظر بصری صرفاً دارای ساختمان‌های آجری باشد (ویژگی سطحی)، اما شرح متنی آن می‌تواند شامل کلماتی مانند “تاریخی”، “شلوغ” یا “پرجنب‌وجوش” باشد که ادراک عمیق‌تری را منعکس می‌کند.
• درک دقیق‌تر از ناهمگونی فضایی: یکی دیگر از یافته‌های کلیدی، توانایی مدل در ارائه قدرت توضیحی بالاتر در مواجهه با ناهمگونی فضایی (spatial heterogeneity) است. محیط‌های شهری به شدت متنوع و ناهمگون هستند؛ ادراک از یک پارک در محله‌ای فقیرنشین ممکن است با ادراک از پارکی مشابه در محله‌ای ثروتمند کاملاً متفاوت باشد. رویکردهای مبتنی بر ویژگی‌های سطحی اغلب در این زمینه با مشکل مواجه می‌شوند، زیرا نمی‌توانند تفاوت‌های ظریف فرهنگی، اجتماعی یا کاربری را که در تصاویر منعکس شده‌اند، درک کنند. با این حال، با استفاده از توصیفات متنی، مدل می‌تواند به عمق این تفاوت‌ها نفوذ کرده و ادراکات انسانی را با دقت بیشتری پیش‌بینی کند. مثلاً، درک کلمه “خرابه” در توصیف یک ساختمان، به مدل اجازه می‌دهد تا حس “افسردگی‌آور” یا “ناامن” را بهتر تشخیص دهد تا صرفاً تحلیل بصری یک دیوار ترک‌خورده.
• کارایی مدل BERT در وظایف رگرسیون ادراک انسانی: این مطالعه به وضوح نشان داد که مدل BERT، پس از تنظیم دقیق و ترکیب با تابع رگرسیون، ابزاری بسیار موثر برای تبدیل اطلاعات متنی به پیش‌بینی‌های کمی از ادراک انسانی است. این نشان‌دهنده پتانسیل بالای مدل‌های زبان طبیعی در حوزه‌های فراتر از پردازش متن صرف و ورود به قلمرو تحلیل داده‌های چندوجهی است.
• تعمیم‌پذیری مدل: موفقیت آزمایش مهاجرت در هنگ کنگ تأیید کرد که مدل توسعه‌یافته از قابلیت تعمیم‌پذیری خوبی برخوردار است. این یعنی مدل تنها به داده‌های آموزشی محدود نبوده و می‌تواند در محیط‌های شهری جدید با ویژگی‌های جغرافیایی و فرهنگی متفاوت نیز به خوبی عمل کند. این یافته، کاربردپذیری عملی این چارچوب را برای برنامه‌ریزان و طراحان شهری در مقیاس جهانی تقویت می‌کند.

به طور خلاصه، این یافته‌ها نشان می‌دهند که با حرکت از تحلیل سطحی تصاویر به سمت درک معنایی عمیق از طریق زبان طبیعی، می‌توان به پیش‌بینی‌های دقیق‌تر و قدرتمندتری از ادراک انسانی از فضاهای شهری دست یافت که پتانسیل تحول در طراحی و برنامه‌ریزی شهری را دارد.

۶. کاربردها و دستاوردها

دستاوردهای این تحقیق پتانسیل بسیار بالایی برای کاربردهای عملی در حوزه‌های مختلف علوم شهری، طراحی محیطی و حتی سلامت عمومی دارند. با قابلیت درک عمیق‌تر ادراک انسانی از محیط، می‌توانیم شهرهایی را بسازیم که نه تنها کارآمدتر، بلکه انسانی‌تر و رضایت‌بخش‌تر باشند.

• برنامه‌ریزی و طراحی شهری هوشمند:
  • شناسایی مناطق نیازمند بهبود: این مدل می‌تواند به برنامه‌ریزان شهری کمک کند تا مناطقی از شهر را که از نظر ساکنان افسردگی‌آور، ناامن یا کسالت‌آور تلقی می‌شوند، شناسایی کنند. این شناسایی دقیق، امکان تخصیص منابع برای پروژه‌های بازسازی، زیباسازی یا افزایش امنیت را فراهم می‌آورد.
  • ارزیابی تأثیر طرح‌ها: قبل از اجرای طرح‌های جدید شهری (مانند ساخت پارک‌ها، توسعه مسیرهای پیاده‌روی یا تغییر کاربری فضاها)، می‌توان با شبیه‌سازی بصری و استفاده از این مدل، تأثیر احتمالی آنها بر ادراک عمومی از زیبایی، سرزندگی یا امنیت را پیش‌بینی کرد.
  • طراحی فضاهای انسان‌محور: معماران و طراحان شهری می‌توانند از بینش‌های حاصل از این مدل برای طراحی فضاهایی استفاده کنند که به طور آگاهانه احساسات مثبتی مانند آرامش، امنیت یا تعامل اجتماعی را برمی‌انگیزند.
• تحقیقات در زمینه سلامت عمومی و رفاه:
  • ارتباط محیط و سلامت روان: این چارچوب می‌تواند به محققان کمک کند تا ارتباط بین ویژگی‌های معنایی خاص محیط‌های شهری و شاخص‌های سلامت روان و رفاه شهروندان را کشف کنند. به عنوان مثال، درک اینکه کدام ویژگی‌های معنایی به حس افسردگی یا سرزندگی منجر می‌شوند، می‌تواند در مداخلات بهداشت عمومی مؤثر باشد.
  • اولویت‌بندی سرمایه‌گذاری‌ها: دولت‌ها می‌توانند با استفاده از این مدل، مناطقی را که به دلیل ویژگی‌های محیطی خود بر سلامت روان شهروندان تأثیر منفی می‌گذارند، شناسایی و برای بهبود آنها سرمایه‌گذاری کنند.
• بخش املاک و مستغلات:
  • ارزیابی ارزش ادراکی: این مدل می‌تواند برای ارزیابی ارزش ادراکی یک محله یا ملک، فراتر از معیارهای سنتی مانند قیمت هر متر مربع، استفاده شود. مثلاً، محله‌ای که از نظر ادراکی “زیبا” و “امن” باشد، ممکن است برای خریداران جذابیت بیشتری داشته باشد.
  • بازاریابی هدفمند: شرکت‌های املاک می‌توانند با درک ادراکات عمومی، کمپین‌های بازاریابی هدفمندتری را بر اساس ویژگی‌های معنایی که برای خریداران اهمیت دارد، طراحی کنند.
• گردشگری و توسعه اقتصادی:
  • شناسایی جاذبه‌های پنهان: با تحلیل تصاویر و توصیفات معنایی، می‌توان نقاطی از شهر را که دارای پتانسیل زیبایی یا سرزندگی بالایی هستند اما کمتر شناخته شده‌اند، شناسایی و برای توسعه گردشگری پیشنهاد داد.
• دستاوردهای علمی و متودولوژیک:
  • پیشبرد هوش مصنوعی چندوجهی: این پژوهش گامی مهم در ترکیب موفقیت‌آمیز بینایی کامپیوتر و پردازش زبان طبیعی برای حل مسائل پیچیده جهان واقعی است. این نشان می‌دهد که چگونه تلفیق این دو حوزه می‌تواند به هوش مصنوعی کمک کند تا به درک عمیق‌تری از جهان برسد.
  • منبع الهام برای تحقیقات آتی: این مطالعه ایده‌های جدیدی برای تحقیقات آتی در زمینه ادراک انسانی، با تمرکز بر ویژگی‌های معنایی و قابلیت توضیح مدل‌ها، ارائه می‌دهد.

به طور خلاصه، دستاوردهای این مقاله از حد یک تحقیق آکادمیک فراتر رفته و ابزارهای قدرتمندی را برای تصمیم‌گیرندگان و متخصصان در حوزه‌های مختلف فراهم می‌آورد تا بتوانند محیط‌های شهری را به شکلی هوشمندانه و انسان‌محورتر برنامه‌ریزی، طراحی و مدیریت کنند.

۷. نتیجه‌گیری

تحقیق “رویکردی مبتنی بر پردازش زبان طبیعی: ترسیم ادراک انسانی با درک ویژگی‌های معنایی عمیق در تصاویر استریت ویو” به وضوح نشان می‌دهد که چگونه ترکیب هوشمندانه فناوری‌های پیشرفته هوش مصنوعی می‌تواند به ما در درک پیچیده‌ترین جنبه‌های تعامل انسان با محیط ساخته‌شده کمک کند. این مطالعه با عبور از محدودیت‌های رویکردهای سنتی که صرفاً بر ویژگی‌های بصری سطحی تکیه داشتند، مسیر جدیدی را برای تحلیل و کمی‌سازی ادراک انسانی از فضاهای شهری گشوده است.

نقطه قوت اصلی این پژوهش، بهره‌گیری از قدرت پردازش زبان طبیعی، به‌ویژه مدل BERT، برای استخراج ویژگی‌های معنایی عمیق از توصیفات متنی تصاویر استریت ویو است. این رویکرد به مدل اجازه می‌دهد تا فراتر از تشخیص اشیا و بافت‌های ظاهری، به درک احساسات، مفاهیم انتزاعی و برداشت‌های ذهنی انسان از یک محیط بپردازد. برتری چشمگیر این روش در مقایسه با روش‌های رگرسیون سنتی و قابلیت تعمیم‌پذیری آن در محیط‌های جدید، گواه موفقیت این چارچوب است.

دستاوردهای این مقاله نه تنها پیشرفت‌های قابل توجهی در حوزه بینایی کامپیوتر و پردازش زبان طبیعی ایجاد کرده، بلکه تأثیرات عملی عمیقی بر برنامه‌ریزی شهری، طراحی محیطی، تحقیقات سلامت عمومی و حتی بخش املاک و مستغلات دارد. توانایی شناسایی دقیق مناطقی که از نظر ادراکی “افسردگی‌آور” یا “ناامن” هستند، یا برعکس، تشخیص فضاهای “زیبا” و “سرزنده”، به تصمیم‌گیرندگان این امکان را می‌دهد که با اتخاذ رویکردی انسان‌محورتر، کیفیت زندگی شهری را بهبود بخشند.

در نهایت، این مطالعه یک گام مهم به سوی ساخت شهرهایی است که نه تنها از نظر عملکردی هوشمند هستند، بلکه از نظر احساسی نیز با ساکنان خود هماهنگ‌اند. این پژوهش نشان می‌دهد که با ادغام داده‌های بصری و زبانی، می‌توانیم به درک جامع‌تری از چگونگی تجربه و درک مردم از محیط‌های شهری دست یابیم، و این بینش‌ها می‌توانند الهام‌بخش نسل بعدی طراحی‌های شهری و سیاست‌گذاری‌های عمومی باشند. این تحقیق در واقع پلی است میان دانش ماشینی و تجربه زیسته انسانی، با این امید که بتوانیم فضاهایی را بسازیم که به بهترین شکل، نیازها و آرزوهای انسانی را برآورده کنند.