技術要約：初期段階の都市設計におけるマルチモーダル大規模言語モデルを用いたステークホルダー視点のシミュレーション

1. 問題提起

効果的な初期段階の都市設計には、社会的包摂、公衆衛生、および環境のレジリエンスを確保するために、多様なステークホルダーの経験を深く理解することが求められる。しかし、ワークショップやパブリックコンサルテーションといった従来の参加型手法は、以下のような大きな障壁に直面している。

• リソース集約性: コストと時間がかかり、複雑な調整を必要とする。
• 代表性の問題: 多様な参加者を募ることが困難であり、エンゲージメントが声の大きい人々や特権を持つグループに偏りやすく、一方で、高齢者、低所得者、障害者などの疎外された層が十分に代表されないことが多い。
• タイミングの制約: 初期設計段階では、評価戦略よりも視覚的または空間的な質に焦点が当てられがちである。研究設計の欠陥は、多大なコストをかけずに修正できる時期を逃してから判明することが多い。
• 既存の代替手法の限界: パイロットスタディ（例：ポップアップパーク）はリソースを大量に消費し、汎用性に欠ける。また、共感に基づいたデザインは主観的な解釈に依存するため、バイアスや誤認のリスクがある。

デザイナーが正式なユーザー調査を行う前に、多様なステークホルダーの視点をシミュレートし、それによってエンゲージメント戦略を洗練させ、プロセスにおける盲点を早期に特定できる、低コストで根拠に基づいたツールの切実なニーズが存在する。

2. メソドロジー

本論文では、マルチモーダル大規模言語モデル（MLLM）と検索拡張生成（RAG）を活用してステークホルダーの視点をシミュレートするインタラクティブなシステム、StakeSightを紹介する。本手法は、主に4つのコンポーネントで構成されている。

2.1 実証的基礎とデータ収集

システムを抽象的なステレオタイプではなく現実世界の経験に根ざしたものにするため、著者らは**3,017件の一人称の都市ナラティブ（語り）**の経験的分析を行った。

• 情報源: 都市生活に関する個人的・市民主導のナラティブに焦点を当てていることから、『Guardian Cities』および『9% Invisible』からデータを収集した。
• 処理: カスタムウェブクローラーを用いてデータを収集した後、LLMを用いた意味論的スクリーニングを行い、都市空間（例：通り、公園、交通機関）に関連するナラティブを抽出した。
• 主題分析: 2名の著者がナラティブに対してオープンコーディングを行い、人々が都市空間をどのように知覚するかを形成する5つのコア次元を特定した。
  1. デモグラフィックス（人口統計学的属性）: 年齢および性別。
  2. 活動: 関与の頻度および主な目的（例：通勤 vs レジャー）。
  3. モビリティ（移動性）: 移動手段（歩行、サイクリング、公共交通機関）および制約（例：子供を連れている、身体的制限）。
  4. アクセシビリティ（接近可能性）: 物理的、感覚的、および認知的障壁。
  5. その他の個人的価値観: 記憶、アイデンティティ、文化的帰属、およびコミュニティへの信頼。

2.2 システムアーキテクチャ：StakeSight

StakeSightは、これらの次元をロール条件付きRAGパイプラインに統合した、Streamlitで構築されたウェブベースのアプリケーションである。

• ナラティブデータベースの準備:

  • ナラティブは、ロール・プロファイル・ユニット（検索用の構造化された属性）と、ナラティブ・ユニット（フューショット・プロンプティング用の第一人称テキスト）に分割される。
  • デモグラフィック属性（年齢、性別）を抽出し、カテゴリー化（例：年齢層）してハードフィルターとして機能させる。
  • 経験的属性は、LLMによって要約され、意味論的な埋め込み（エンベディング）が作成される。

• ロール条件付きハイブリッド検索:

  • フェーズ1（デモグラフィック・フィルタリング）: システムは、デモグラフィックな制約（例：「女性」、「65歳以上」）に基づく完全一致によってデータベースをフィルタリングする。
  • フェーズ2（意味論的検索）: 経験的属性については、ハイブリッド埋め込みアプローチを使用する。全ナラティブに対するグローバルな埋め込みと、特定の属性（モビリティ、活動など）に対するファセットレベルの埋め込みを生成する。
  • スコアリング: デザイナーのロール・プロファイルと候補となるナラティブとの間のコサイン類似性を重み付けして組み合わせた、複合的な類似度スコア $S(q, n)$ を算出する。最も関連性の高い上位5つのナラティブが抽出される。

• 検索拡張型フィードバック生成:

  • システムは、以下の内容を含むマルチモーダル・プロンプトを構築する：抽出された上位5つのナラティブ（フューショットの例として）、デザイナーのプロジェクト記述、アップロードされたデザイン画像、および特定のロール・プロファイル。
  • MLLMは、以下の構造化されたフィードバックを生成する：
    1. 一人称ナラティブ: シミュレートされた役割がその空間をどのように体験するかという、共感的な記述。
    2. 構造化出力: カテゴライズされたメリットとデメリット。
    3. 評価スコア: ルーブリックに基づいた5つの次元（安全性、快適性、アクセシビリティ、審美性、社会的相互作用）にわたる定量的な評価（1〜5）。

2.3 ユーザー調査

システムは、12名の参加者（都市デザイナー、建築家、研究者、学生）による混合メソッド研究を通じて評価された。

• 手順: 参加者はステークホルダーのロール（カスタムまたは定義済みのライブラリから選択）を設定し、それを6つの異なる都市設計シナリオ（例：歩行者天国化された通り、再設計された交通ハブ）に適用した。
• 測定項目: 参加者は、技術受容モデル（TAM）に基づき、有用性、リアリズム、包括性を評価するアンケートに回答し、その後、半構造化インタビューを行った。

3. 主な貢献

1. 都市ナラティブの経験的分析: 3,017件の実世界の第一人称ナラティブから導き出された、人間の視点を理解するための5つのコア次元の特定。これにより、データ駆動型のフレームワークを提供する。
2. StakeSightシステム: MLLMとロール条件付きRAGパイプラインを組み合わせ、初期段階の都市設計において多様で経験に基づいたステークホルダーの視点をシミュレートするインタラクティブなツールの開発。
3. 設計におけるロール・シミュレーションの評価: このようなシステムが、実世界のコミュニティと関わる前の準備ツールとして機能し、インクルーシブな思考を促進し、過小評価されがちなニーズを特定できることを示すユーザー調査。

4. 結果

• 有用性: 参加者は、初期のアイデア出しにおける有用性（中央値 = 4.5/5）および社会的影響の理解を深めるための有用性（中央値 = 4.5/5）について、システムを高く評価した。システムは、正式なワークショップの前の「予習」として効果的であり、デザイナーがより良い質問を策定し、潜在的なトレードオフを特定することを可能にすると見なされた。
• リアリズム: 評価は分かれたが、概ね肯定的であった（中央値 = 3.5–4.0/5）。フィードバックはしばしば「有用である程度にリアル」であり、微妙な制約（例：ベビーカーを連れた親の安全への懸念）を捉えているとされたが、一部の参加者は、出力が時として一般的すぎたり、実際の生活体験の深さに欠けたりする場合があると指摘した。参加者は、信頼を築くために、システムがデータソースについて透明である必要があると強調した。
• 包括性: システムは、デザイナーが過小評価されている声を考慮することを促す上で非常に効果的であった（中央値 = 4.0/5）。標準的なワークフローでは見落とされがちな、疎外されたグループ（例：高齢者、障害を持つ人々、または特定の移動制約を持つ人々）について考えるきっかけを、デザイナーに提供することに成功した。

5. 意義と主張

本論文は、StakeSightは直接的なユーザーエンゲージメントの代替ではなく、都市設計プロセスにおける貴重な準備ステップを提供するものであると主張している。その主な意義は以下の通りである。

• インクルーシブな思考への障壁を下げる: デザイナーは、初期段階のフィールド調査に伴う高いコストやロジスティカルな課題を回避しながら、多様な視点や潜在的な盲点を迅速に探索できる。
• 実世界のナラティブに根ざした設計: RAGを使用して実際の第一人称の記述を抽出することで、純粋な生成AIに伴う「ハルシネーション（幻覚）」やバイアスのリスクを軽減し、シミュレーションを現実世界のデータに定着させている。
• 参加型研究の洗練: デザイナーが仮説や具体的な質問を生成できるようにすることで、より効果的かつターゲットを絞ったコミュニティ・コンサルテーションを可能にし、現実のエンゲージメントの質を高める。

著者らは、このツールを既存の参加型手法の補完として位置づけており、ユーザー調査自体の設計をサポートし、その後の対面でのエンゲージメントの質を高めることができるとしている。また、現実世界の社会経済的な文脈の複雑さを完全に再現する能力には限界があり、より精密な地形データや人口統計学的データを統合する必要があることも認めている。