¿Cómo se ve la gentrificación en Filadelfia?
"Edificios residenciales altos y modernos".
"(Un) aspecto moderno que está tan fuera de lugar con nuestras casas adosadas tradicionales que han estado aquí durante cien años".
"Edificios de seis a siete pisos de altura con garajes en el sótano. Cobran $200 adicionales por el estacionamiento".
"Gris, aspecto industrial".
"Las casas son bastante feas. No hay ningún estilo arquitectónico. Probablemente sean de dos dormitorios, algunas probablemente de un dormitorio. Y por lo general tienen una terraza. No para niños o familias. Muchas escaleras".
Estas son algunas de las descripciones que los antiguos residentes de los barrios tribales de Filadelfia han utilizado para describir las nuevas construcciones que se están levantando a su alrededor.
Somos la Dra. candidatos en ingeniería arquitectónica y estudios geográficos, ambientales y urbanos en las universidades Drekel y Temple en Filadelfia. Trabajando con un equipo multidisciplinario de profesores y estudiantes, recientemente desarrollamos una nueva forma de mapear la gentrificación en los vecindarios de Filadelfia utilizando una combinación de cuentas de residentes de toda la vida, imágenes de Google Street View y aprendizaje automático.
Los signos de gentrificación en Filadelfia incluyen nuevos edificios que no combinan con la arquitectura circundante. Jeff Fusco/The Conversation USA, CC BI-SA Uso de inteligencia artificial para detectar la gentrificación
Nuestro equipo descubrió que la mejor fuente para aprender cómo se ve la gentrificación proviene de las percepciones de los residentes antiguos en vecindarios gentrificados.
Así que organizamos grupos focales en tres vecindarios que se estaban gentrificando rápidamente: uno en el noreste de Filadelfia y dos en la sección River Wards al norte del centro de la ciudad y a lo largo del río Delaware.
Les pedimos a los residentes que identificaran señales visuales en el diseño del edificio, materiales, colores y opciones de paisaje que asociaran con la gentrificación.
Muchos de estos residentes pudieron relatar, con gran detalle, las intersecciones de calles exactas donde habían visto el desarrollo relacionado con la gentrificación a lo largo de décadas.
Verificamos cada ubicación que identificaron con imágenes históricas de Google Street View. Al examinar los exteriores de estos edificios, podríamos extender el lenguaje más generalizado utilizado en las discusiones, como "moderno" o "cuadrado", a un lenguaje más específico desde el punto de vista arquitectónico, como "la presencia de ventanas salientes" y "mayor proporción de área de piso", una medida de la cantidad de terreno que ocupa un edificio.
Al extraer panoramas de exteriores de edificios residenciales de Google Street View, analizamos dos períodos de tiempo diferentes: 2009-13 y 2017-21.
La IA está mejorando en la detección de signos visuales de gentrificación. Los investigadores llaman modelos de "mapeo profundo" a los sistemas de IA que categorizan un paisaje según ciertas características, como si parece "gentrificado" o "no gentrificado".
Los modelos de mapeo profundo utilizan algoritmos de redes neuronales, que pueden capturar patrones en grandes conjuntos de datos. El modelo particular que utilizamos es capaz de detectar diferencias sutiles a nivel de píxeles entre dos imágenes.
El modelo aprendió a aproximarse a cómo los residentes distinguen las escenas aburguesadas de las inalteradas. Cuando probamos el resultado del modelo, descubrimos que era capaz de separar imágenes "gentrificadas" de "no gentrificadas" con una precisión de aproximadamente el 84%. Esto nos mostró que las señales visuales impulsadas por observaciones residentes pueden traducirse en una señal confiable de aprendizaje automático.
La gentrificación no siempre es igual
A medida que un vecindario se aburguesa, las personas más ricas se mudan a él y los residentes de toda la vida pueden verse desplazados por el aumento de los alquileres o la pérdida de viviendas. La gentrificación también puede conducir a una pérdida del "sentido de lugar": las características que hacen que un vecindario se sienta familiar y como en casa.
Ejemplos de imágenes de revisión de gentrificación de investigadores. Autor proporcionado, CC BI-SA
Con modelos de mapeo profundo, los investigadores y las partes interesadas del vecindario pueden extraer sus propios datos sobre los cambios del paisaje relacionados con la gentrificación y comprender mejor cómo la gentrificación está cambiando el entorno físico. Con mejores datos, pueden mapear puntos críticos de nuevo desarrollo y utilizar modelos de aprendizaje automático para predecir trayectorias futuras de cambio.
Por ejemplo, varios participantes de nuestro grupo focal en un vecindario notaron que la gentrificación estaba asociada con la demolición de edificios antiguos que probablemente contenían sustancias peligrosas, como asbesto y plomo. Se preguntaron sobre el potencial de contaminación del aire. Con datos precisos sobre dónde se está desarrollando el desarrollo, los investigadores pueden modelar las relaciones entre las nuevas construcciones y las condiciones ambientales, como la calidad del aire.
Además, este proceso también puede dar legitimidad a grupos vecinales que pueden ver los cambios que ocurren a su alrededor pero no tienen datos cuantitativos para legitimar sus preocupaciones ante los medios y las autoridades de la ciudad.
Al ser más explícitos sobre cómo se define la gentrificación cuando categorizamos imágenes y entrenamos nuestro modelo de aprendizaje automático, los investigadores pueden ser más transparentes sobre cómo se preparan los datos de las imágenes y evitar que los sesgos personales impulsen el modelo y los patrones que aprende.
Por ejemplo, algunas investigaciones encuentran que la gentrificación conduce a un aumento del verde. Sin embargo, algunos participantes en nuestros grupos focales informaron que la gentrificación ha resultado en la pérdida de jardines y zonas verdes comunitarios. Esta experiencia va en contra de los supuestos comunes en la investigación sobre la gentrificación.
La transparencia en los modelos de formación genera confianza
Al definir cómo los residentes experimentan la gentrificación, los investigadores como nosotros podemos agregar claridad a la forma en que preparamos los datos del modelo. Sin embargo, incluso con mayor claridad, estos sistemas de IA siguen siendo "cajas negras" por naturaleza. Un modelo de caja negra significa que la relación entre entradas y salidas no está clara para el usuario del modelo.
Una forma de hacer que el modelo sea más transparente es aplicar un modelo adicional llamado KSAI, o inteligencia artificial explicable. A través de KSAI, existe la posibilidad de comprender mejor qué características de una imagen son más importantes para la predicción del modelo. Por ejemplo, ¿el modelo se centra en las ventanas de los edificios o en la altura relativa de los edificios?
Las respuestas a estas preguntas ayudarán a los investigadores y a las partes interesadas a confiar en las predicciones del modelo.
Al mismo tiempo, uno de nosotros está llevando a cabo una línea de investigación complementaria que se centra en explicar el razonamiento detrás de las decisiones de los modelos de aprendizaje automático. En Filadelfia y muchas otras ciudades de Estados Unidos, las escenas callejeras pueden tener una densa mezcla de automóviles, vegetación y estilos arquitectónicos que pueden confundir al modelo. Hay mucha información visual complicada que analizar, mucha variedad. Comprender la lógica interna del modelo ayuda a garantizar que sus predicciones reflejen la dinámica real del vecindario en lugar de detalles irrelevantes del panorama.
Juntas, estas líneas de investigación tienen como objetivo profundizar nuestra comprensión de cómo se desarrolla la gentrificación en el terreno y cómo la IA puede ayudar a iluminar patrones que de otro modo podrían pasar desapercibidos.
.webp)
0 Comentarios