یادداشت به‌روزرسانی، ۱ نوامبر ۲۰۲۶. این نوشته نخست با عنوان «ذکاوت پیاده» منتشر شد. توضیح اصطلاح و حدود کاربرد داده و هوش مصنوعی در آن بازنگری شده است. شرح تغییر عنوان و صورت‌بندی کتاب را بخوانید.
از مشاهدهٔ رفتار تا فهم تجربهٔ پیاده
داده و فناوری در کنار مشاهده، گفت‌وگو و تصمیم‌گیری پاسخ‌گو
الگوریتم‌های تشخیص اشیاء می‌توانند به ثبت شمار عابران، مسیر حرکت و برخی موانع کمک کنند. این داده‌ها بخشی از شواهد لازم برای بررسی فضای عمومی‌اند؛ سنجش عدالت و تجربهٔ عابر به شناخت نیازها و شنیدن گزارش استفاده‌کنندگان نیز وابسته است.
حسگرها، بینایی ماشین و یادگیری ماشین امکان‌های تازه‌ای برای ثبت و تحلیل برخی الگوهای حرکت فراهم کرده‌اند. بااین‌حال، فهم تجربهٔ عابر به مشاهدهٔ میدانی، گفت‌وگو و توجه به زمینهٔ اجتماعی و محیطی نیز وابسته است. در این نوشته، پیوند این شیوه‌های شناخت با تصمیم‌گیری شهری را بررسی می‌کنم؛ صورت‌بندی‌ای پیشنهادی که در کتاب «شهر از نگاه و تجربهٔ پیاده» بسط یافته است.
چارچوب پیشنهادی این بحث چیست؟
در نوشتهٔ نخست، عنوان موقت «ذکاوت پیاده» برای این پیشنهاد به کار رفته بود. اکنون آن را با عبارت «چارچوب تلفیقیِ تجربهٔ پیاده، شواهد و حکمرانی شهری» توضیح می‌دهم:
پیوند شناخت تجربهٔ عابران با گردآوری شواهد، ارزیابی پاسخ شهری و مسئولیت‌پذیری در تصمیم‌گیری.
این صورت‌بندی پیشنهادی نویسنده، بر پژوهش‌های تجربهٔ بدن‌مند و اجتماعی، عدالت دسترسی و مطالعات داده و حکمرانی تکیه دارد. نام آن معرف یک نظریهٔ واحد و تثبیت‌شده در ادبیات جهانی نیست. هوش مصنوعی یکی از ابزارهای احتمالی تحلیل است؛ اعتبار کاربرد چارچوب به بررسی موردی و بازخورد استفاده‌کنندگان وابسته است.
سه پرسش دربارهٔ مشاهده و تحلیل رفتار
این رویکرد، به دنبال پاسخ به سه پرسش بنیادی است:
- آیا می‌توان الگوهای واقعی پیاده‌روی را به‌طور دقیق و خودکار تشخیص داد؟
- کدام مدل‌های یادگیری ماشین برای این تشخیص مناسب‌ترند؟
- ویژگی‌های محیطی چگونه رفتار عابر را تغییر می‌دهند؟
سؤال سوم برای شهرهای ایران حیاتی است؛ شهری که تصلب کالبدی، رمپ‌های غیراستاندارد، شیب‌های نامناسب، سایه‌های کم و سطوح ناایمن آن، بخش بزرگی از تجربه عابرپیاده را شکل می‌دهد. پاسخ این سوالات در مجموع نیازمند شناخت الگوهای رفتاری عابرپیاده از داده ها برای تحلیل و طراحی است.
نمونه‌هایی از الگوهای حرکت و پرسش‌های همراه آن
برای توصیف حرکت می‌توان سرعت و توقف را بررسی کرد. اما نسبت‌دادن انگیزه یا احساس به این الگوها نیازمند شواهد تکمیلی است؛ فهرست زیر نمونه‌هایی برای پرسش و مشاهده است، نه طبقه‌بندی قطعی همهٔ عابران:
- پیاده‌روی آرام؛ با علت‌هایی که باید بررسی شوند
- پیاده‌روی سریع؛ بدون فرض قطعی دربارهٔ انگیزه
- پیاده‌روی همراه با مکث‌های مکرر ؛ برای مثال توقف در برابر ویترین یا استراحت
- گزارش تجربهٔ فشار یا ترس؛ با پرسش از عابر، نه استنباط قطعی از سرعت حرکت
داده‌های حرکت را می‌توان، متناسب با ابزار و کیفیت داده، در بازه‌های زمانی مختلف تحلیل کرد و نتیجه را با مشاهده و گزارش عابران سنجید.
اما چرا ترکیب پیاده‌روی و AI مهم است؟
داده‌های مکانی، حسگرها و مشاهدهٔ مسیر می‌توانند الگوهای حرکت، توقف و بعضی موانع را نشان دهند. نقشهٔ تجربهٔ عابر زمانی غنی‌تر می‌شود که این شواهد با پرسش‌نامه، گفت‌وگو و نقشه‌برداری مشارکتی همراه شوند. تغییر مسیر به‌تنهایی نشانهٔ ترس نیست؛ گرما، مقصد، عادت و شرایط همراهان نیز ممکن است مؤثر باشند. استفاده از داده‌های مکانی و تصویری باید با رعایت حریم خصوصی، رضایت لازم و توجه به گروه‌های کم‌نمایی‌شده در داده‌ها انجام شود.
تصویر از نسخهٔ نخست این یادداشت؛ اصطلاحات آن بازتاب صورت‌بندی اولیهٔ بحث است.
چهار زمینهٔ پیشنهادی برای بررسی
پیش‌بینی مشروط حرکت، شناسایی مسیرهای انتخاب‌شده، بررسی امنیت ادراک‌شده و شناخت موانع، چهار زمینهٔ پیشنهادی این نوشته برای گردآوری شواهد هستند.
۱. پیش‌بینی رفتار عابر (Predictive Walking Patterns)
برای نمونه، می‌توان بررسی کرد که گرما و سایه چگونه با انتخاب مسیر ارتباط دارند. نتیجه باید در همان شهر و برای گروه‌های مختلف عابر آزموده شود؛ نمی‌توان یک نسبت ثابت را به همهٔ شهرها تعمیم داد.
۲. شناسایی خطوط تمایل عابران (Desire Lines Detection)
داده‌های GPS، تصاویر و مشاهدهٔ میدانی می‌توانند اختلاف میان مسیر رسمی و مسیر انتخاب‌شده را آشکار کنند. علت انتخاب باید با تجربهٔ استفاده‌کنندگان سنجیده شود.
شناخت مسیرهای میان‌بر می‌تواند مبنای بررسی اصلاح شبکه باشد، مشروط به ارزیابی ایمنی، دسترس‌پذیری و نیاز کسانی که توان استفاده از مسیر غیررسمی را ندارند.
۳. سنجش ادراک امنیت پیاده (Perceived Safety AI)
تحلیل ویژگی‌های محیط، مانند روشنایی و فعالیت لبهٔ خیابان، می‌تواند نشانه‌هایی برای بررسی فراهم کند. نقشهٔ امنیت ادراک‌شده باید بر گزارش خود افراد نیز تکیه کند؛ احساس امنیت زنان، سالمندان و کودکان را نمی‌توان فقط از تصویر محیط استنتاج کرد.
۴. تحلیل موانع و گلوگاه‌های پیاده (Obstruction Intelligence)
مدل‌های قطعه‌بندی تصویر می‌توانند به شناسایی برخی موانع و نقاط نیازمند بازدید کمک کنند. تشخیص قابلیت عبور، کیفیت رمپ یا خطر ازدحام باید با سنجش میدانی و معیارهای مناسب بررسی شود.
تصویر از نسخهٔ نخست این یادداشت؛ اصطلاحات آن بازتاب صورت‌بندی اولیهٔ بحث است.
جمع‌بندی؛ شناخت تجربهٔ پیاده چگونه به تصمیم کمک می‌کند؟
به باورمن، هر نوع برنامه‌ریزی، ارزیابی و طراحی مرتبط با پیاده‌مداری، تنها زمانی به نتایج معتبر و عملیاتی می‌رسد که از مقیاس محله آغاز شود. محله، کوچک‌ترین واحد اجتماعی-فضایی شهر است که تجربه زیسته شهروندان در آن شکل می‌گیرد و داده‌های آن دقیق‌ترین تصویر از نیازهای واقعی، تنوع کاربران، و کیفیت حرکت پیاده را فراهم می‌کند. از این رو، حتی در رویکردهای مبتنی بر هوش مصنوعی نیز واحد تحلیل ومداخله باید محله باشد.
شهرهای ایران با مشکلات زیادی از جمله پیاده‌روهای ناایمن، موانع متعدد برای سالمندان و افراد کم‌توان از جمله نبود سایه و مسیرهای خنک، رمپ‌های غیراستاندارد، کمبود فضاهای توقف کوتاه و نشستن روبرو می باشند. مزید بر این، نبود داده رفتاری قابل اعتماد در شبکه پیاده روهای شهری به این مشکلات می افزاید. از این رو شناخت تجربهٔ پیاده می‌تواند مبنای بررسی و اصلاح این شرایط باشد.
شبیه‌سازی می‌تواند پیش از اجرا به مقایسهٔ سناریوها کمک کند؛ اما جای مشاهدهٔ واقعی و ارزیابی پس از اجرا را نمی‌گیرد. بهبود تجربهٔ زنان، سالمندان و افراد استفاده‌کننده از ویلچر به کیفیت داده، مشارکت آنان، تصمیم اجرایی و نگهداری فضا وابسته است.
این بخش مستقیماً در مدیریت روزمره شهرداری بسیارکاربرد دارد. ما در عابرشهر معتقدیم هوشمندسازی شهر، نصب دوربین‌های جریمه نیست؛ بلکه درکِ رنجِ یک ویلچرسوار در اخرین زنجیره جابه جایی یا مایل آخر (The Last Mile) است. به عبارتی، فاصله میان ایستگاه حمل‌ونقل عمومی (مترو، اتوبوس) تا مقصد نهایی (خانه یا محل کار) برای عابرپیاده به عنوان مایل آخر از اهمیت بالایی برخوردار است. لذا از شهرداری‌های مناطق دعوت می‌کنیم تا با تکیه بر شواهد و تجربهٔ استفاده‌کنندگان، به جای همسان‌سازیِ کالبدی، به سمت طراحیِ محله‌محور حرکت کنند. در این ارتباط من آمادگی دارم با همکاری یک نهاد علمی، شاخص‌های پیشنهادی ارزیابی تجربه و دسترسی پیاده را برای یکی از پیاده‌راه‌های تهران (مثل همان ۱۵ خرداد) بررسی و متناسب با زمینه تدوین کنم.
