基于多源数据的非正式学习空间使用调查研究——以西建大东楼建筑广场为例
李爽，孔黎明*
高校中非正式学习空间，是除正式教学空间之外用以激发自主学习、自组织学习行为的空间环境[1]。当前，随着高校学习模式转变与多样化，非正式学习的重要性逐渐突显，多数高校通过快速扩建或改建增加非正式学习空间。但调研发现大量非正式学习空间由于学生对采光和噪声等物理环境的差异化需求，易产生不同学习行为的相互干扰，以及物理环境、空间布局或环境氛围与学习行为不匹配等问题。因此，对学生行为数据和物理环境数据进行采集与分析，有助于厘清主观选择、客观行为与室内物理环境之间的冲突和联系，为创建开放、复合、舒适的非正式学习空间提供理论支持。
早期，空间行为数据更多采用统计截面人流和问卷调查等方法进行调研。如今，随着定位技术的发展，实时采集被研究对象的坐标信息相对容易。徐友扣等[2]采用了室内无线定位监测系统以及物联网室内环境实时监测系统动态采集室内外环境参数。李力等[3-4]对东南大学图书馆阅览室定位数据与传统的调研数据综合分析，发现当前空间的用户行为模式。黄蔚欣[5]综合论述了大数据在环境行为研究的维度，可见当前多源数据相结合的环境行为分析研究已逐步增加[6-7]。但如何建立不同类型数据相互之间的关联，以及多维度信息叠合、比对、分析方法的研究还较为薄弱。本文结合案例研究非正式学习空间的数据采集需求、可视化方法、信息关联与对比分析方法，一方面发掘非正式学习空间的具体使用问题，在设计层面上提出更新建议；
另一方面探究环境行为视角下的多源数据采集、可视化、分析流程与方法。
在非正式学习空间案例研究基础上对拟采集数据进行类型化分析，从采集内容的角度分为物理环境数据、人员定位数据和主观信息数据三大类。具体包括房间分隔尺寸及家具尺寸，以及所处环境的温湿度、光照强度、噪声等数据；
使用者具体行为发生的次数、时间、位置；
使用者本身的群体属性构成、年龄、性别、偏好等等。从数据类型分为数值型、类别型和序数型三类；
从数据随时间变化的角度可分为静态数据和动态数据。
在数据分类研究的基础上，前期通过现场调研提出一些思考和推断，即人员行为轨迹是否如实反映了主观选择信息，物理环境是否对人员行为轨迹有影响，以及室内的物理环境实测与主观感受是否有所差别。分析并选取对空间使用影响较强的因素，将其具体化并归类。例如被动式节能措施对物理环境的实际效用，需要通过问卷中的主观判断结合客观的实际测量，并观察人们的行为辅助判断。从空间映射到图示再映射到生成图示的数据上（图1），整个思考过程是可逆的。通过厘清空间中的数据的来源和获取方法，区分出更有价值、意义或帮助推进设计的数据类型，是研究前期的主要工作。
图1 空间因素数据化流程图
2.1 研究对象的选取与采集设备的布置
此次实验选取调研对象为西安建筑科技大学教学东楼四楼建筑广场。建筑广场设计之初的理念遵循建筑教育的“场效应”，即希望通过良好的学习氛围和广泛的交流环境开启使用者之间的思想碰撞。其本身容纳了自主学习、小组讨论、集体协作等多种学习方式，并且在不同时期还会承担会议、报告、展览等功能，功能兼顾与转换都是该空间需要解决的问题，是复合性和综合性较强的空间，突显非正式学习空间的矛盾与特点。
为便于分析，可根据已有的行为模式将测量区域分为ABCD4个部分。通过对各种定位技术的优劣势分析（表1），选择UWB室内定位系统采集定位数据。通过可实时反馈的传感器测量物理环境数据，根据学习空间受各物理环境因素的影响程度，选取温度、相对湿度、光照强度和噪声4项测量内容。根据物理因素的特性和空间尺度，在测量区域分散布置11个检测点，并结合测量区域和位置为传感器编号。通过调查问卷了解使用者的主观意识和判断，其中个人信息用于了解使用者的基本背景与情况。主观物理环境感受用于和客观物理环境数据进行对比。该空间内各区域的具体使用习惯与实际定位数据对比。使用者的建议辅助该空间的更新设计（图2-4）。
表1 室内定位技术优劣势分析
图2 定位系统设备布置
图3 实验分区
图4 温湿度传感器布置
2.2 数据收集、预处理与可视化
测试时间选取了6月27日– 7月3日期间的6天时间，从每天早上9时到晚上21时。期间包括了1天休息日和5天工作日（其中2天举办毕业设计展览），容纳了该空间典型的复合使用模式。且外部天气有晴雨天变化，是西安夏季气候特征较为明显的时期。最终共收集到30万条定位数据，包含时间维度、位置维度以及接收传出信号的基站编号及其与标签的距离值。收集到温度、相对湿度、光照强度、噪声值数据各1600条左右，回收到120份有效问卷。
在进行数据可视化之前，要对数据进行清洗与预处理，使其形成规整统一、格式有效的数值。清洗的过程是发现偏离大部分数据的异常值，并找寻原因并判断其是否要去除。过程中由于一些干扰和设备故障，导致定位数据间歇性的缺失。但由于定位数据的传回时间间隔较短，数值密度较大，对定位标签的移动路径和停留位置的异常可以通过Python编写程序自动识别和剔除。物理环境数据也会由于干扰和信号强度弱导致数据的延迟传递或缺失与误差，所以在获取数据时，我们获得比后期分析更密集的数据，以便于排查一些特殊值。对于调查问卷数据的整理，则会根据以往经验剔除信息不全和有特殊偏差的内容与对象。
由于多源数据带有不同属性，若将其整合在一起，如同图层叠加，需要各个“图层”数据至少具有一个共同属性。通过预处理将采集到的类别型数据转化为数值型数据，这样可以将定位数据与物理环境数据叠加研究，用来探究用户行为与室内环境的关联性。将定位数据与用户个人心理数据叠加，用来探究使用者的实际选择与心理预期是否相符。
本次实验数据的可视化可以分为：基于时间维度的可视化，基于空间维度的可视化以及基于数据关系的可视化。例如定位数据通过由Python编写的可视化小程序，链接到底图文件，设置一系列出图变量，可以导出不同时间节点的人员分布图，通过调节时间间隔分析人员短时分布状态或整体趋势。例如物理环境数据只有11个测点，如何通过11个测点反映整个空间的物理场分布？解决思路是通过Rhino插件Grasshopper将同一时间点各测点的环境数据转变为自由曲面控制点的Z坐标，拟合为一个自由曲面；
再利用等高线将曲面进行分割，细分后的等高面高度赋值给渐变色参数，从而近似拟合得到整体环境数据可视化图像（图5）。在数据可视化过程中，找寻不同数据类型的共同点，综合考虑每条数据带有的时间属性或空间属性，便于将多源数据联系起来，进行叠加可视化与分析。
图5 数据可视化过程
3.1 人流量的时间变化与区域分布特征
数据与空间的联系可以展现人员的区域分布特征，下面是6天中人员分布的整体变化状态（图6），可以看到3种不同的使用模式。6天以来人员分布变化逐渐从密集变得稀疏，从均匀变得集中。整体使用人数在前两日最多，第三日与第四日固定人数与前两日较一致，过道上的轨迹变少；
最后两日整体使用人数明显变少。局部特征表现为A区和B区的整体使用人数较多，A区偶尔出现两端稀疏中部集中的情形，而B区可容纳人数要多于A区，人流聚集性也更强，东部靠近内侧的座位更受欢迎，而D区每日的使用人数差别较大。
图6 人员分布热力图
结合获取到的人员热力分布图和现场的情况（图7），分析其原因，可以发现这6日囊括了主要功能转换的节点。前两日是展览期间，中间两日又包含了周一，所以减缓了人流量衰减的速度。A区为座椅沿桌面两侧排布的传统阅览模式，有清晰可见的规律与秩序。B区为座椅呈四面围合、内向性较强的讨论模式，有半开放的环境气氛。D区每日的使用人流量差别较大，伴随着补充A区和B区座位的作用，呈现间歇性使用的状态，兼顾日常的课堂、会议、自习、休息等候等功能。
图7 各区域使用模式a-A区使用模式b-B区使用模式c-D区使用模式
3.2 人员行为与用户属性关联探究
为探究人员行为和各自的选择偏好是否有对应关系，将问卷中人们对各个区域的选择情况以灰度等级的形式按区域展现在平面上，叠加当日人员定位信息（图8）。从颜色深浅可以判断出各个区域的使用频率。A区和B区是最受欢迎的两个区域，D区与C区的热度相当。叠加人流轨迹的密度，可以发现实际使用情况与使用者的期望相吻合。从整体过渡到个别使用者的实际行为与意愿关系，比较他们自身习惯与选择，结果也十分相似。所以当前空间使用者的个人偏好与实际使用情况较为一致，人员分布密度正好和选择热度相契合，说明空间使用状况正面反映了使用者的期望。
图8 6月27日人员使用偏好（问卷）与实际定位之间的关系
3.3 物理环境对人员行为影响探究
为探索各种物理环境因素对人员位置是否产生影响，选取7月3日比较有代表性且数值差别变化显著的早中晚3个时间点，将采集到的物理环境数据根据公式代入温度与相对湿度估算出的舒适度值，以及光照强度与噪声值，分别转化成黑白明度铺设到建筑平面上，并且叠加人员的轨迹数据（图9）。
图9 7月3日3个时间点物理环境因素与定位数据叠加情况
纵向观察，随着时间推移，舒适度变化不明显，西北角和东北角两个位置较为适宜，但人员分布是白天相对分散，晚上更加集中。第二纵列比较，人员同样由分散变为集中，光线则是从白天集中于南部到晚上更加均匀的分布于室内。可以推断出，晚上在B区进行了更多的小组活动，B区的照度在晚上与A区的差值更小。而第三列的噪声值，可以看到空间内整体的噪声值偏大，但一天中变化规律不显著。整体看来，下午相对安静。可以推断出光环境和舒适度对人员分布起到一定导向作用，而声环境更多是人员分布后的反馈呈现。
3.4 主客观物理环境评价差异探究
对比主客观物理环境评价的差距，通过使用人员的问卷数据物理环境感受的统计与柱状图表达，以及环境传感器实测内容的数值（图10）。首先是温度感受与温度数值的比较，其中人群的70%感觉适宜，1/4的人感觉有些冷。根据当日的气候情况，室外温度从34℃降至21℃，推测原因是室内空调设备在部分区域的冷气过大。实测温度数据可以看到各点温度先上升再降低，温度均衡，有两个位置的温度数值明显低于其他位置。
图10 物理环境主观感受与客观测量比较
再观察光线的主客观感受，其中有一半的人感觉光线适宜，将近30%的人认为光线较亮。而在实际测量中，A区的测量点光线均值处于200lx～300lx之间，B区和D区的数值都低于100lx，没有达到一般学习阅览空间的要求。这和主观感受产生了一些冲突。另外，使用者对周围噪声的感受是94%的人感觉适宜和安静。下图中噪声数值波动的范围在50dB～60dB之间，这个数值在图书馆的噪声级分区中属于闹区，例如休息厅或公共活动区等。所以了解到照度和噪声的实测与使用者的直观感受有很大的出入。光照强度与噪声值对于学习空间是重要程度较强的两个因素，分析其中原因是学生进行的实际行为不同，对光线和噪声的要求有所不同，例如通过电子设备学习，光线稍微暗些也不会造成不适的影响。例如进行小组讨论、会议，或者佩戴耳机，都会对周围的声环境要求更低一些。可以发现，由于不同的行为模式，室内物理环境实测与使用者的主观感受有一定差别。
经过多源数据在时间和空间维度中的变化状态分析，以及数据与数据之间关系的结合判断，得到较为明确的认识是：人员行为轨迹相对完整和准确地反映了用户的属性与选择；
物理环境对人员行为影响并不十分显著，相比噪声环境，光照强度和舒适度对人员行为影响更大。人员的主客观物理环境评价差异比较大（温度相对一致），推测是心理因素、行为内容以及环境气氛削弱了物理环境中的不适之处。另外，通过以上分析，发现当前空间在使用中存在的一些问题，通过对各项问题的归类、总结与分析，获取这些问题的原因和相关因素：
（1） 通过人员定位轨迹观察到，人们看展的路径有时呈无序状态，在不同区域之间相互穿插。
（2） 通过人员定位分布和调查问卷的主观选择得知，A区和B区两个区域的使用频率最高，需求量大，其位置数量不足。
（3） 通过调查问卷和其他案例得知，该空间缺少特定的封闭小组讨论区域。
（4） 通过物理环境数据得知，室内没有自然通风，夏季室内温度不均匀，空调出风口直对某些区域。
（5） 通过物理环境数据得知，室内动静分区不清晰，光照强度不均匀，大部分区域光线较暗。
（6） 通过定位数据与物理环境数据分析得知，D区的物理环境中的声环境和光环境都较差，使用率偏低。
（7） 根据调查问卷数据及现场观察得知，该空间缺少一些硬件设施以及具有吸引力的装饰。
对于以上发现总结的问题，可以再次归纳为与时间序列、空间分布及数据关联三大方面。时间序列通过找寻单一类型数据随时间的变化趋势，或者一系列时间片段数据的空间呈现状态。数据与空间之间的关系则是基于建筑师对空间图示的敏感性，其数据可视化对设计分析与决策具有特定价值。探究同一空间载体或时间载体提取的不同源头的数据之间存在的关系，则是基于多源数据进行环境行为研究的关键路径。
研究在基于非正式学习空间用户行为的需求上，通过相关数据的采集、预处理、可视化等步骤，建立数据与时间、数据与空间以及多源数据的关联性。一方面，发掘出非正式学习空间具体的使用问题以及问题的严重程度；
另一方面，建立基于主客观数据相结合的复合功能空间调研流程与数据分析方法，探究此方法在如何相对量化的厘清多样化行为与空间布局和物理环境之间影响要素及关联度。
本研究主要通过时间和空间维度建立数据的关联，在后续的研究中可以尝试数据挖掘相关算法，从统计角度找寻数据变化和联系的内在规律，有针对性地将其他领域的数据分析方法引入环境行为数据的分析中。受到设备数量和人力的限制，此次观测时间较短，仅提取到夏季的数据。下一步可以通过开发自动采集记录物理环境及人员定位数据的系统，结合不定期问卷调研，通过长周期数据以增强研究的客观性和准确性。同时，可以开展环境数据和行为数据之间的敏感性或相关性量化研究，探求合理的量化评价指标及方法，从而推动多源数据分析在环境行为研究的进一步发展。□
猜你喜欢使用者可视化噪声基于CiteSpace的足三里穴研究可视化分析世界科学技术-中医药现代化(2022年3期)2022-08-22思维可视化师道·教研(2022年1期)2022-03-12噪声可退化且依赖于状态和分布的平均场博弈数学年刊A辑(中文版)(2020年3期)2020-10-27基于CGAL和OpenGL的海底地形三维可视化海洋信息技术与应用(2020年1期)2020-06-11“融评”：党媒评论的可视化创新传媒评论(2019年4期)2019-07-13新型拼插休闲椅，让人与人的距离更近好日子(2018年5期)2018-05-30控制噪声有妙法中学生数理化·八年级物理人教版(2017年9期)2017-12-20抓拍神器中国新闻周刊(2016年33期)2016-10-27一种基于白噪声响应的随机载荷谱识别方法噪声与振动控制(2015年4期)2015-01-01车内噪声传递率建模及计算振动、测试与诊断(2014年4期)2014-03-01