生成式人工智能在建筑、工程与施工(AEC)工作流中整合的社会技术评估:基于O*NET职业分类法的实证研究

《ADVANCED ENGINEERING INFORMATICS》:Socio-technical assessment of generative AI integration in architecture, engineering, and construction (AEC) workflows: An empirical study using O*NET occupational taxonomy

【字体: 大 中 小 】 时间:2026年01月29日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

  生成式人工智能(GAI)有望重塑建筑、工程与施工(AEC)行业的工作流程。尽管以往研究提供了有价值的技术演示和概念分析,但量化GAI相关影响在AEC各职业中的实证证据以及对采纳就绪度的系统性评估仍然有限。本研究开发了一个特定领域的社技术评估框架,对O*NET定

  
生成式人工智能(GAI)有望重塑建筑、工程与施工(AEC)行业的工作流程。尽管以往研究提供了有价值的技术演示和概念分析,但量化GAI相关影响在AEC各职业中的实证证据以及对采纳就绪度的系统性评估仍然有限。本研究开发了一个特定领域的社技术评估框架,对O*NET定义的十三个AEC职业进行技术能力、社会风险和采纳障碍的职业层面分析。数据通过为期六个月对162名AEC专业人员的调查收集,辅以六次专家访谈和系统性文献综述。研究发现:(1)技术能力方面,采用暴露评分(范围从?1(低适用性)到+1(高适用性))衡量,设计导向型职业(如建筑绘图员:0.16)显示出中等适用性,而现场和体力活动型职业(如建筑工人:?0.89)的匹配度极低。(2)社会风险方面,采用0–1的关注度量表评估,将幻觉(0.71)、数据隐私(0.70)和知识产权问题(0.69)确定为关键关注点。(3)社技术采纳方面,有限的技术专业知识(26.0%)和不确定的投资回报率(16.8%)被确定为主要障碍,而受访者强调需要使用指南和标准(29.6%)以及针对性培训(29.2%)来促进负责任整合。基于这些发现,研究概述了负责任GAI部署的战略优先事项,包括AEC特定标准、针对性劳动力培训、人在回路验证机制和领域定制数字基础设施。该框架和实证证据为研究人员、从业人员和政策制定者引导GAI安全有效整合到AEC工作流程中奠定了基础。
研究成果解读

一、研究背景与问题提出

建筑、工程与施工(AEC)行业长期面临劳动力短缺、生产率低下和项目复杂性不断增加的持续性挑战。解决这些系统性挑战需要在不损害安全或质量的前提下增强劳动力能力和提高运营效率的方法。生成式人工智能(GAI)通过学习大量设计文档、规格说明、合同和现场信息,能够大幅减少设计、文档编制、报告和信息综合等任务所需的人工投入,为AEC行业带来了变革性机遇。然而,尽管GAI潜力巨大,现有研究仍存在显著缺口:技术层面,缺乏对GAI在特定职业中就绪度的量化实证证据,多数研究集中于用例展示或定性分析;社会层面,GAI采纳引发的知识产权侵权、幻觉错误、劳动力替代等伦理与社会风险缺乏结构化评估;社技术层面,AEC组织普遍缺乏支持负责任采纳所需的数字基础设施、培训机制和治理框架。既有技术采纳模型(如技术接受模型、技术-组织-环境框架)主要用于分析组织行为,未针对GAI的任务级适用性、领域风险或AEC特定监管约束进行评估。值得信赖和负责任的人工智能框架虽提供了高层次原则,但需在AEC特定工作流程中进行可操作化。因此,本研究旨在开发一套适用于GAI在AEC中整合的社技术评估框架,为研究人员、从业者和政策制定者提供实证依据。

二、研究方法与关键技术

研究人员构建了一个包含三个相互关联维度的社技术评估框架:技术维度评估GAI能力就绪度,社会维度评估GAI风险与危害,社技术系统维度评估采纳障碍与支持需求。研究以美国劳工部开发的O*NET职业数据库为基础,选定十三个与AEC相关的职业进行分析。数据收集通过2024年5月至11月为期六个月的问卷调查完成,采用目的性抽样策略,共获得162份有效回复,样本量经Cochran公式验证在95%置信水平下误差幅度约为±7.7%。研究同时辅以六次专家访谈和系统性文献综述。抽样渠道包括专业协会(如ASCE工作组)、LinkedIn推广、学术与行业网络研讨会及会议交流。研究经卡内基梅隆大学机构审查委员会批准(IRB #IRB00000603),采用匿名化数据收集和处理程序。主要技术方法包括:基于O*NET任务描述符的职业GAI暴露评分模型(Eocc)和任务GAI暴露评分模型(Etask);李克特量表响应的线性归一化处理;Cronbach's alpha内部一致性检验;已知组比较的构念效度验证;Spearman等级相关分析。

三、研究结果

(一)受访者人口统计学与职业特征

受访者涵盖设计专业人员(建筑师、绘图员)、工程角色(土木工程师、工程技术员)、分析角色(成本估算师、预算分析师)、施工管理与检查角色以及现场导向职业(建筑工人)。土木工程研究人员(27.8%)、建筑师(25.9%)和土木工程师(24.1%)构成样本中最大群体。住宅建筑项目经验最为普遍(63.0%)。约三分之一受访者拥有十年以上经验,另三分之一具有一至五年经验。ChatGPT是最广泛使用的GAI工具,28.8%的受访者每周使用数次,27.5%表示经常或每日使用。

(二)技术维度:跨职业与工作活动的能力暴露

职业层面暴露评分显示,合规经理暴露评分最高(0.22),建筑与土木绘图员次之(0.16),土木工程研究人员、预算分析师和施工经理呈现中等暴露(0.12),而施工与建筑检查员(?0.31)和建筑工人(?0.89)呈现负向暴露。工作活动层面,信息与数据处理暴露评分最高(0.26),推理与决策次之(0.19),沟通活动为0.15。体力任务暴露评分低至?1.00。对合规经理与建筑工人的跨详细工作活动比较显示,合规经理在风险分析和审计准备等任务中暴露值最高达0.50,而建筑工人的体力任务持续为?1.00。

(三)社会维度:GAI整合的伦理与社会风险

幻觉和虚构事实获得最高关注度,31.5%的受访者强烈同意其构成风险。数据隐私与安全风险呈现类似模式,34.4%强烈同意。规范化风险评分显示,幻觉(0.71)和数据隐私与安全(0.70)为最高感知风险,知识产权问题(0.69)和人类监督缺失(0.66)构成中高风险,决策偏见(0.61)反映对训练数据局限性的认知,岗位替代得分最低(0.55)。

(四)社技术维度:采纳障碍、支持需求、培训与监管

技术专业知识缺乏是最常被引用的障碍(26.0%),不确定的投资回报率(16.8%)和监管合规问题(16.1%)次之。支持需求方面,GAI使用指南与标准(29.6%)和技术培训与支持资源(29.2%)是最常被识别的需求。39.9%的受访者表示其组织未提供任何GAI相关培训资源。50.8%的受访者表示其组织没有GAI特定政策。

(五)测量验证与推断分析

风险量表Cronbach's alpha系数α=0.801,表明内部一致性良好。已知组比较确认设计导向型职业的暴露评分系统性地高于现场导向角色,验证了暴露测度在概念上一致且经验上稳定。Spearman等级相关系数ρ=0.184(p=0.548),表明职业暴露与感知风险之间无统计学显著关联,感知风险可能受更广泛的背景性和组织性因素影响。

四、讨论与结论

研究表明GAI对信息密集型工作流程的增强作用最为显著,而现场执行任务短期内仍难以被替代。幻觉、数据隐私和知识产权问题的高关注度凸显了建立AEC特定治理机制、验证协议和安全数据管理规程的紧迫性。研究人员提出四项战略优先事项:制定AEC特定GAI指南与标准、开发角色特定培训与能力建设机制、整合人在回路治理与绩效评估、构建可扩展数字基础设施与领域定制GAI模型。研究同时指出其局限,包括样本代表性不均、自我报告测量偏差、以及当前分析局限于现有文本和图像能力GAI系统。未来研究应扩大地理覆盖范围,整合实验和客观工作流程数据,并探索多模态模型、机器人辅助工作流和AR/VR支持流程对GAI适用性的拓展潜力。本研究通过职业级暴露测度、风险与危害评估以及采纳障碍与支持需求分析三个方面的贡献,为AEC行业负责任且可扩展的GAI采纳奠定了实证基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号