《Building Research & Information》：A systematic review of methods for interpreting building code regulations in automated compliance systems
编辑推荐：
自动化解释建筑法规对于提升建筑合规性的准确性、效率与透明度至关重要。然而，法规复杂性、动态更新以及司法管辖区的多样性仍是重大障碍。本系统综述批判性评估了最先进的计算方法，包括基于规则的推理、本体驱动框架、自然语言处理（NLP）、机器学习（ML）和大语言模型（L
自动化解释建筑法规对于提升建筑合规性的准确性、效率与透明度至关重要。然而，法规复杂性、动态更新以及司法管辖区的多样性仍是重大障碍。本系统综述批判性评估了最先进的计算方法，包括基于规则的推理、本体驱动框架、自然语言处理（NLP）、机器学习（ML）和大语言模型（LLMs）。通过准确性、效率、可靠性与可解释性的比较分析，研究人员识别出不同的权衡关系：基于规则和本体驱动的系统确保了确定性逻辑与法律可追溯性，但缺乏可扩展性；相比之下，ML和基于Transformer的模型（如BERT、GPT-4）提供了更优的适应性，但在可解释性和跨司法管辖区泛化方面面临挑战。该综述指出，融合符号透明性与神经网络适应性的混合人工智能（AI）架构代表了未来系统的有前景路径。研究最后概述了战略性研究议程以弥合当前方法论差距，特别强调标准化基准数据集、跨司法管辖区本体对齐以及可解释框架对于实现可扩展且法律上稳健的自动化合规检查的必要性。
本文系统综述了自动化建筑法规解释的计算方法，发表于《Building Research》。
研究背景方面，建筑法规作为确保建成环境安全性与可持续性的基础工具，其日益增长的复杂性、频繁的修订以及非结构化的呈现方式对自动化系统构成重大挑战。自动化合规检查（ACC）应运而生，旨在将自然语言法规转化为计算机可执行的格式以验证建筑模型。随着全球建筑业预计至2030年将大幅扩张，对可扩展且透明的合规机制的需求日益迫切。当前建筑许可流程中，不一致的人工解释和结构化数据集的缺乏导致审批周期延长、行政成本增加。传统的人工审查方式易出错，早期数字化努力如新加坡CORENET等基于规则的框架试图结构化法规条款，但在语言模糊性和 evolving code versions 的可扩展性方面存在局限。为应对这些差距，计算研究转向自然语言处理（NLP）和人工智能（AI），从统计模型和本体推理到更先进的数据驱动方法，近年来基于Transformer的架构如BERT和T5已深刻改变了该领域。
研究人员采用系统文献综述（SLR）方法，遵循Kitchenham和Charters及PRISMA 2020指南，在Scopus和Web of Science数据库中检索2014年6月至2025年4月的英文文献，最终纳入254项研究。研究将文献分为基于规则的系统、机器学习/深度学习/大语言模型方法以及混合架构三类，并以准确性、效率和可靠性三个维度建立统一比较评估框架进行分析。
主要技术方法包括：基于规则的系统采用一阶逻辑（FOL）、Horn子句和Prolog等灯犬逻辑框架表达条件依赖，并使用领域特定语言（DSL）和RASE、LegalRuleML等标记模式；机器学习和深度学习方法运用Transformer模型（如LegalBERT、RuleBERT）、序列标注技术（如BiLSTM-CRF）以及GPT-4等生成模型；混合架构则整合符号逻辑与统计学习，采用神经符号框架，结合BERT提取与基于不变量的逻辑；此外，NLP作为跨领域使能技术进行依存句法分析和语义角色标注（SRL），本体（如OWL、RDF）则提供语义互操作性基础设施。样本队列来源于全球分布的研究文献，中国和美国的贡献领先。
研究结果显示：
文献计量与发表趋势：期刊论文占61.2%，会议论文占23.7%，综述论文占11.5%；2020年后研究活动显著激增，2023年达到峰值超过20篇；《Automation in Construction》和《Advanced Engineering Informatics》为核心发表 venues。
概念网络分析与研究主题：通过VOSviewer分析形成五个互相关联的聚类。红色聚类（基于规则的方法）集中于确定性系统如Solibri等规则检查引擎，具有透明性和可追溯性但可扩展性受限；绿色聚类（机器和深度学习方法）主导中心左侧，将代码解释视为模式识别问题，但受数据稀缺性和"黑箱"不透明性约束；蓝色聚类（本体中心方法）位于底部，聚焦语义建模和知识表示，作为组织规则逻辑和为ML模型提供结构化语义输入的 backbone；黄色聚类（NLP聚焦研究）占据中心位置，作为跨领域使能技术将非结构化法规文本转化为结构化表示；紫色聚类（LLM和混合方法）反映最新演进，整合GPT-4等大语言模型与混合推理框架，利用生成能力同时通过本体结构锚定输出以确保可靠性。
计算方法概述（RQ1）：基于规则的方法将法规编码为显式形式逻辑，采用前向和后向链式推理及模糊逻辑，NLP通过命名实体识别（NER）自动从非结构化文本提取规则，本体提供领域知识的形式化表示；机器学习和大语言模型方法通过识别潜在模式解释法规，Transformer模型在语义任务中表现优异，生成模型通过大规模预训练解释法规，NLP pipeline 为训练结构化原始文本，本提供真实语义以减少LLM幻觉；混合架构将RBS、ML/LLM、NLP和本体整合为融合系统，NLP提供动态语义洞察以指导规则生成，本体作为结构骨干锚定生成式AI输出。
方法演进（2014–2025）：第一阶段为确定性时代（知识工程），采用FOL、SWRL和SPARQL，如新加坡CORENET e-PlanCheck和澳大利亚DesignCheck，但面临知识获取瓶颈；第二阶段为统计转向（知识学习），NLP作为关键中介，技术如依存句法分析和SRL自动提取义务，研究人员部署SVM、随机森林等监督算法，后发展至BiLSTM-CRF，但存在"黑箱"问题；第三阶段为神经语义翻译，采用编码器-解码器架构（BART、T5）将合规检查重塑为翻译问题，Fuchs等人证明数据增强显著提高逻辑形式F1分数，但复杂嵌套从句的精度损失凸显神经符号整合必要性；第四阶段为认知混合化与多模态推理（当前前沿，2022–2025），整合LLM、深度学习和本体为统一生态系统，如I-SNACC框架结合BERT提取与不变签名逻辑，LegalGPT采用思维链（CoT）推理，最近系统还纳入图神经网络（GNN）融合几何推理与语义验证。
文献中识别的挑战与差距（RQ2）：语义和语言复杂性方面，法规模糊性是最普遍的障碍，主观术语和嵌套条件从句抵制二元逻辑，即使Transformer模型也常受困于上下文依赖规则，生成式AI易产生"幻觉"；结构和层级复杂性方面，建筑法规是包含深层相互依赖的层级结构生态系统，静态本体随法规演进迅速过时，GNN难以处理链接不同文档的长程依赖；知识工程和适应性方面，依赖手动监督编码监管知识是关键瓶颈，缺乏大规模标注语料阻止稳健泛化，ML和LLM系统常对专有数据集过拟合；集成和互操作性方面，实际部署需与BIM和数字生态系统无缝集成，但真实世界BIM数据不一致阻碍实现，尚无标准化工具包确保可靠、可扩展的系统集成；可解释性和可审计性方面，当前XAI努力如注意力可视化往往肤浅，未能提供法律验证所需的逻辑溯源。
比较性能评估（RQ3）：基于规则系统在消防出口验证等结构化领域准确性达85-95%，执行速度毫秒级，具有法律可防御性但面对法规变更时"脆弱"；ML和LLM方法中LegalBERT在从句分类实现90-94%的F1分数，但全规模LLM面临显著延迟，"黑箱"特性和幻觉倾向限制其在法律情境中的自主使用；混合架构通常实现92-98%的准确性，通过分层推理缓解纯LLM延迟，通过将神经输出锚定于验证本体提供法律可审计性所需的可追溯推理路径。
讨论部分：跨领域分析表明单一方法不足。准确性-灵活性权衡中，基于规则系统确保精度但缺乏覆盖度，ML模型确保覆盖度但危及精度；效率悖论存在于LLM减少规则编码人力时间但急剧增加推理计算时间。最优策略为任务特定方法对齐：基于规则和本体推理应保留给关键安全条款、规范性从句和需要确定性可追溯性及严格法律可审计性的领域；NLP和LLM驱动模块应负责从句提取、分类以及模糊或性能要求的解释；编排框架必须作为中间件确保互操作性、强制更新一致性和维护透明决策日志。
对建筑许可和利益相关者的影响：建议采用"人在环中"（HITL）工作流，AI作为高吞吐量预筛选层，人类专家保留语义和定性判断权。政策制定者需推动"数字原生法规"，从源头以机器可读格式起草法规。针对司法管辖区异质性，未来框架须优先"模块化适应性"架构，使司法管辖区无关的核心本体能动态扩展本地化规则集。
战略决策框架：对于安全关键和高风险情境，优先基于规则和本体系统；对于动态和数据丰富情境，采用嵌入XAI机制的ML驱动架构；对于复杂跨司法管辖区项目，混合架构是唯一可行选择。
研究局限：仅限英文出版物存在语言偏见；特定布尔检索词可能遗漏相关研究；缺乏标准化基准数据集，依赖自报告指标阻碍完全客观定量比较。
研究结论：混合架构整合基于规则推理、NLP/LLM驱动语言理解和本体引导验证，展现出解决单范式系统局限的强潜力。然而，领域面临根本性科学差距：缺乏标准化且可信的评估框架，这源于指标不一致性、数据异质性和对推测性可靠性的依赖。未来研究必须优先发展自动化且持续的本体演进，实现自适应性本体利用NLP自主检测条款和协调术语变化；将"设计嵌入可解释性"作为核心原则，嵌入因果推理链和符号覆盖以确保监管接受所需的审计决策链；扩展至多语言和联邦适应性框架，联邦学习为跨碎片化监管格局共享模型智能提供前景路径；建立基准测试和真实世界验证，创建反映真实世界复杂性的高保真评估语料库。研究社区必须超越孤立创新走向共享学科，开发社区认可性能指标、建立开放多司法管辖区基准数据集，并强制透明实验协议以确保可重复性。从原型创新到法律稳健、全球互操作合规自动化的过渡，最终取决于研究社区对可重复性、问责制和科学完整性的集体承诺。
