《Architecture》：The Prompt Richness Index: A Proposed Seven-Dimension Framework for Evaluating AI Text-to-Image Generation in Architectural Design Education
编辑推荐：
将概念转化为建筑设计具有挑战性，这需要清晰的思路和可视化能力。AI驱动的文生图工具帮助设计者快速将概念转化为视觉表征，从而加速设计备选方案的探索。本研究提出一个包含十个步骤的数值程序，用于评估建筑设计工作室中提交给文生图生成式AI工具的文本提示词（prompt
将概念转化为建筑设计具有挑战性，这需要清晰的思路和可视化能力。AI驱动的文生图工具帮助设计者快速将概念转化为视觉表征，从而加速设计备选方案的探索。本研究提出一个包含十个步骤的数值程序，用于评估建筑设计工作室中提交给文生图生成式AI工具的文本提示词（prompt）的丰富度。23名建筑学学生参加了该设计工作室；其中22名提交了可分析的文本提示词，作为需要AI辅助概念可视化的设计任务的一部分。每个提示词在七个加权维度（主题特异性、风格与媒介、构图与取景、光影与氛围、色彩与调色板、质量修饰词和否定性条款）上进行评分，以生成综合的提示词丰富度指数（Prompt Richness Index, R，0–100分制）。相应的AI生成图像使用平行的输出丰富度指数（Output Richness Index, O，0–100分制）进行独立评分。学生个体平均R与O之间的Pearson相关系数r = 0.940（p < 0.001，95%置信区间[0.86, 0.98]），确认了两者之间近乎完美的正线性关系。丰富层级（Rich-tier）提示词由两名学生产出，其输出在建筑学上最为连贯且视觉上最具独特性。两名学生产出稀疏层级（Sparse-tier）提示词（平均R < 30），持续获得无差异化、通用渲染的输出。另有两名学生得分略高于稀疏阈值，但表现出类似的有限输出差异化。班级范围内的缺陷集中在光影/氛围描述和否定性条款使用上。基于研究发现提出了八项教学建议，以指导AI融合型设计工作室中的提示词学习教学。
**研究背景与存在问题**
概念设计阶段是建筑设计中最为关键的环节，要求设计师生成多种备选方案并从中选择最优解以表达模糊的设计意图，这一阶段涉及概念生成（concept generation），即针对设计问题产生创意的过程。然而，传统建筑教育以设计工作室（design studio）模式为核心，面临显著挑战：学生在工作室中往往过度依赖教师的专业经验来获取职业技能，缺乏独立构建系统知识的机会，倾向于被动接收信息而非主动参与，这制约了概念思维、独立思考和启发灵感的培养。初步建筑设计课程通常强调基本设计技能和绘图技巧，而对基本设计概念的应用或学生个体创造力的引导关注不足。
近年来，人工智能（AI）技术特别是文生图扩散模型（text-to-image diffusion models）已逐步融入建筑设计流程，为视觉构思提供了全新模式，使设计师能够以前所未有的速度探索设计备选方案。然而，AI生成图像的视觉质量与概念可靠性并不仅取决于生成器本身，而在很大程度上依赖于输入提示词（prompt）的内容、结构与语言精确性：输入不同则输出各异，提示词越精细，生成图像越丰富且连贯。尽管生成工具已在建筑教育领域引发广泛关注，学术界仍缺乏系统化、可复现的框架来测量和教授这种差异。为此，本研究提出三个研究问题：提示词丰富度在多大程度上影响AI生成视觉输出的质量？决定提示词丰富度的因素有哪些？每个因素的相对影响如何？提示词丰富度与提示词工程（prompt engineering）在建筑设计教育教学法中扮演何种角色？该论文发表在《Architecture》期刊。
**研究内容与结论**
研究在苏莱曼尼亚提什克国际大学（Tishk International University）的建筑设计工作室中开展，研究对象为23名三年级学生，其中22名提交了可分析的文本提示词（S8因仅提交图像而未含提示词被排除）。设计任务为位于2–8米高差坡地上的滨河餐厅概念可视化。学生自由选择任何文生图AI生成器，且未接受任何提示词写作指导，以采集参与者的基线提示词素养。共收集55个提示词及55张对应AI生成图像。研究人员提出了一个十步数值评估程序，从七个加权维度对提示词进行评分，生成综合的提示词丰富度指数（R，0–100分制），并采用平行的输出丰富度指数（O，0–100分制）由外部评审小组独立评分。结果显示，学生平均R与O之间的Pearson相关系数r = 0.940（p < 0.001，95%置信区间[0.86, 0.98]），确立了提示词丰富度是该情境下输出丰富度的主要决定因素。
**关键技术与方法**
研究采用的主要方法包括：十步提示词丰富度评估程序，涵盖七维加权评分体系（权重设定依据理论推导，主题特异性和风格/媒介为最高权重w = 2，构图和光影为w = 1.5，其余维度w = 1），通过加权平均公式R = (∑w
i×S
i)/(3×∑w
i)×100归一化至0–100分制；双评分者间信度采用组内相关系数（ICC(2,k)）评估；三位外部独立评审在盲评条件下构建输出丰富度指数（O）；Pearson相关分析用于检验R与O之间的线性关系。样本来自提什克国际大学建筑设计工作室三年级学生，共22名可分析参与者。
**研究结果**
*4.1 完整维度得分与R值*：数据集揭示了显著的学生内部差异。S2的四个提示词R值介于38至62之间，S4的四个提示词介于13至50之间，表明学生在提示词细节添加方面缺乏系统性，虽能直觉感知何时需要补充细节，但未能加以系统化应用。
*4.2 学生个体汇总与综合得分*：22名学生的平均R值为45，其中18名处于中等层级（Moderate，30–59分）。S10和S15达到丰富层级（Rich-tier，60–79分），平均R均为68，其输出在建筑学上最为连贯且视觉上最具独特性。S7（平均R = 27）和S9（平均R = 13）低于稀疏阈值（R < 30），持续获得无差异化、通用渲染的输出。S4（平均R = 31）和S14（平均R = 32）略高于稀疏阈值但维度覆盖有限。无学生达到高度具体层级（Highly Specific，≥80分），S10–P2以R = 77为最高单提示词得分。
*4.3 维度层面班级分析*：主题特异性（S1）和风格/媒介（S2）是学生最自然掌握的维度，分别达到各自最大值的69%和68%。构图与取景（S3）处于中间采纳水平，为45%。光影/氛围（S4）、色彩/调色板（S5）和质量修饰词（S6）均处于高优先改进差距区，各维度均低于最大值的33%，是班级快速提升的最大机遇。否定性条款（S7）的班级均值为精确的0.00，全部55个提示词中无一使用否定性条款或排除性术语，这一完全缺失是实验中最具可操作性的发现。
*4.4 范例提示词与最弱提示词*：数据集中七个最具启发性的提示词中，四个最高分提示词均呈现丰富层级特征，涵盖多维度精确描述（如S10–P2达到R = 77）；三个最低分提示词呈稀疏层级，其信息不足以使生成器解析建筑形式、材料或氛围，导致输出呈现通属化、风格不一致且建筑特征不明确的特征。
*4.5 提示词–输出丰富度相关性*：Pearson相关分析显示r = 0.940，提示词丰富度可解释约88%的输出丰富度方差（R2 ≈ 0.88）。相关数据中识别出三种结构性模式：丰富层级收敛（S10和S15的R与O几乎一致，生成器仅获得最小解释自由度）、正偏离模式（S5、S2和S21的输出优于提示词预测，归因于文化风格标记如"Moroccan""brutalist"等作为高密度风格标记激活了训练语料库中的既有先验知识）、稀疏聚类（S7、S9和S4聚集于两尺度底部，输出因其训练数据先验而受地板效应制约）。
**讨论与结论**
讨论部分指出，撰写有效的AI建筑可视化提示词在结构上等价于撰写建筑设计任务书，两者均要求将概念进行空间锚定（主题特异性、构图）、赋予视觉语法（风格、媒介）、规定氛围特质（光影、色彩）并界定边界（否定性条款）。提示词工程由此被重构为建筑智能的直接表达，具体而言是其语言维度，是对设计思维的技术性补充而非替代。生成器效应揭示了风格标记作为可学习策略的价值，但过度依赖风格标记而缺乏空间与氛围锚定会产生风格可辨识但建筑精度欠佳的输出。否定性条款的完全缺失指向最高杠杆的单点教学干预：学生并非有意识选择不使用，而是对此机制全然不知。学生内部差异则表明诊断-迭代循环程序对这些学生尤为有效。结论强调，AI可视化的提示词写作并非设计思维的技术附加项，而是一种新型空间素养——即将建筑概念转化为精确、分层且具氛围感的语言，供生成系统忠实渲染的能力。基于八项教学建议，论文倡导将提示词素养与绘图、建模和表现一同纳入设计工作室课程体系。研究局限包括单一队列（n = 22）与单一设计任务、未控制学生先验AI工具经验、O评分的组合层面聚合可能掩盖学生内部输出差异、R与O共享镜像维度结构、学生自选生成器引入未控制的平台层次变量，以及作者同时担任主评分者的潜在评分者偏倚。该框架在大型语言模型概念开发、图像到图像编辑、三维生成建模或建筑信息建模（BIM）等其他AI辅助设计活动中的适用性仍需进一步验证。
