《AUTOMATION IN CONSTRUCTION》：Computational taxonomy development for digital passports using semantic topic modelling to advance circular construction
编辑推荐：
数字护照的数据需求碎片化阻碍了其对齐。语义主题建模能够自动将数据需求聚类为分类法。数字护照分类法通过多目标优化生成。评估结果揭示了分类逻辑与聚类凝聚力之间的权衡。交互式查看器支持对所产生分类法的理解与调节。
数字护照的数据需求碎片化阻碍了其对齐。语义主题建模能够自动将数据需求聚类为分类法。数字护照分类法通过多目标优化生成。评估结果揭示了分类逻辑与聚类凝聚力之间的权衡。交互式查看器支持对所产生分类法的理解与调节。
**基于语义主题建模的数字护照分类法开发：推进循环建造的计算化方法**
**一、研究背景与问题**
建筑、工程与施工（architecture, engineering, and construction, AEC）行业正面临向循环经济转型的迫切需求。将现有建筑视为“材料银行”，通过减缓、闭合和收窄材料循环来减少资源投入与废物产生，是实现这一转型的关键路径。然而，建筑构件的再利用依赖于跨项目可靠数据的获取。2024年，欧盟监管机构依据跨部门《可持续产品生态设计法规》（Ecodesign for Sustainable Products Regulation, ESPR）引入数字产品护照（digital product passport, DPP），并在修订后的《建筑产品法规》（Construction Products Regulation, CPR）中对建筑产品提出更具体的数据要求。尽管数字护照被视为支撑循环建造的重要工具，但实际实施面临严重障碍：数据属性术语缺乏共识、底层数据结构尚未统一，标准化进程高度碎片化。据统计，工业生态数据共享中心（Industrial Ecology Data Commons, IEDC）涵盖了超过400个数据集中的340万个数据点，凸显了跨部门数据要求的庞大性与复杂性。尽管CEN/TC 442已发布30余项标准，但现有标准框架（如ISO 12006-3、ISO 23387、ISO 23386）普遍预设一个已对齐的分类法作为输入，而非提供系统推导分类法的方法论。现有本体方法、人工归纳等方法同样假设相关概念和关系已被定义，无法适应法规和术语的持续演化。为此，研究人员提出研究问题：如何以最能代表循环建造数字护照共同数据需求的方式，识别主题及其分类关系？该研究旨在开发一种半自动工作流程，通过语义主题建模生成数字护照数据模板的分类法，以弥补这一方法论空白，相关成果发表于《AUTOMATION IN CONSTRUCTION》。
**二、研究概述**
研究人员提出并验证了一个四步半自动工作流程。首先，通过遵循PRISMA 2020指南的系统文献综述收集30份相关文档，并手动提取2010个数字护照数据需求数据点，编译为表格化数据集。其次，利用基于检索增强生成（retrieval-augmented generation, RAG）的三种大语言模型（large language model, LLM）——Apertus-8B-Instruct-2509、Phi-4-mini-instruct和GPT5-nano-2025-08-07——为每个数据点生成语境化描述。再次，对生成描述应用主题建模：使用BAAI/bge-m3嵌入模型将数据点映射至1024维向量空间，经UMAP降维、HDBSCAN密度聚类、c-TF-IDF主题表征及Ward层次聚类生成候选主题层级，并通过Optuna框架执行300次多目标Pareto优化，同时最大化DBCV聚类质量指标与CCC层级结构指标。最后，通过交互式网络界面组织专家研讨会，对生成的主题层级进行盲评与人工调节，形成最终的数字护照分类法。
**三、关键技术方法**
研究人员主要采用了以下关键技术方法：其一，基于PRISMA 2020的系统文献综述，筛选出30份文档（14份涉及材料护照、12份涉及数字产品护照、2份涉及产品循环数据表、2份涉及通用数字护照），从中提取2010个数据点。其二，RAG工作流（基于LlamaIndex实现），以滑动窗口切分文档（1024令牌块，200令牌重叠）并建立向量存储索引，检索最相关的两个文本块后由LLM生成每个数据点的描述。其三，使用编码器型嵌入模型BAAI/bge-m3进行语义向量化。其四，主题建模管线由UMAP（n_neighbours: 2–50, n_components: 2–15, min_dist: 0.0–0.3）、HDBSCAN（min_cluster_size: 2–50, min_samples: 1–20, cluster_epsilon: 0.0–0.3）及Ward层次聚类构成，结合Optuna贝叶斯优化进行超参数搜索，并以DBCV和CCC作为双优化目标。
**四、研究结果**
**4.1 文献综述数据集**
经PRISMA流程，最终纳入30份文档，合计提取2010个数据点。其中849个与材料护照相关，818个与数字产品护照相关，158个与产品循环数据表相关，185个未指定具体护照类型。数据点按原始文献中的数据组组织，构成后续分析的基础数据集。
**4.2 LLM生成的描述**
对三种LLM生成的描述质量进行比较。Phi-4-mini-instruct在超过11%的生成响应中表示“提供的上下文不足”，其嵌入在向量空间中形成单一密集簇，导致主题建模结果产生明显偏差；Apertus-8B-Instruct在不到2%的情况下出现该问题，GPT5-nano则低于0.5%。因此，研究人员指出，生成不完整响应的模型不推荐用于该主题建模工作流程。这一结论与后续聚类优化结果一致。
**4.3 主题建模**
基于Pareto优化，发现最优主题模型超参数配置能同时实现DBCV>0.5和CCC>0.6。两样本T检验显示，与数据点名称基线（平均CCC=0.56）相比，所有描述驱动模型均显著提高了CCC值（Apertus-8B-Instruct平均CCC=0.59，p=0.002；GPT-5-nano平均CCC=0.60，p<0.001；Phi-4-mini平均CCC=0.62，p<0.001），验证了LLM生成的描述能提升主题建模分类质量的假设。然而，除Phi-4-mini外，其余描述模型的DBCV分数均低于基线，表明构建的描述在提高层级结构质量的同时降低了聚类分离度。研究人员发现，LLM描述充当“语义平滑器”，将数据点质心拉近，从而提升了CCC但降低了DBCV。此外，聚类粒度对两项指标存在反向影响：主题数较少时CCC较高，主题数较多时DBCV较高。
**4.4 数字护照分类法**
专家研讨会由3位领域专家参与，其评分结果显示中等至强正向一致性（平均成对Pearson r≈0.67）。对16个候选主题层级（4个来源×各4个最优）的盲评表明，基于数据点名称生成的层级在总体得分上最优（均值75.00），优于GPT5-nano（74.63）、Apertus-8B-Instruct（61.65）和Phi-4-mini-instruct（58.72）。值得注意的是，专家感知的凝聚度与DBCV呈中等正相关（r=0.51, p=0.04），但感知的层级拟合度与CCC呈负相关（r=?0.54, p=0.03），说明统计最优的层级并不完全匹配专家判断。最终，专家通过交互式界面将最佳层级调节为包含6个核心主题的数字护照分类法，按所含数据点数量排序依次为：可持续性、产品信息、使用寿命和维护、物理属性、建筑信息以及健康与安全。
**五、讨论与结论**
讨论部分指出，主题建模结果强烈依赖于输入数据集和配置选择，包括嵌入模型、描述生成LLM、RAG上下文窗口和分块设置等，因此输出应视为配置依赖的参考建议，而非最终权威结构。该工作流程并非传统数据结构组织方法的替代，而是一种补充机制，将分散的数据需求整合为待专家验证和精化的起始分类法。研究还强调，分类法开发中的聚类有效性和术语相似度本质上是定性、语义性的概念，单纯依赖定量指标难以验证主题分配的实际准确性，专家评估和调节不可或缺。未来研究可沿知识图谱扩展、交互式编辑器开发以及利用LLM自动生成标准化数据模式等方向推进。
研究结论表明，该论文通过引入一种将自动化与专家调节相结合的计算工作流程，推进了信息技术在循环建造中的应用。其核心贡献在于实现了两个传统上依赖人工完成的任务的自动化与定量评估：一是在异构数据需求中识别概念相关的数据点与数据组，二是提供工具将其组装为全面的分类法。该工作流程通过定量（聚类质量指标）和定性（专家评分）两种方式捕捉共识。LLM生成的描述虽能增强术语的层级结构，但同时增加了嵌入空间的方差，可能降低个体聚类质量。因此，实际应用需要谨慎选择LLM、精确设计提示词，并进行专家验证。最终推导出的分类法可作为创建符合ISO 23387等标准的数字护照数据模板的结构参考，支持建筑实践中持续演进的标准化与监管要求，并为降低组织合规门槛、促进生命周期信息透明化提供有力工具。
