从街景图像分析安全感知的性别差异

越来越多的城市研究文献充分认识到建筑环境与人类安全感知之间的关系。然而，人们缺乏对场所感知的性别差异的关注，尤其是在使用街景图像评估感知安全的研究中。这种限制阻碍了对安全认知的全面评估。结合性别或侧重于男性的传统分析并不能充分解决女性感到安全的具体需求。为了纠正这种情况，60名参与者根据性别分为两组。他们在1034个SVI上的感知安全得分，我们使用回归分析来推断影响性别安全得分的街景元素的相似性和差异性。其次，训练了一个机器学习模型，考虑了大约30个街景元素，并用于预测城市中SVI的安全得分。最后，可视化了性别之间感知差异的空间分布，并描绘了不同场景的肖像。结果表明：1）男女的安全得分主要受“道路”、“人行道”和“汽车”等因素的影响，而“桥梁”的影响因性别而异。2） 女性和男性的预测安全性得分之间存在高度相关性。然而，女性认为63%的场景不安全，而男性只认为23%的场景不不安全，这表明差异为40%。3） 场景越安全，性别之间的感知差异就越小。相反，与男性相比，现场越不安全，女性的安全感就越弱。 首先，从地图公司获得的SVI仅在白天获得，而忽略了夜间感知安全这一同样重要的方面。为了解决这一问题，未来的研究可以研究使用生成对抗性网络（GANs）将白天的SVI转换为夜间表示，从而在安全感知研究中评估夜间SVI（Isola等人，2017）。其次，由于文化差异，中国的城市感知研究往往需要自己的志愿者，而不是依赖其他地区的大型公开数据集（例如，MIT Place Pulse）。因此，相关研究中的志愿记分员人数通常有限，所选人群主要包括年轻学生。为了进行更全面的研究，未来的研究应寻求更多样化的志愿者群体参与，包括经验丰富的安保人员和亲身经历过安全问题的个人。通过纳入这些观点，可以实现对城市安全的更相关和更全面的理解。最后，我们感谢我们的评审人员，他们正确地强调了对数据集质量引起的潜在偏差保持谨慎的重要性，包括由个体差异和评分方法以及ML模型的精度引起的偏差。这些因素可能高估/低估了城市安全和感知安全方面的性别差异。作为一项预防措施，政府机构和相关设计师应考虑对关键场景进行现场审计，这些场景的安全评分较低或性别观念存在重大偏差。