Hur kan man mäta trygghet med hjälp av artificiell intelligens?
Hur kan man mäta trygghet med hjälp av artificiell intelligens?
Alltifrån ökat dödligt våld, globala konflikter till bristfälligt utformade stadsmiljöer- det finns många anledningar till att otrygghet har blivit en växande utmaning för städer som Stockholm att ta itu med. I kombination med det faktum att ”trygghet” är ökänt svårt att både definiera samt mäta, så finns det en tydlig efterfrågan på innovativa metoder och teknik för att bättre kunna förstå fenomenet. I den nyligen publicerade artikeln Assessing differences in safety perceptions using GeoAI and survey across neighbourhoods in Stockholm, Sweden beskriver vi ett försök till att göra just det. I denna studie tillämpar vi visuellt baserad AI och maskininlärning för att analysera Google Street View-bilder av Stockholm, med syftet att bedöma den upplevda tryggheten av olika stadsmiljöer. Vår AI-modell har tränats upp på data från en undersökning med över 2000 stockholmare, vilka fick i uppdrag att rangordna ett urval av street view-bilder med avseende på trygghet. Baserat på detta kunde en sorts upplevd trygghetspoäng beräknas för var och en av de utvalda bilderna. När träningen av AI-modellen slutförts så kunde vi sedan beräkna trygghetspoäng för alla Street View-bilder i Stockholm, vilket gav oss en sorts karta över upplevd trygghet i staden.
För att kunna förstå mer om hur det AI-baserade trygghetsmåttet förhåller sig till mer traditionella metoder så skapade vi också ett annat trygghetsmått, denna gång baserat på svar från Stockholms Stads enkätbaserade trygghetsundersökning 2020. Medan vårt AI-baserade mått ger en indikation om den genomsnittliga personens omedelbara trygghetsuppfattning om en plats, så reflekterar det enkätbaserade måttet bättre invånarnas lokala erfarenheter och oroskällor relaterat till deras bostadsområde. I resultatet av vår analys fann vi att områden som kan betraktas som “ekonomiskt livfulla” (t.ex. hög andel av barer, transportnav, kommersiell mark etc.) och har en högre andel bostadshus samt grönska uppfattades som trygga rent visuellt. Dessa typer av områden uppfattades dock inte nödvändigtvis som sådana av de som faktiskt bodde i dessa områden. Vår slutsats inkluderar att betona den skillnad i trygghetsupplevelse (perception bias) som uppstår mellan de som har lokal kunskap om en plats och de som endast får en ögonblicksbild.
Resultaten belyser vidare komplexiteten i begreppet trygghet, samt visar hur innovativa tillvägagångsätt som AI-teknik kan användas för att få en mer komplett bild av personers trygghetsupplevelser. Vi tror att denna studie kan vara till stöd hos praktiker såsom stadsplanerare genom att erbjuda alternativa verktyg som komplement till traditionella metoder för främjandet av tryggare städer.
Jonatan Abraham är en doktorandstudent vid Avdelningen för Urbana och regionala studier på KTH, samt delaktig i projekt inom samarbetet Senseable Stockholm Lab. Hans forskningsområde är främst individers upplevda trygghet, speciellt i relation till den fysiska och sociala miljön. Då fokusen i studierna ofta är kring den rumsliga komponenten i trygghet använder han sig främst av statistiska och spatiala metoder i GIS-program.
