Bir binoning odamlar tomonidan chiroyli, ta’sirchan, murakkab yoki atrof-muhit bilan uyg‘un deb topilishi faqat binoning jismoniy xususiyatlaridan kelib chiqmaydi. Baholash kuzatuvchining avvalgi tajribasi, kasbi, me’morchilik bilimlari, shaxsiy afzalliklari va ilgari ko‘rgan binolari bilan solishtirishlari orqali ham shakllanadi. Ushbu tadqiqot shahar timsoli bo‘lgan inshootlarning estetik bahosini Katta Til Modellari (Large Language Models; LLM) dan foydalanuvchi ko‘p agentli tizim orqali hisoblashga urinadi.

Misol sifatida Pekin Milliy Stadioni, keng tarqalgan nomi bilan Bird's Nest ishlatilgan. Tizim uchta ixtisoslashgan sun’iy intellekt agentidan iborat. Visual Perception Agent (VPA) binoning jismoniy xususiyatlarini tasvirlardan obyektiv matnli tavsiflarga aylantiradi. Behavioral Fitting Agent (BFA) foydalanuvchining demografik xususiyatlari va oldingi afzalliklaridan foydalanib xulq-atvor profilini yaratadi. Fusion & Reasoning Agent (FRA) esa vizual faktlarni foydalanuvchi profili bilan birlashtirib estetik ballarni bashorat qiladi.

Tadqiqotning asosiy yangiligi bo‘lgan Comparative Case-based Cognitive Schema (CCCS) shaxsning boshqa to‘rtta stadion haqidagi haqiqiy baholarini kognitiv tayanch sifatida ishlatadi. CCCS bo‘lmaganda modellar asosan jamiyatning o‘rtacha estetik moyilligiga yaqinlashadi va individual farqlarni sust kuzatadi. Taqqoslovchi afzalliklar tarixi qo‘shilganda modellarning individual variatsiyani kuzatuvchi Pearson korrelyatsiyalari sezilarli darajada oshadi.

Takomillashtirilgan tizimda eng yuqori umumiy relaxed accuracy qiymati %82,07 va MAE 0,887 deb xabar qilingan. Biroq relaxed accuracy 1–5 ballik Likert shkalasida bashoratning haqiqiy foydalanuvchi bahosidan ±1 ball masofada qolishini to‘g‘ri deb hisoblaydi. Shu sababli bu ko‘rsatkichni aynan sinf bo‘yicha aniqlik sifatida talqin qilmaslik kerak.

Nega shahar estetikasi faqat binoning o‘zi bilan izohlanmaydi?

Me’morlar va shahar rejalashtiruvchilari binoni shakl, nisbat, konstruktiv tizim, fasad kompozitsiyasi yoki atrof-muhit bilan aloqasi orqali baholashi mumkin. Oddiy foydalanuvchi esa xuddi shu binoga ancha intuitiv yondashishi mumkin: “yoqimli”, “sovuq”, “ta’sirchan”, “murakkab”, “begona” yoki “atrof-muhit bilan uyg‘un” kabi hissiy va kognitiv reaksiyalar bildirishi mumkin.

Tadqiqot bu farqni loyihachilar bilan foydalanuvchilar o‘rtasidagi kognitiv bo‘shliq sifatida ko‘radi. An’anaviy Post-Occupancy Evaluation (POE; foydalanishdan keyingi baholash) so‘rovlari bu bo‘shliqni o‘lchashi mumkin; biroq katta namuna to‘plash vaqt va xarajat talab qiladi hamda ular loyiha tugagandan keyin o‘tkazilgani sababli natijalar ko‘pincha retrospektiv bo‘lib qoladi.

Tadqiqotchilarning maqsadi inson fikr-mulohazasini yo‘qotish emas, balki cheklangan haqiqiy inson ma’lumotlarini LLM asosidagi simulyatsiyalar bilan kengaytirib, loyiha bosqichida ertaroq ishlatilishi mumkin bo‘lgan baholash tizimini yaratishdir.

Estetik Baholash Qaysi 12 O‘lchamda Amalga Oshiriladi?

Tadqiqot estetik javobni yettita shakliy, uchta mavhum va ikkita hissiy o‘zgaruvchidan iborat 12 o‘lchamli tuzilma sifatida modellashtiradi.

Haqiqiy inson ma’lumotlari qanday to‘plangan?

So‘rov faqat Bird's Nest’ga jismonan tashrif buyurgan shaxslarga o‘tkazilgan. Ma’lumot yig‘ish 2026-yil fevralida yakunlangan va yaroqsiz javoblar chiqarib tashlangach 1.201 ishtirokchi qolgan.

Ishtirokchilarning %82,4’i stadionga kamida ikki marta tashrif buyurganligi sababli ma’lumotlar to‘plami uni birinchi marta ko‘rayotgan sayyohlardan ko‘ra binoga ma’lum darajada tanish foydalanuvchilarni ko‘proq ifodalaydi.

Shu bilan birga, %91,2 lik san’at/me’morchilik tajribasi ulushi juda yuqori. Shu sababli tadqiqot natijalarini qo‘shimcha tekshiruvsiz “o‘rtacha jamoatchilik fikri” sifatida baholash to‘g‘ri emas.

Likert baholashi

Foydalanuvchilar umumiy estetik qoniqishini va 12 ta alohida estetik o‘lchamni:

1 = mutlaqo qoniqmagan

bilan

5 = to‘liq qoniqqan

oralig‘ida baholagan.

Foydalanuvchi vizual xususiyatlarni qaysi tartibda muhim deb bilishini sonli vaznga aylantirish uchun Linear Rank Weighting qo‘llangan:

\[ W=\frac{M-r+1}{M} \]

Bu yerda \(M\) bir kategoriyadagi jami indikatorlar sonini, \(r\) esa foydalanuvchining mazkur xususiyatga bergan reyting tartibini bildiradi.

CCCS Nima va Individual Afzallikni Qanday Ushlashga Harakat Qiladi?

Comparative Case-based Cognitive Schema shaxsning Bird's Nest bahosini faqat demografik xususiyatlaridan bashorat qilish o‘rniga, uning avval boshqa stadionlarga bergan haqiqiy ballaridan shaxsiy estetik xotira sifatida foydalanadi.

To‘rtta taqqoslovchi bino

Bird's Nest’dan tashqari Xitoydagi to‘rtta stadion ishlatilgan:

• Chengdu Fenghuangshan Sports Park Football Stadium
• Shanghai Pudong Football Stadium
• Xi'an Olympic Sports Center Stadium
• Quzhou Stadium

Bu binolar ayniqsa turli shakl, material, tekstura, yopiqlik va atrof-muhit bilan munosabat xususiyatlariga ega bo‘lgani uchun tanlangan.

Masalan, Bird's Nest manbada tartibsiz to‘qilgan po‘lat grid va monumental masshtab bilan; Quzhou Stadium esa topografik, landshaft bilan uyg‘unlashgan va organik me’morchilik sifatida ta’riflanadi. Shu tariqa foydalanuvchining qaysi vizual xususiyatlarga ijobiy yoki salbiy javob bergani taqqoslovchi misollardan chiqarib olinishi mumkin.

Vizual stimullarni standartlashtirish

Har bir bino uchun ikkita tasvir ishlatilgan:

• makro masshtabdagi havo ko‘rinishi,
• fasad va material tafsilotini ko‘rsatuvchi yaqin ko‘rinish.

Maqsad faqat umumiy siluetni emas, mikro masshtabdagi tekstura va tektonik xususiyatlarni ham baholash tizimiga kiritishdir.

Uchta Sun’iy Intellekt Agenti Qanday Vazifalarni Bajaradi?

1. Visual Perception Agent — VPA

VPA stadion tasvirini bevosita “chiroyli/xunuk” deb baholamaydi. Uning vazifasi tasvirni obyektiv jismoniy tavsiflarga aylantirishdir.

Masalan:

“exposed, unpainted Q460 steel”

kabi jismoniy material tavsifini yaratishi mumkin.

Agentning 10 vizual o‘lchamda yaratgan tavsiflari 20 so‘zdan kam saqlangan va subyektiv hissiy sifatlar ishlatishi prompt orqali cheklangan.

2. Behavioral Fitting Agent — BFA

BFA foydalanuvchining estetik xulq-atvor profilini yaratadi.

Avval jins, yosh, kasb va shunga o‘xshash demografik xususiyatlar asosida mos nomzodlarni filtrlaydi. Keyin foydalanuvchilarning xususiyat-vazn vektorlari orasida kosinus o‘xshashligi hisoblanadi.

Maqsadli foydalanuvchiga eng o‘xshash:

\[ K=20 \]

kishilik guruh tanlanadi.

Bu guruhning o‘rtacha bahosi Social Baseline, ya’ni ijtimoiy boshlang‘ich ball bo‘ladi.

CCCS faol bo‘lganda foydalanuvchining to‘rtta taqqoslovchi stadionga bergan oldingi javoblari ham profilga qo‘shiladi. Shu tariqa tizim faqat “bu yosh guruhidagi odamlar nima deb o‘ylaydi?” degan savolni emas, “aynan shu odam ilgari qanday me’morchilikni yoqtirgan?” degan savolni ham ishlatadi.

3. Fusion & Reasoning Agent — FRA

FRA VPA’dan kelgan obyektiv bino xususiyatlarini BFA’ning foydalanuvchi modeli bilan birlashtiradi.

Asosiy mantiq:

1. K=20 qo‘shnidan ijtimoiy boshlang‘ich ball yarat.
2. Maqsad binoning jismoniy xususiyatlarini VPA’dan ol.
3. Foydalanuvchining oldingi ijobiy/salbiy afzalliklarini ko‘rib chiq.
4. Xususiyatlar ijobiy afzallik bilan mos kelsa ballni oshir.
5. Salbiy afzallik bilan mos kelsa kamaytir.
6. Oldingi afzallik bilan moslik bo‘lmasa social baseline’ga qayt.

Bu yondashuv modelning kontekst bo‘lmaganda erkin tarzda estetik asos yaratishini cheklash uchun ishlab chiqilgan.

Nega bir xil bashorat besh marta ishga tushiriladi?

LLM chiqishlari harorat va token namunalash tufayli stoxastikdir. Shu sababli FRA har bir foydalanuvchi–bino juftligi uchun bir xil vazifani:

\[ N=5 \]

marta mustaqil bajaradi.

Yakuniy ball besh bashoratning arifmetik o‘rtachasidir.

Manba buni Ensemble Averaging Strategy deb ataydi.

Tadqiqot Usuli va Natijalari

So‘rovning ichki izchilligi

Bu natijalar ishlatilgan 12 o‘zgaruvchili baholash vositasining manba ma’lumotlari to‘plamidagi yuqori ichki izchilligini qo‘llab-quvvatlaydi.

Nega o‘nta turli LLM sinovdan o‘tkazildi?

Tizimning bitta tayanch modelga bog‘liq yoki bog‘liq emasligini ko‘rish uchun ham yopiq mulkiy, ham open-weights kategoriyasidagi o‘nta turli LLM bir xil umumiy agent tuzilmasida baholangan.

Manbada ko‘rib chiqilganlar orasida GPT-5.1, GPT-5.2, GPT-4.1, Gemini 2.5 Flash, Gemini 3 Flash, Claude 4.5, GLM 4.7, Qwen 3, Llama 3.3 va DeepSeek bor.

Barcha modellar rasmiy bulut API’lari orqali, bir xil vazifa tuzilmasida ishlatilgan va reasoning temperature:

\[ T=0,7 \]

qilib belgilangan. Chiqishlar majburiy JSON formati bilan cheklangan.

Relaxed Accuracy aynan nimani anglatadi?

Tadqiqotning asosiy aniqlik metrikasi:

\[ |Pred-True|\le1 \]

shartidir.

Masalan, haqiqiy foydalanuvchi bali 4 bo‘lsa:

• 3 → relaxed bo‘yicha to‘g‘ri,
• 4 → relaxed va exact bo‘yicha to‘g‘ri,
• 5 → relaxed bo‘yicha to‘g‘ri,
• 1 yoki 2 → relaxed bo‘yicha noto‘g‘ri

deb hisoblanadi.

Shu sababli relaxed accuracy qiymatlarini baholashda 5 kategoriyali shkalaning ±1 tolerantligi albatta hisobga olinishi kerak.

Taqqoslovchi afzalliksiz tayanch samaradorlik

CCCS ishlatilmaganda eng yuqori umumiy relaxed accuracy:

GPT-5.1: %80,43

deb xabar qilingan.

Manba barcha modellarning bashoratlarning ko‘pini to‘g‘ri Likert ballining ±1 hududida ushlab tura olganini, ammo individual shaxsiyat/afzallik farqlarini ushlashda qiynalganini ko‘rsatadi.

Tizim qayerlarda muvaffaqiyatliroq?

Tayanch tizim ayniqsa:

• atrof-muhitga moslik,
• yoqimlilik,
• material

kabi umumiyroq idrok o‘lchamlarida kuchli.

Aksincha:

• bezak va detallar,
• ta’sirchanlik

eng muhim bashorat to‘siqlaridir.

Tadqiqotchilar buni demografik yorliqlarning mikro-vizual afzalliklar va yuqori qo‘zg‘alishli hissiyotlarni tushuntirishda yetarli emasligi bilan bog‘laydi.

CCCS Qo‘shilganda Nima O‘zgardi?

Taqqoslovchi bino tarixi qo‘shilganda faqat umumiy aniqlikda emas, balki modellarning individual foydalanuvchi farqlarini kuzatish qobiliyatida ham aniqroq o‘zgarish kuzatilgan.

Bu natijalarning muhim jihati shundaki: relaxed accuracy tayanch tizimda allaqachon taxminan %80 atrofida. CCCS’ning asosiy ta’siri umumiy aniqlikdagi bir necha ball o‘sishidan ko‘ra odamlarning bir-biridan farqli ball berish moyilligini yaxshiroq kuzatishidir.

Regression to the mean nima?

Tayanch holatda modellarning Pearson korrelyatsiya koeffitsiyentlarining aksariyati 0,05 dan past bo‘lib qoladi. Bu modelning foydalanuvchilarning individual tebranishlarini kuzatish o‘rniga xavfsiz tarzda guruhning o‘rtacha balliga yaqin bashorat berishi bilan mos keladi.

CCCS qo‘shilganda barcha o‘nta modelda korrelyatsiya oshgan. Manbada ayrim o‘sishlar:

\[ \Delta r=+0,138\; \text{ile}\; +0,272 \]

oralig‘iga yetadi.

Shu sababli tadqiqotning o‘z terminologiyasida CCCS modelning “regression to the mean” moyilligini kamaytiradi.

Har bir model CCCS’dan bir xil darajada foyda oladimi?

Yo‘q.

Tayanch bosqichda GPT-5.1 taxminan %80,4 bilan birinchi o‘rinda bo‘lgan bo‘lsa, CCCS qo‘shilganda taxminan -0,7 foiz punkti pasaygan.

Gemini 3 Flash esa taxminan:

+4,3 foiz punkti

yutib, %82,1 atrofida birinchi o‘ringa ko‘tarilgan.

Manba buni turli LLM arxitekturalarining yuqori o‘lchamli kontekstual afzallik ma’lumotidan foydalanish qobiliyatidagi farqlar bilan bog‘laydi. Ammo yopiq model arxitekturalari sababli buning ichki mexanizmi bevosita kuzatilmagan.

O‘lchamlar bo‘yicha CCCS ta’siri

Takomillashtirilgan tizimda Gemini 3 Flash:

Shakl, murakkablik va masshtab/nisbat kabi me’moriy morfologiya o‘zgaruvchilarida ayrim modellarning Pearson korrelyatsiyalari 0,35 dan oshgan. Bu shakliy afzallikning taqqoslovchi binolar o‘rtasida ma’lum darajada ko‘chirilishi mumkinligini ko‘rsatadi.

Oldingi zaif sohalarda nima bo‘ldi?

Bezak va detallar:

Claude 4.5’ning relaxed accuracy qiymati CCCS’dan keyin %77,2 ga ko‘tarilgan; o‘sish:

\[ +8,7\;\text{yüzde puanı} \]

deb xabar qilingan.

Qwen 3 shu o‘lchamda %80,1 ga yetgan va RMSE qiymati 1,283 ga tushgan.

Ta’sirchanlik:

Relaxed accuracy taxminan %74,7 ga ko‘tarilgan; RMSE:

\[ 1,591\rightarrow1,392 \]

gacha kamaygan.

Besh Martalik Ensemble Haqiqatan Ham Farq Qiladimi?

Manbada bir xil LLM bashoratini besh marta mustaqil ishga tushirib, o‘rtachasini olish xato variansini kamaytirgan; biroq yaxshilanish katta sakrash emas, kichik, ammo izchil barqarorlashuv darajasidadir.

Manba uchta vakil modelda relaxed accuracy o‘sishi taxminan 1,3–1,4 foiz punkti darajasida bo‘lganini bildiradi.

Bu natija ensemble axborot mazmunini o‘zgartirishdan ko‘ra bitta LLM chaqirig‘idagi namunalash shovqinini kamaytiruvchi varians nazorati usuli ekanini ko‘rsatadi.

Bu Tizim Haqiqiy Jamoatchilik Ishtirokining O‘rnini Bosa Oladimi?

Tadqiqot inson ma’lumotlari butunlay olib tashlangan tizimni ko‘rsatmaydi. Aksincha, CCCS ishlashi uchun haqiqiy odamlarning Bird's Nest va taqqoslovchi binolar haqidagi oldingi baholari kerak bo‘ladi. Demak, usul jamoatchilik ishtirokini almashtiruvchi mustaqil “virtual jamiyat” tizimidan ko‘ra, cheklangan haqiqiy inson ma’lumotlarini hisoblash orqali kengaytirishga urinadigan simulyatsiya yondashuvidir.

Bu farq ayniqsa muhim; chunki modelning eng kuchli takomillashuvi odamlar avval bergan haqiqiy taqqoslovchi ballardan keladi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• LLM asosidagi uch agentli arxitektura 12 o‘lchamli shahar estetik baholashini tuzilmaviy tarzda ishlab chiqara oladi.
• Demografik va xususiyat-vazn ma’lumotlari umumiy estetik konsensusning taxminiy darajasini bashoratlashda ishlatilishi mumkin.
• Faqat demografik ma’lumot ishlatilganda individual farqlar korrelyatsiyasi past bo‘ladi.
• Taqqoslovchi oldingi afzalliklar CCCS orqali qo‘shilganda sinovdan o‘tgan barcha modellarda Pearson korrelyatsiyasi oshgan.
• Ayrim LLM’lar CCCS kontekstidan boshqalariga qaraganda ko‘proq foyda olgan.
• N=5 ensemble o‘rtachasi bitta ishga tushirish variansini va xato o‘lchovlarini kichik, ammo izchil tarzda kamaytirgan.
• Mikro-vizual detallar va ta’sirchanlik kabi yuqori individual variatsiyali o‘lchamlarni umumiy demografiya bilan bashorat qilish qiyinroq.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• %82,07 natija estetik ballning aynan to‘g‘ri chiqish ulushi emas; bu ±1 Likert tolerantligiga ega relaxed accuracy qiymatidir.
• Tizim butun shahar aholisi estetik afzalliklarini ifodalayotganini isbotlamaydi.
• %91,2 san’at/me’morchilik tajribasiga ega namuna umumiy aholining odatiy taqsimoti deb qabul qilinmaydi.
• Bird's Nest natijalarini mahalla ko‘chalari, turar joy fasadlari, parklar yoki kichik masshtabdagi kundalik shahar makonlariga bevosita umumlashtirib bo‘lmaydi.
• Modelning turli madaniyatlar yoki mamlakatlarda bir xil estetik afzallik tuzilmasini bashorat qilishi ko‘rsatilmagan.
• PDF’da aniq ajratilgan mustaqil tashqi foydalanuvchi test to‘plami yoki maydon tashqarisidagi verifikatsiya xabar qilinmagan.
• Pearson korrelyatsiyalaridagi o‘sish muhim, biroq 0,317 darajasi individual estetik afzalliklarning katta qismi tushuntirilganini anglatmaydi.
• LLM bergan asosning inson ongidagi haqiqiy kognitiv jarayon bilan bir xil ekani isbotlanmagan.
• Modelning ichki vaznlari va haqiqiy qaror mexanizmi yopiq bo‘lgani uchun agent izohlari to‘liq mexanistik interpretatsiya emas.

Ilmiy ahamiyati

Tadqiqotning eng qimmatli tomoni “AI odamlardan yaxshiroq estetik qaror beradimi?” degan savolni bermasligi; buning o‘rniga inson estetik bahosidagi ikki alohida tuzilmani ajratishga urinishidir:

ijtimoiy estetik konsensus va individual estetik ajralish.

Demografiyaga asoslangan tizim birinchi tuzilmani ma’lum darajada ushlasa, shaxsning oldingi taqqoslovchi tajribalari ikkinchi tuzilma uchun qo‘shimcha axborot beradi.

Bu qurilgan muhitni baholash nuqtayi nazaridan muhim metodologik jihatni ko‘rsatadi: shaxsning estetik afzalligini faqat uning kimligi emas, balki ilgari qaysi makonlarni yoqtirgani va qaysi xususiyatlarga qanday munosabat bildirgani ham belgilaydi.

CCCS’ning asosiy g‘oyasi ana shu o‘tgan tajribani mashina foydalanishi mumkin bo‘lgan kontekstual tayanch tizimiga aylantirishdir.

Shu bilan birga, usul hozirgi bosqichda haqiqiy jamoatchilik ishtirokini almashtiradigan tasdiqlangan qaror tizimi emas. Tadqiqot bitta ramziy bino, muayyan namuna va muayyan LLM versiyalarida o‘tkazilgan eksperimental hisoblashli baholash doirasidir.

Manba va Usul Haqida Izoh

Asl tadqiqot: Simulating Aesthetic Consensus and Divergence in Urban Landmarks: An LLM-based Multi-Agent System for Built Environment Evaluation

Mualliflar: Yuxuan Li, Ting Zhang, Weimin Zhuang

Mas’ul muallif: Weimin Zhuang

Muassasalar: School of Architecture, Tsinghua University; School of Computer Science, Peking University, Beijing, China.

Manba turi: Taqrizdan o‘tmagan preprint tadqiqot maqolasi.

Platforma: SSRN.

SSRN Abstract ID: 6907642.

DOI: 10.2139/ssrn.6907642.

SSRN topshirilgan sana: 9 iyun 2026.

Vaziyat tadqiqoti: Beijing National Stadium — Bird's Nest.

So‘rov: 1.201 yaroqli ishtirokchi; ma’lumot yig‘ish 2026-yil fevral.

Taqqoslovchi vaziyatlar: Chengdu Fenghuangshan Sports Park Football Stadium, Shanghai Pudong Football Stadium, Xi'an Olympic Sports Center Stadium va Quzhou Stadium.

Asosiy arxitektura: Visual Perception Agent + Behavioral Fitting Agent + Fusion & Reasoning Agent.

Shaxsiylashtirish mexanizmi: Comparative Case-based Cognitive Schema (CCCS).

Peer Neighborhood: K=20.

LLM inference harorati: 0,7.

Ensemble: Har bir foydalanuvchi–bino baholashida N=5 mustaqil xulosa chiqarish.

Birlamchi samaradorlik metrikasi: Relaxed Accuracy, |Pred−True|≤1.

Tayanch tizimning eng yuqori relaxed accuracy qiymati: GPT-5.1 — %80,43.

CCCS tizimidagi eng yuqori xabar qilingan umumiy natija: Gemini 3 Flash — %82,07 relaxed accuracy, MAE 0,887.

Moliyalashtirish: Beijing Natural Science Foundation, QY24288.

Manfaatlar to‘qnashuvi: Mualliflar ma’lum moliyaviy manfaat yoki shaxsiy munosabatlarni bildirmagan.

Muallif hissalari: Yuxuan Li — konseptuallashtirish, ma’lumot kuratsiyasi, formal tahlil, tadqiqot, usul, dasturiy ta’minot, tekshirish, vizualizatsiya va yozish; Ting Zhang — usul va dasturiy ta’minot; Weimin Zhuang — konseptuallashtirish, usul, loyiha boshqaruvi, resurslar, nazorat, tekshirish va matnni ko‘rib chiqish.

Generativ AI bayonoti: Mualliflar maqola tayyorlashda o‘qiluvchanlik va til tahririni yaxshilash maqsadida ChatGPT va Gemini’dan foydalanganini; chiqishlarni o‘zlari ko‘rib chiqib, mazmun uchun javobgarlikni o‘z zimmalariga olganini bildiradi.

Asosiy manba ichidagi cheklovlar: Tasvirdan matnga o‘tishda mikro-vizual axborot yo‘qolishi; bitta monumental bino konteksti; LLM’larning madaniy/geografik tarafkashligi; ichki qaror mexanizmining qora quti xususiyati.

Verianla metodologik ogohlantirishi: Namunaning %91,2’i san’at/me’morchilik tajribasini bildirgani va PDF’da aniq mustaqil tashqi foydalanuvchi test protokoli ko‘rsatilmagani sababli natijalar umumiy aholi uchun tashqi verifikatsiya deb talqin qilinmasligi kerak.

Vizualdan foydalanish izohi: Manbadagi Bird's Nest va boshqa stadion fotosuratlari, ko‘p agentli arxitektura figuralari, radar/heatmap/scatter grafiklarining original kompozitsiyalari bevosita qayta ishlatilmasligi kerak. Xabar qilingan usul munosabatlari va sonli qiymatlardan mutlaqo yangi Verianla vizuallari tayyorlanishi mumkin.