Integrating Generative AI in BIM Education: Insights from Classroom Implementation

📄 arXiv: 2507.05296v1 📥 PDF

作者: Islem Sahraoui, Kinam Kim, Lu Gao, Zia Din, Ahmed Senouci

分类: cs.CY, cs.AI

发布日期: 2025-07-06

💡 一句话要点

探索生成式AI在BIM教育中的应用：课堂实践与经验

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成式AI 建筑信息模型 BIM 规则检查 大型语言模型 提示工程 教育应用

📋 核心要点

  1. 现有BIM合规性检查流程繁琐且易出错，缺乏智能化手段。
  2. 利用生成式AI，特别是LLM，自动进行BIM模型的规则检查，提高效率。
  3. 课堂实验表明，学生能掌握基本技能，但也面临AI代码调试和工具不稳定性等挑战。

📝 摘要（中文）

本研究评估了在美国一所大学的研究生BIM课程中，集成生成式AI驱动的规则检查工作流程的实施情况。在两个学期中，55名学生参与了一项课堂试点，探索使用GenAI进行BIM合规性任务，这是一个先前研究有限的领域。教学设计包括关于提示工程和AI驱动的规则检查的讲座，以及一项学生使用大型语言模型（LLM）识别Autodesk Revit设计中代码违规情况的作业。通过NASA-TLX量表和回归分析，进行了调查和访谈，以评估学生的工作量、学习效果和整体体验。结果表明，学生普遍实现了学习目标，但也面临一些挑战，例如调试AI生成的代码困难以及工具性能不一致，这可能是由于他们有限的提示工程经验。这些问题增加了认知和情绪压力，尤其是在编程背景薄弱的学生中。尽管存在这些挑战，学生们对未来的GenAI应用表现出浓厚的兴趣，尤其是在明确的教学支持下。

🔬 方法详解

问题定义：论文旨在解决BIM（建筑信息模型）领域中，建筑设计规范合规性检查效率低下的问题。传统的手动检查耗时且容易出错。现有的方法缺乏利用人工智能技术进行自动化和智能化的能力，无法有效应对日益复杂的建筑设计规范。

核心思路：论文的核心思路是利用生成式AI，特别是大型语言模型（LLM），来自动化BIM模型的规则检查过程。通过提示工程，引导LLM理解建筑设计规范，并识别BIM模型中违反规范的设计元素。这种方法旨在提高检查效率，减少人为错误，并降低合规性成本。

技术框架：整体流程包括以下几个阶段：1) 提示工程：设计有效的提示，指导LLM执行规则检查任务。2) BIM模型导入：将Autodesk Revit中的BIM模型导入系统。3) LLM规则检查：利用LLM分析BIM模型，识别违反建筑设计规范的设计元素。4) 结果评估：评估LLM的检查结果，并进行必要的调试和修正。5) 学生反馈：通过调查和访谈收集学生对该流程的反馈，评估其学习效果和体验。

关键创新：该研究的关键创新在于将生成式AI应用于BIM合规性检查领域，探索了LLM在自动化规则检查方面的潜力。与传统方法相比，该方法能够更快速、更准确地识别设计中的违规行为，并为设计人员提供及时的反馈。此外，该研究还关注了学生在使用生成式AI工具进行BIM合规性检查时的学习体验和挑战。

关键设计：关键设计包括：1) 提示工程策略：设计清晰、明确的提示，引导LLM理解建筑设计规范并执行规则检查任务。2) 实验课程设计：设计包含提示工程和AI驱动规则检查的讲座，以及使用LLM识别Revit设计中代码违规情况的作业。3) 评估方法：使用NASA-TLX量表和回归分析评估学生的工作量、学习效果和整体体验。

📊 实验亮点

研究结果表明，学生普遍能够通过生成式AI实现学习目标，但同时也面临AI代码调试和工具性能不一致等挑战。学生对未来的GenAI应用表现出浓厚的兴趣，尤其是在明确的教学支持下。NASA-TLX量表和回归分析结果表明，编程背景薄弱的学生在使用GenAI工具时面临更大的认知和情绪压力。

🎯 应用场景

该研究成果可应用于建筑设计、施工和监管等领域，提高建筑项目的合规性和安全性。通过自动化规则检查，可以减少人为错误，降低合规成本，并加速项目审批流程。未来，该技术有望集成到BIM软件中，为设计人员提供实时的合规性反馈，从而提高设计质量和效率。

📄 摘要（原文）

This study evaluates the implementation of a Generative AI-powered rule checking workflow within a graduate-level Building Information Modeling (BIM) course at a U.S. university. Over two semesters, 55 students participated in a classroom-based pilot exploring the use of GenAI for BIM compliance tasks, an area with limited prior research. The instructional design included lectures on prompt engineering and AI-driven rule checking, followed by an assignment where students used a large language model (LLM) to identify code violations in designs using Autodesk Revit. Surveys and interviews were conducted to assess student workload, learning effectiveness, and overall experience, using the NASA-TLX scale and regression analysis. Findings indicate students generally achieved learning objectives but faced challenges such as difficulties debugging AI-generated code and inconsistent tool performance, probably due to their limited prompt engineering experience. These issues increased cognitive and emotional strain, especially among students with minimal programming backgrounds. Despite these challenges, students expressed strong interest in future GenAI applications, particularly with clear instructional support.