人工智能辅助的人因设计因果路径图

文献标题

AI-Assisted Causal Pathway Diagram for Human-Centered Design

文献信息

• 主题领域: 人机交互 (Human-Computer Interaction, HCI)，设计支持工具
• 关键词: 因果路径图、人本驱动设计、生成式人工智能、大型语言模型 (LLM)、实施科学

研究背景与问题

• 问题或挑战:

  • 人本驱动设计(HCD)需要强调以用户为中心解决设计问题，但目前缺乏能够系统化将理论和设计实践融合的工具。
  • 因果路径图(Causal Pathway Diagram, CPD)虽已在实施科学中成功应用，但其复杂性和实施成本可能限制其在设计实践中的应用。
  • 除了设计理论的使用障碍，设计人员由于知识领域限制难以轻松将用户研究结果用图形化形式表达出来。

• 重要性:

  • 高效的理论驱动设计有助于推动用户目标与设计成果的一致性，减轻设计失误风险，提升设计效能和用户满意度。
  • 通过引入人工智能特别是生成式人工智能(Generative AI)，能够降低操作难度，促进设计人员的创意迸发和决策优化。

• 研究动机与相关工作:

  • 实施科学提供了CPD的理论基础，这种图形化工具能够帮助设计人员在用户需求与设计结果之间建立因果关系图解。
  • 创建人工智能支持的插件可能解决使用障碍，并显著降低设计者在学习和应用CPD时的认知负担，提高设计效率。

解决方案

• 方法或解决方案:

  • 设计并开发了一款嵌入在线协同平台(Miro)的CPD插件工具，其中整合了生成式人工智能(GPT-4)支持。
  • 插件通过预定义的因果路径图语法框架和图表组件工具，能够帮助设计人员轻松创建和迭代CPD，并提供实时建议。

• 创新之处:

  • 为CPD图形化工具提供了人工智能驱动的实时指导，允许用户在设计过程中获取理论性和创意性支持。
  • 插件不仅减少了学习创建CPD的技术障碍，还引入了增强设计创意和提供证据支持的功能。

• 实施步骤:

  1. 组件生成: 用户可以拖放不同类型的CPD组件（如策略、评估机制、障碍、目标等），插件自动定义每个组件的符号并支持用户解释组件用途。
  2. 向导系统: 插件通过逐步向导帮助设计人员创建完整的CPD，从最终目标开始向回推导，并在每一步生成推荐内容。
  3. 创意扩展: 通过人工智能建议选项，设计人员可以基于已有组件扩展不同设计策略或路径。
  4. 路径检查: 插件可以验证用户生成的CPD是否语法正确，如组件连接是否完整、顺序是否合理等。
  5. 组件说明: 用户可快速获取组件定义和更多背景信息，降低学习曲线。

研究成果

• 具体成果:

  • 理论设计支持: CPD显著帮助设计者在早期设计阶段进行系统化且目标导向的设计。
  • 创意生成: 使用插件的设计者能比传统方式生成更多且更丰富的设计路径，显著提升了创意水平。
  • 认知负担减轻: CPD插件通过自动化工具和实时 AI 建议减少了设计者需记忆理论框架和手动创建内容的负担。
  • 结构化沟通: CPD使设计团队和业务决策者之间的想法沟通更易于实现，通过统一因果图解语言改善协作效率。

• 优势与对比:

  • 与无插件方式相比，插件能加速设计过程，用户对设计结果的正确性和实用性的信心也有所增加。
  • 使用插件时，仅略微增加了生成CPD的时间，但路径生成的数量显著提高。

• 实验或评估结果:

  • 实验发现设计者在使用插件时，设计体验和输出质量有显著改善（比如路径生成数量增加了~58%）。
  • 插件有效降低了操作难度，并被认为在帮助生成创意和进行结构化设计议程上非常有效。

• 局限性与未来方向:

  • 局限性:
    • AI生成的推荐内容可能因上下文信息不充分而显得过于通用，仍需要改进模型以提供更具体化的建议。
    • 插件内AI的建议缺乏信息来源透明度，用户对推荐内容的可信度问题需要进一步解决。
  • 未来方向:
    • 构建更丰富的因果路径数据库，用于生成更加可靠、证据支持的建议。
    • 探索如何将插件与实际设计流程（包括后期设计阶段）无缝集成。
    • 把插件应用扩展到支持面对面设计会议的场景，增强团队互动和创意表达的形式化能力。

通过这项研究，提出了将CPD引入人本驱动设计并通过生成式AI简化其应用难度的创新方向，为设计方法学与技术的深度结合奠定了基础。