生成式AI对设计固化和发散思维的影响

文献标题

The Effects of Generative AI on Design Fixation and Divergent Thinking

文献信息

• 主题领域: 人机交互（Human-Computer Interaction），创意设计工具，生成式人工智能在设计任务中的影响
• 关键词: 设计固化, 生成式人工智能, 创意支持工具, 发散性思维, 图像生成

研究背景与问题

• 研究问题:

  • RQ1: 与传统启发性工具和无启发支持相比，AI生成图像如何影响设计固化(Design Fixation)和发散性思维(Divergent Thinking)?
  • RQ2: 用户与AI图像生成器交互的方式如何影响其在构思任务中的有效性？

• 重要性与现状:

  • 设计固化是限制创意和探索的主要障碍，即设计者被已有的想法或外部示例限制，导致对设计空间的探索不足。
  • 生成式AI（如Midjourney、Stable Diffusion等）被认为具有启发用户发散性思维的潜力，因其可快速生成高质量的原创视觉内容。
  • 亟需通过实证研究验证生成式AI在设计任务中的具体效用，特别是在是否会引发设计固化的问题上。

• 研究动机:

  • 当前关于生成式AI如何影响设计任务的实证数据稀缺，特别是如何对构思过程中可能引发的固化或灵感启发进行讨论。
  • 要探索生成式AI对设计解决方案多样性与原创性的潜在影响，同时区分AI生成内容对设计构思的支撑和局限。

解决方案

• 实验方法:

  • 实验设计:
    • 采用三种条件：不提供任何启发（Baseline条件）、通过Google图片搜索提供启发（Image Search条件）和通过AI图像生成工具（Midjourney）提供设计启发（GenAI条件）。
    • 实验任务包括参与者在视觉构想任务中手绘数字化聊天机器人头像设计，要求尽可能多地创造不同的草图。
  • 数据评价指标:
    • 设计固化分数（DFS）: 参与者草图中与示例设计相同特征的比例。
    • 流畅性（Fluency）: 草图总数量。
    • 多样性（Variety）: 样本在创意空间中的覆盖范围。
    • 原创性（Originality）: 草图的独特程度。
  • 定量：基于贝叶斯统计模型，定量分析各条件对设计指标的影响。
  • 定性：结合访谈数据，分析参与者的构思流程及其与AI工具的交互行为。

• 创新性:

  • 提出“设计固化位移”（Fixation Displacement）的新概念，即固化可能从最初的设计示例转移到AI生成的内容。
  • 强调AI设计工具的启发性能不仅取决于生成的内容，还取决于用户处理这些内容的方式以及系统如何引导用户避免设计固定。

研究成果

• 主要发现:

  1. 设计固化: 曝露于AI生成图像的参与者比其他条件更容易设计固化，其设计更多地包含初始示例中已有的特征，甚至还出现了“固化位移”现象。
  2. 流畅性、原创性与多样性:
     • AI支持组（GenAI）的草图数量（流畅性）显著低于无支持组。
     • AI支持组的草图多样性和原创性分别也低于无支持组，与图片搜索相比无明显优势。
  3. 生成式AI对创意任务的双重影响:
     • 虽然AI生成的高保真图像可能激发部分灵感，但也容易诱导用户直接模仿，从而抑制发散性思维。

• 启发措施的改进建议:

  • 在设计AI生成内容时降低图像保真度（如模糊、部分完成的图像），以减少因细节和视觉强度带来的固化风险。
  • 引入引导式提示策略，帮助用户生成更具多样性、更脱离初始示例约束的提示词。
  • 鼓励通过类比或转译生成内容中的抽象元素以开发新的设计路径。

• 实验数据支持:

  • AI生成图像中44%的内容直接反映了初始设计示例的特征，且草图与这些图像的设计固化分数之间呈中等正相关（ρ = 0.56）。
  • 基于量化模型，AI支持组较基线组的设计固化更高，Bayes因子达124，表明“极强支持”该假设。

• 局限性及未来方向:

  • 实验时间（20分钟）较短，限制了生成式AI对长期迭代设计场景的评估。
  • 实验参与者主要为非专业设计者，结果可能无法完全适用于经验丰富的设计师。
  • 当前研究仅涉及视觉设计领域，未来需进一步探讨生成式AI对其他模态（文字、音频等）的影响。

总结

该研究揭示了生成式AI在设计任务中的多重影响，并归纳了优化AI支持设计工具的方向。未来构建更智能的、能够指导用户避免固定思维的创意支持工具，是AI技术在创意领域发挥潜力的关键所在。