生产性与反思性：将AI整合到设计工作流程的不同方式如何影响认知和动机

研究背景与问题

• 作者发现了哪些问题或挑战？
  在设计过程中的人机协作中，人工智能（AI）的不同角色对个人认知过程、动机以及创造力可能会产生重要影响，但目前对这些影响的研究仍较少。此外，AI生成的内容通常会导致所有用户想法趋同，或可能削弱用户的创造力和对过程的掌控感，从而使问题的解决方案不够多样化或缺乏深度。现有研究尚未充分探讨AI在设计思维中的定位对用户认知负荷、创造力和主体感的具体影响。

• 为什么这个问题很重要？
  人工智能能显著扩展用户（尤其是初学者）在设计和创造性工作中的能力，正确定位AI的角色能够优化创造性过程。探索AI的作用不仅可以促进生产力，还可以增强反思能力和用户主体性，对伴随AI发展的未来设计工具开发具有重要意义。

• 研究动机与相关工作
  本研究受到现有研究启发，这些研究探讨了AI如何通过生成灵感文本刺激用户的创造性思维或推动自我反思。同时，一些研究也指出了AI在生成内容时可能引起的趋同效应或对用户主体感的负面影响。本研究旨在填补现有文献的空白，探讨AI在设计流程中的具体定位对创造过程的多维度影响。

解决方案

• 作者提出了哪些方法或解决方案？
  作者开发了一款集成了大语言模型（LLM）的FigJam插件，该插件支持三种AI参与模式：No-AI模式（无AI支持）、Co-led模式（以问答形式逐步提供AI支持）和AI-led模式（一次性生成完整的AI支持）。通过将这些模式嵌入两个常见设计模板中（"Five Whys"问题分析和"Competitive Analysis"竞争分析），作者研究了AI支持的不同定位如何影响用户的认知过程与创造性输出。

• 该解决方案的创新之处是什么？

  1. 比较了三种不同的AI角色分配（No-AI、Co-led和AI-led）的效果，系统研究了AI支持对用户认知分布、创造性成果，以及对AI价值的主观认知的影响。
  2. 将反思性问题与AI生成内容结合，利用每一部分用户输入动态生成后续支持，以引导更深入的思考。
  3. 探索AI如何不仅作为信息生成者，还作为反思和批判性思维的触发器（例如通过生成多维度竞争分析）。

• 实施步骤是什么？使用了哪些关键技术？

  1. 创建基于FigJam的交互式插件，融合了大语言模型（GPT-4），支持"Five Whys"和"Competitive Analysis"两种设计模板。
  2. 组织一项47名大学生参与的对照实验，参与者被随机分配到上述三种模式之一，完成设计相关任务。
  3. 通过视频记录、定量分析（如思想单元统计）和定性分析（包括访谈和问卷）评估AI定位对参与者创造性输出、认知资源分配以及主观体验的影响。

研究成果

• 取得了哪些具体成果？

  1. 创造性成果：AI支持（尤其是AI-led）扩展了问题框架并促进了解决方案的多样化。AI-led组的最终方案在主题多样性上显著高于其他组，但No-AI和Co-led组的用户在初始解决方案上表现出更高的创造信心。
  2. 认知活动分配：
     • AI-led组更多时间用于信息理解与综合，而No-AI和Co-led组则在填写和修改内容上花费更多时间。
     • AI支持减少了用户在语句表述上的纠结，为更深层次的内容反思留出了空间。
  3. 用户感知：Co-led组的参与者表现出对问题更深的思考，并认为其解决方案更加贴近实际。No-AI和Co-led组的用户报告了更高的主人翁感和过程信任，但AI-led组用户感到解决方案主题更为多样化。

• 与现有解决方案相比，它有哪些优势？
  本研究首次系统性比较了多种AI角色分配对设计工作的多方面影响，以便确定在提升创造力与用户主体感之间的最佳平衡。另外，通过设计AI生成反思性问题，该研究超越了现有仅关注AI生成内容的局限。

• 实验或评估结果是什么？

  • Co-led模式显著促进了反思式思维，并让用户在解决问题时取得更高的信心和满足感。
  • AI-led模式增强了主题的发散性，但同时减少了用户的自主性。
  • No-AI模式虽然耗时较多，但更能贴近常规设计流程，驱动自发性探索。

• 局限性与未来方向

  1. 参与者均为设计新手，未来研究可招募更广泛的人群，包括设计专业人士，以验证结果的普适性。
  2. 当前的AI生成内容基于预设模板，可能对用户的自由探索产生限制。未来可以研究允许用户对模板和AI提问进行更多个性化定制的工具。
  3. 探索更多种类的设计任务（如创意思维、系统思考）中的AI支持方式，以促进任务间的广泛适用性。

总结

本研究揭示了AI在不同定位下对设计工作产生的认知、行为和感知多维度的复杂影响。通过对No-AI、Co-led和AI-led三种模式的深入比较，研究为如何平衡AI带来的创造力扩展与用户主体感提供了重要见解。这些结果为未来人工智能支持工具的设计与优化提供了扎实的实验基础和理论框架。