CoNode：团队-人工智能协作设计中知识复用与重组的工作流可视化

文献标题

CoNode: Visualizing Workflows for Knowledge Reuse and Recombination in Team–AI Collaborative Design

出版信息

• 主题领域: 生成式人工智能与协同设计流程。
• 关键词: 生成式人工智能，协同设计，过程知识，工作流可视化，工业设计，团队–AI协作，语义–视觉推理，知识复用，创意重组，CoSense。

背景与问题

• 问题/挑战: 工业设计的早期阶段会生成易碎的过程知识（如草图、语义标签），这些知识很少被系统性地捕获或复用。现有的AI工具主要关注生成输出，但无法保存、追踪或重组设计推理，导致设计成果碎片化、上下文丢失以及协作效率低下。
• 意义: 解决这些问题对于提升设计质量、实现共享理解以及提高工业设计工作流中的团队效率至关重要。
• 动机与相关研究: 先前的研究强调了生成式AI在扩展设计空间和支持跨模态探索中的作用，但缺乏保存和复用过程知识的机制。现有工具通常聚焦于线性交互和结果生成，忽略了可追溯性和多轮协作的需求。

解决方案

• 提出的方法: CoNode——一个双层系统，将生成式AI节点嵌入共享白板中，并通过三元组工作流结构化设计推理。系统包括CoSense模块，用于主动整合、复用和重组知识。
• 创新点:
  1. 将生成式AI节点直接嵌入共享白板，实现无缝的语义和视觉探索。
  2. 将碎片化的设计推理结构化为可追踪的三元组工作流（输入 → AI节点 → 输出）。
  3. 引入工作流级别的功能和CoSense模块，用于整合、复用和重组设计知识。
  4. 支持非线性、跨模态和迭代的团队–AI协作。
• 流程与关键技术:
  • 第一层：将AI节点嵌入共享白板，通过发散、分解、总结和图像转文本等操作实现语义和视觉创意。
  • 第二层：提供工作流级别的功能，包括用于保存和复用路径的工作流库，以及用于整合和推荐的CoSense模块。
  • 实现方式：结合基于规则的检索和基于大语言模型（LLM）的增强，提供主动建议和语义扩展。

结果

• 具体发现:
  • CoNode显著提升了知识整合（M = 5.82，对比基线M = 4.22；p < .001）、复用（M = 5.83，对比基线M = 4.40；p < .001）和创意重组（M = 5.35，对比基线M = 4.62；p = .013）。
  • 行为数据表明内容块收集量更高（M = 8.60，对比基线M = 3.00；p < .001），工作流复用率更高（63.6% 对比基线）。
  • 使用CoNode的团队生成了更多最终输出（M = 8.47，对比基线M = 5.87；p = .004）。
• 相较基线的优势:
  • CoNode在支持共享理解、减少重复工作以及高效复用和重组设计知识方面优于基线系统。
  • 其工作流级别的功能和CoSense模块在保持连续性和促进创意探索方面具有独特优势。
• 实验/评估:
  • 研究I（N = 12）：验证了CoNode的基础交互范式，显示出高可用性（SUS评分M = 77.48，SD = 7.81）以及对非线性探索的有效支持。
  • 研究II（N = 30）：将CoNode与基线系统进行比较，显示在过程知识管理和团队协作效率方面的显著改进。
• 局限性与未来工作:
  • 研究时间有限，无法评估长期知识演化。
  • 在更大规模团队和分布式协作环境中的可扩展性挑战。
  • 可进一步增强生成能力（如3D建模、反事实提示）并优化重组机制以减轻设计固化问题。

总结

CoNode为生成式AI在协同设计中的应用引入了一种新的交互范式，将AI节点嵌入共享白板并通过三元组工作流结构化推理。其工作流级别功能和CoSense模块实现了设计知识的高效整合、复用和重组，解决了早期创意阶段的碎片化和上下文丢失问题。两项用户研究证明了CoNode在支持非线性、跨模态探索和增强团队协作方面的有效性。通过将AI从结果生成转向过程知识演化，CoNode为推进工业设计中的AI创意工具提供了宝贵的见解。