AIDED：用人类体验数据增强室内设计以实现设计师-AI协同设计

文献标题

AIDED: Augmenting Interior Design with Human Experience Data for Designer–AI Co-Design

出版信息

• 主题领域: 人机协作在室内设计中的应用，结合多模态客户数据。
• 关键词: 室内设计，生成式人工智能，人机数据交互，多模态数据，视线热图，问卷调查，AI预测叠加，共同设计，可解释性，真实性。

背景与问题

• 问题/挑战: 传统室内设计工具无法捕捉客户的细腻体验，仅依赖于人口统计学和风格化输入，忽视了情感和感知数据。生成式人工智能系统虽然能快速生成设计，但缺乏与客户特定体验信号的整合。
• 重要性: 将客户体验数据纳入设计工作流程可以提高设计成果与客户需求的匹配度，增强满意度和可用性。
• 动机与相关研究: 先前研究探讨了基于证据的空间设计、感知建模以及生成式人工智能工具，但这些方法通常忽略了直接的客户输入，例如视线模式或情感反应。本研究在这些工作基础上，将客户体验视为主要设计材料。

解决方案

• 提出的方法: AIDED（通过人类体验数据增强室内设计），一种将多模态客户数据（人口统计学数据、视线热图、问卷可视化和AI预测叠加）整合到生成式人工智能辅助设计流程中的工作流程。
• 创新点:
  1. 开发一个系统，将客户体验信号整合到生成式人工智能工作流程中。
  2. 实证评估不同客户数据模态如何影响设计成果、决策过程和协作。
  3. 识别多模态数据整合中的真实性与可解释性权衡。
• 流程与关键技术:
  • 四种实验条件（基线人口统计学数据、视线热图、问卷可视化、AI预测叠加）与专业设计师进行测试。
  • 使用生成式人工智能工具进行迭代设计优化，并结合多模态客户数据。
  • 通过任务后评估、新手调查和访谈评估满意度、适用性和可用性。

结果

• 具体发现:
  • 问卷可视化被评为决策过程中最可靠和可操作的模态（M = 6.00, SD = 0.95）。
  • AI预测叠加改善了与生成式人工智能的沟通，但需要自然语言解释以增强信任和可用性。
  • 视线热图视觉清晰但缺乏可解释性，增加了认知负担。
• 相较基线的优势:
  • 使用更丰富客户数据（条件3和条件4）创建的设计被新手评为更适合（分别为59.3%和54.9%的偏好率），相比基线人口统计学数据（36.8%的偏好率）。
  • 结构化问卷数据比定性视线数据或最低限度的人口统计学数据更能实现精确且符合客户需求的修改。
• 实验/评估:
  • 混合方法研究，涉及12位专业设计师和30位新手评估者。
  • 在四种条件下进行被试内设计，评估认知负担、信任、创造力和满意度。
  • 统计分析（Friedman检验，Wilcoxon符号秩检验）揭示了不同模态在决策效率和设计适用性上的显著差异。
• 局限性与未来工作:
  • 样本规模有限（12位设计师）且任务场景受限（住宅室内设计）。
  • 需要改进AI预测叠加的可解释性，并扩大客户人口统计学代表性。
  • 未来研究应探索纵向数据收集、真实世界部署以及扩展设计类型。

总结

AIDED将多模态客户数据整合到生成式人工智能工作流程中，通过平衡真实性与可解释性解决了传统室内设计工具的不足。实证研究表明，结构化问卷数据和AI辅助叠加增强了决策过程和客户匹配度，而视线热图需要解释支持。该系统保留了专业自主性，使设计师能够将客户数据作为支架而非强制性输入。未来工作应进一步优化AI预测叠加，扩大参与者多样性，并将研究置于真实项目阶段，以进一步推进人机协作设计方法论。