CritiqueCrew：编排多视角对话式设计批评

文献标题

CritiqueCrew: Orchestrating Multi-Perspective Conversational Design Critique

出版信息

• 主题领域: 人工智能辅助设计评审与创意工作流程中的人机协作。
• 关键词: 设计评审、多视角反馈、对话式人工智能、Figma 插件、人机协作、可用性、创意工具、跨职能设计、认知负荷、对人工智能的信任。

背景与问题

• 问题 / 挑战: 现有的自动化设计评审工具提供静态、单一维度的反馈（如问题列表），这不仅干扰了创意工作流程，还无法支持专业设计评审中所需的复杂跨职能协作。
• 重要性: 解决这一问题至关重要，因为设计师越来越多地充当用户需求、商业目标和工程约束之间的调解者，需要能够增强创造力、降低认知负荷并建立信任的工具。
• 动机与相关工作: 之前的工具（如 UICrit 和 SpecAI）专注于静态分析和单一视角的反馈，缺乏整合冲突观点或提供可操作、情境化解决方案的能力。本文基于将人工智能视为协作伙伴的理念，旨在将设计评审转变为动态的多视角过程。

解决方案

• 提出的方法: CritiqueCrew 是一个集成于 Figma 的工具，通过多视角的专家角色编排（用户体验、产品愿景、工程）提供对话式评审和交互式改进。
• 创新点:
  1. 模拟跨职能团队的多视角评审模型。
  2. 将抽象反馈转化为设计情境中的可操作解决方案的交互式改进工具。
  3. 通过结构化的专家角色编排揭示权衡点，并赋能设计师成为决策者。
• 流程与关键技术:
  1. 设计师选择一个 Figma 框架并提供上下文输入（如产品目标、品牌关键词）。
  2. 并行的专家模块（用户体验、产品愿景、工程）生成专业化反馈。
  3. 由主协调器将反馈综合为结构化的评审议程，优先处理问题并揭示冲突。
  4. 设计师通过画布高亮、实时预览和与特定角色的对话式查询与反馈互动。

结果

• 具体发现:
  • 与静态基线工具（SpecAI）相比，CritiqueCrew 提高了问题覆盖率（M = 9.58 vs. 7.96, p = .006）和解决方案有效性（M = 5.22 vs. 4.30, p < .001）。
  • 多视角评审在问题覆盖率（M = 11.08 vs. 9.92, p < .001）和解决方案有效性（M = 5.77 vs. 5.02, p < .001）方面优于统一专家模型。
• 相较基线的优势:
  • 降低认知负荷（NASA-TLX: M = 40.57 vs. 51.99, p < .001）。
  • 提高可用性（SUS: M = 77.29 vs. 55.52, p < .001）。
  • 增强对人工智能的信任（TAI: M = 3.76 vs. 2.89, p < .001）。
• 实验 / 评估:
  • 研究 1: 与 SpecAI 的比较（N = 24，组内设计）。
  • 研究 2: 多视角模型与统一专家模型的比较（N = 24，组内设计）。
  • 指标: 问题覆盖率、解决方案有效性（专家评分）、可用性（SUS）、认知负荷（NASA-TLX）、对人工智能的信任（TAI）、创意支持（CSI）。
• 局限性与未来工作:
  • 仅限于单一框架的评估；未来将扩展到多屏用户流程。
  • 评估使用了预定义的模型，而非参与者自己的设计。
  • 重点在于单个设计师；未来研究将包括跨职能团队。
  • 计划开展长期现场研究、动态角色定制以及更广泛的参与者多样性。

总结

CritiqueCrew 重新定义了人工智能在设计评审中的角色，从静态问题检测转变为动态的多视角解决方案共创。通过编排专家角色（用户体验、产品愿景、工程）并将评审直接嵌入设计工作流程，相较于静态工具显著提高了问题覆盖率、解决方案有效性和用户体验。控制研究验证了角色编排和结构化对话能够增强信任、降低认知负荷并提升创造力。CritiqueCrew 为复杂跨职能设计环境中的人机协作提供了一种新范式，对下一代创意支持工具具有重要意义。