VizCrit:视觉设计工具中计算反馈展示策略的探索
作者
生成式AI(文本、图像、音乐、视频)创意协作与反馈系统UI/UX 设计师HCI 研究员
文献标题
VizCrit: Exploring Strategies for Displaying Computational Feedback in a Visual Design Tool
出版信息
- 主题领域: 视觉设计教育中的计算反馈。
- 关键词: 视觉设计,计算反馈,创造力支持工具,可操作性谱系,设计原则,注释,教育中的人工智能,新手设计师,人机协作,设计批评。
背景与问题
- 问题/挑战: 现有的设计教育缺乏关于不同可操作性水平的反馈如何影响新手学习、创造力和设计成果的实证数据。计算工具通常提供的反馈要么过于规范化,要么过于笼统,限制了其在支持创造性成长方面的有效性。
- 意义: 理解反馈可操作性的影响可以帮助设计工具更好地平衡生产力与学习,促进即时表现和长期创造性专业知识的发展。
- 动机与相关工作: 先前的研究强调了可操作性反馈在教育和设计中的重要性,但未探索其在可操作性谱系上的影响。现有的计算工具通常专注于特定的反馈风格,主要是基于文本的,而未研究其对创造力和学习的广泛影响。
解决方案
- 提出的方法: VizCrit,一种通过视觉注释提供计算反馈的视觉设计工具,涵盖三种可操作性水平:基于教材的、以意识为中心的、以解决方案为中心的。
- 创新点:
- 与专家共同设计的视觉注释,针对设计原则(层次、对齐、留白、统一性)量身定制。
- 支持实时问题检测和反馈生成的算法,涵盖不同的可操作性水平。
- 关于反馈可操作性对新手设计师学习、创造力和设计成果影响的实证研究。
- 流程和关键技术:
- 与9位设计专家进行共同设计访谈,开发注释设计。
- 实现启发式算法以生成注释并检测四种设计原则的问题。
- 在36名新手设计师中进行组间研究,评估设计质量、创造力、学习和反馈交互。
结果
- 具体发现:
- 以解决方案为中心的反馈减少了设计问题(M = 0.75 对比基于教材的 M = 1.92,p < .05),并提高了自我感知的创造力(M = 83 对比基于教材的 M = 65.08,p < .01)。
- 以意识为中心的反馈鼓励了更多的自我反思(34%的反馈查看后导致反思,对比以解决方案为中心的15%)。
- 各条件下的学习增益无显著差异。
- 相较基线的优势:
- 以解决方案为中心的反馈在减少设计问题和提升自我感知创造力方面优于基于教材的反馈。
- 以意识为中心的反馈相比以解决方案为中心的反馈支持更深入的反思。
- 实验/评估:
- 参与者: 36名新手(28女,7男,1人选择不透露;年龄: 18–35岁,μ = 21.4)。
- 研究设计: 组间实验,包含三种反馈条件(基于教材的、以意识为中心的、以解决方案为中心的)。
- 评估指标: 设计质量(问题数量)、创造力(自评和专家评分)、学习(前测和后测)、反馈交互(点击、响应)。
- 局限性与未来工作:
- 研究聚焦于新手设计师,结果可能不适用于有经验的设计师。
- 短期研究时间限制了对长期学习效果的测量。
- 未来工作可探索动态反馈可操作性、更多设计原则以及纵向影响。
总结
本文介绍了VizCrit,一种通过视觉注释提供反馈的视觉设计工具,涵盖可操作性谱系。该工具与专家共同设计,支持层次、对齐、留白和统一性原则,并使用启发式算法实现。对36名新手的研究表明,以解决方案为中心的反馈改善了设计质量和自我感知的创造力,而以意识为中心的反馈促进了反思。然而,各条件下的学习增益相似。这些发现突出了校准反馈可操作性以平衡生产力和创造性成长的必要性,为设计人工智能驱动的创造力支持工具提供了重要见解。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 100%
构建用于创意工作的人类-多智能体团队
CHI '26· 生成式AI(文本、图像、音乐、视频) +1
- 100%
超越生产力:重新思考创造力支持工具的影响
C&C '25· 生成式AI(文本、图像、音乐、视频) +1
- 80%
我主导,你帮忙但只需提供足够的细节:理解与人工智能共同创作的用户体验
CHI '18· 生成式AI(文本、图像、音乐、视频) +2
- 80%
当团队拥抱AI时:创造性设计任务中生成性提示中的人机协作策略
CHI '24· 生成式AI(文本、图像、音乐、视频) +1
- 80%
意图标记:探索微提示交互以支持细粒度的人类与生成式AI协同创作工作流程
CHI '25· 生成式AI(文本、图像、音乐、视频) +2
- 80%
Iconix:在渐进式图标网格生成中控制语义与风格
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 80%
探索基于生成式AI的实时协作创意对话提示的潜力
C&C '24· 生成式AI(文本、图像、音乐、视频) +1
- 67%
理解人类与AI代理之间的非线性协作:创意设计的共同设计框架
CHI '24· 生成式AI(文本、图像、音乐、视频) +2
- 67%
偏好引导的提示优化用于文生图生成
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
- 67%
减少重绘,多加探索:草图到图像的建议与补全
CHI '26· 生成式AI(文本、图像、音乐、视频) +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3791579
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
8 位作者
sell
研究子方向
生成式AI(文本、图像、音乐、视频)、创意协作与反馈系统
work
职业/产业
UI/UX 设计师、HCI 研究员
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文