Mar, 2024

人本设计的 AI 辅助因果路径图

PDF
TL;DR探索因果路径图（CPD）与以人为中心的设计（HCD）的整合，研究这些图表如何增强设计过程的早期阶段。通过针对设计师（N=20）的用户研究，我们发现 CPD 的分支和其对因果关联的强调支持设计中的发散和收敛过程，同时也促进了利益相关者之间的沟通。此外，我们发现我们的插件显著减轻了设计师的认知负荷，并在头脑风暴中增加了他们的创造力，凸显了 AI 辅助工具在支持创造性工作和基于证据的设计方面的意义。
发现论文，激发创造
  • 可解释机器学习的因果依赖图

    通过通过使用已知或假设的输入变量的因果结构，以产生监督学习模型的简单和实用解释，并将这些解释可视化，提出了因果依赖图，即 CDP。CDP 可以成为可解释的 AI 或可解释 ML 工具箱中的有力工具，并有助于科学机器学习和算法公平性的应用，也可以用于模型无关说明。

    Mar, 2023

  • 儿童参与的 AI 设计：对 IDC 设计挑战的反思

    这篇论文研究了通过人机交互与儿童群体展开参与式设计来推动人工智能科技的发展，并报告了儿童群体在 “第 22 届 ACM Interaction Design and Children (IDC 2023)” 会议上关于人工智能科技方面的设计想法和创意。作者讨论了让儿童参与设计活动对发展人工智能科技的机遇和挑战，为实现开放、包容的儿童参与式设计经验提供了思路。

    Apr, 2023

  • 网络物理人类系统 (CPHS) 的上下文感知设计

    介绍了一个新的设计环境，称作 CPHS，它将现有设计模型与涉及人机基础设施交互的上下文感知设计数据相结合，使用机器学习方法创建增强的设计模型来实现性能预测力的提高。

    Jan, 2020

  • 智能物理人系统中有效的人工智能推荐框架

    在涉及人工智能平台向人类决策者提供建议但最终决策责任由人类承担的网络物理人系统中，人类决策者可能因各种原因偏离最优建议决策，本文提出了一个严格的框架来解决这个问题，并建立了最优建议策略的结构属性和人工智能使用的近似人类模型，提供了一个数值实例以说明结果的有效性。

    Mar, 2024

  • 实现以人为中心的人工智能：方法论视角

    基于我们之前的工作，本文提出了一个综合的基于人为中心的人工智能（HCAI）框架，包括设计目标、设计原则、实施方法、跨学科团队和 HCAI 流程，同时提出了一个 “三层” 方法以促进框架的实施，我们相信这个系统性和可执行性框架可以克服当前 HCAI 框架中的不足，并应对当前实践中面临的挑战，进一步实现 HCAI 的发展。

    Nov, 2023

  • 数据驱动的智能计算设计：方法、技术及应用

    数据驱动的智能计算设计（DICD）是利用深度学习算法从历史或虚构的设计过程数据中提取和表示设计特征，以实现设计解决方案的检索、生成、优化、评估等目的的研究热点。本文建立了 DICD 实现的系统理论参考，包括 DICD 项目计划的一般工作流程，DICD 项目实施的整体框架，DICD 实施的计算机制，详细 DICD 实施的关键启用技术，以及 DICD 的三个应用场景。

    Jan, 2023

  • 超越提示：探索混合启发式合作创新系统的设计空间

    本研究探讨了人工智能生成系统的不同工作模式，包括人机协作生成，以及探究人们对于这些模式的偏好和使用体验。我们的实验表明，覆盖更广阔的设计空间可以提高用户的满意度和成就感，而谨慎的介入和解释可以更好的适应不同技能水平的用户。

    May, 2023

  • 面向以人为中心的设计的人工共情框架

    该研究论文基于人类中心设计视角，探索了人工智能在发展人类中心设计中的未来方向，特别关注了人类设计者理解人类需求的能力。论文通过研究数据驱动的用户研究、共情理解的发展以及人工共情等研究领域，提出了人工共情框架，旨在将共情这一相对复杂且主观的概念分解成模块，以期提高人类设计者的共情能力。该论文指出了该框架的预期益处，并鼓励未来的研究工作。

    Mar, 2023

  • 创造力与马尔科夫决策过程

    创造力与人工智能系统之间的评估存在理论依据不足的问题，本研究使用马尔可夫决策过程作为桥梁，通过研究创造性过程中的形式映射，探讨其中的创造过程、异常机会和对创造力的威胁，从而为未来的工作和应用提供质量标准。

    May, 2024

  • 图式化：利用图式化 AI 解释进行假设性推理的合理化

    该研究提出了 Diagrammatization 方法，它基于领域假设提供了图解的归纳解释，该方法使用 Peircean 图解推理和 5 步缩写过程进行推理。它还对临床应用进行了建模研究，演示了虔诚的、图解式的说明对于技术显著性图的说明更受欢迎。

    Feb, 2023