Cómo el análisis contextualizado de IA puede fortalecer la educación en diseño

Tabla de Enlaces

Resumen y 1. Introducción

1. Trabajo Previo y 2.1 Objetivos Educativos de las Actividades de Aprendizaje

   2.2 Diseño Multiescala

   2.3 Evaluación del Diseño Visual Creativo

   2.4 Análisis de Aprendizaje y Paneles

2. Artefacto/Sonda de Investigación

   3.1 Entorno de Diseño Multiescala

   3.2 Integración de un Panel de Análisis de Diseño con el Entorno de Diseño Multiescala

3. Metodología y Contexto

   4.1 Contextos del Curso

   4.2 Entrevistas a Instructores

4. Hallazgos

   5.1 Obtención de Perspectivas e Información para la Acción Pedagógica

   5.2 Soporte para la Exploración, Comprensión y Validación de Análisis

   5.3 Uso de Análisis para Evaluación y Retroalimentación

   5.4 Análisis como Fuente Potencial de Autorreflexión para Estudiantes

5. Discusión + Implicaciones: Contextualización: Análisis para Apoyar la Educación en Diseño

   6.1 Indexicalidad: Demostración de Análisis de Diseño mediante Vinculación a Instancias

   6.2 Apoyo a la Evaluación y Retroalimentación en Cursos de Diseño a través de Análisis de Diseño Multiescala

   6.3 Limitaciones de los Análisis de Diseño Multiescala

6. Conclusión y Referencias

A. Preguntas de Entrevista

\

6 DISCUSIÓN E IMPLICACIONES: CONTEXTUALIZACIÓN DE ANÁLISIS PARA APOYAR LA EDUCACIÓN EN DISEÑO

Según el modelo del tratado fundamental de Suchman, Plans and Situated Actions [71], el éxito de la IA depende de la inteligibilidad mutua entre la IA y los usuarios; en nuestro contexto situado, los usuarios son instructores y estudiantes. Esta inteligibilidad mutua depende de cómo los análisis, que funcionan como expresiones lingüísticas, se interpretan en los contextos situados de su uso. Más específicamente, los análisis de diseño multiescala se interpretan en el contexto de las instancias situadas del trabajo de diseño que realizan los estudiantes y la pedagogía y evaluación que proporcionan los instructores. Desarrollamos un artefacto de investigación para investigar cómo la vinculación de análisis con instancias de diseño afectaría este proceso interpretativo. Recopilamos y analizamos datos cualitativos para descubrir cómo los instructores experimentan los análisis multiescala cuando están contextualizados con esta vinculación indexical al trabajo de diseño que miden.

\ Primero consideramos RQ2: ¿Qué valor específico pueden proporcionar los análisis de diseño multiescala basados en IA a los instructores de diseño en contextos de cursos situados? Discutimos y derivamos implicaciones sobre cómo las técnicas de presentación indexical, que vinculan análisis con instancias de diseño, contextualizan los análisis y así apoyan su uso en tareas abstractas y creativas, aquí, en la educación de diseño.

\ Luego volvemos a RQ1: ¿Cómo, si es posible, pueden los análisis de diseño basados en IA apoyar las experiencias de evaluación y retroalimentación de los instructores en contextos de cursos situados? Aquí, discutimos y derivamos implicaciones respecto a las particularidades de los análisis multiescala, lo que hemos visto, y su potencial para apoyar la evaluación y retroalimentación en la educación de diseño. También consideramos limitaciones.

\ Como articulan Zimmerman et al., las implicaciones son una forma de teoría producida utilizando un enfoque de Investigación a través del Diseño [85]; según Gaver, es probable que la teoría sea "provisional, contingente y aspiracional" [31]. Por lo tanto, pretendemos que la investigación sobre si las implicaciones de este estudio contribuyen a interfaces para derivar y presentar una gama de análisis complejos y cómo lo hacen, sea una vía fructífera para investigaciones futuras. Tal investigación puede precisar, por ejemplo, si determinadas implicaciones son más útiles en ciertas disciplinas educativas, en comparación con otras.

6.1 Indexicalidad: Demostración de Análisis de Diseño mediante Vinculación a Instancias

Contribuimos con la vinculación indexical desde los análisis hasta las instancias de diseño visualmente anotadas como medio para demostrar lo que significan. Según Turnbull, las declaraciones indexicales articulan relaciones a través de contextos para transmitir nuevos significados [74]. En el presente estudio, encontramos que la indexicalidad del panel—es decir, vincular análisis con ensamblajes de elementos de diseño situados—apoyó a los instructores en la comprensión de los análisis. Una clave es la anotación visual automática de un diseño para mostrar qué escalas y clusters fueron reconocidos. Por ejemplo, en palabras de I9, "Pude inferir... hay un nivel de zoom que tiene una región particular... y luego tienen un nivel de zoom diferente que se enfoca en una región diferente y así sucesivamente". Los instructores pudieron obtener rápidamente una idea de las organizaciones de diseño de los estudiantes y cómo se cuantificaron. También pudieron profundizar en el trabajo y señalar dónde los análisis no coinciden con sus propias interpretaciones. Para uno de los diseños, como expresó I3 al ver los resultados de IA, "No estoy seguro de por qué [muestra aquí]... un par de clusters [extra]".

\ Otros investigadores están persiguiendo admirablemente estrategias de IA explicable para comunicar la lógica algorítmica de la IA a los usuarios [por ejemplo, 1, 65]. Esta investigación contribuye alternativamente a cómo la vinculación de análisis con instancias puede demostrar visualmente a los usuarios lo que significan los análisis, mostrando el trabajo del algoritmo de reconocimiento en contextos situados de práctica, sin atender a su lógica subyacente.

\ Implicaciones. Se espera que los usuarios, como instructores y estudiantes, se beneficien cuando la interacción del panel indexa directamente, es decir, presenta los vínculos entre análisis específicos e instancias de trabajo de diseño. Suchman llama la atención sobre cómo la transparencia de los sistemas basados en IA—que se basa en transmitir el propósito previsto de una IA a los usuarios y establecer la responsabilidad—es vital para apoyar eficazmente la práctica situada [71]. Un enfoque común de IA es obtener calificaciones para un gran conjunto de tareas y construir un reconocedor de abajo hacia arriba a partir de esos datos. Tal reconocedor se basa típicamente en una agregación arbitraria de características que pueden mapear a una puntuación de calificación general, en lugar de características explícitamente discernibles para instructores o estudiantes de diseño. Alternativamente, elaboramos los análisis de diseño multiescala de la presente investigación, utilizando características contextuales basadas en el diseño, para que tengan sentido para los instructores de diseño. Como resultado, estos análisis tienen el potencial de informar a los estudiantes que reflexionan sobre cómo mejorar su propio trabajo, así como cómo comprender el trabajo de otros.

\ Además, nuestros usuarios encontraron valor en navegar a escalas y clusters específicos medidos por análisis. En palabras de I1, "si sería posible... tal vez como señalar o simplemente ir a la escala precisa". Para esto, una representación intermedia en el panel puede resultar útil. Por ejemplo, nuestros hallazgos motivan una investigación adicional, en la que más allá de presentar un número en el panel, se les ofrece a los usuarios interacción con una visualización de árbol [30], indexando la jerarquía de escalas y clusters de cada instancia de trabajo de diseño. Tal representación tiene el potencial de apoyar aún más a los usuarios en la comprensión de cómo usar estructuras anidadas para transmitir información compleja, yendo más allá del plano para utilizar una gama de escalas y clusters.

\ Por último, al indexar análisis a instancias, las interfaces se beneficiarán usando animaciones. Mayer y Moreno mostraron que agregar animaciones al material de estudio mejora la comprensión del alumno [55]. Como explica Tversky, las animaciones pueden ayudar a la percepción y comprensión de la estructura fina de las relaciones espaciales y temporales entre diferentes piezas de contenido [75]. Bederson y Boltman encontraron que animar cambios de punto de vista en un entorno espacial ayuda a los usuarios a construir un mapa mental de la información presente en el entorno [10]. La teoría del diseño multiescala extiende la teoría de la interfaz de usuario ampliable para centrarse en cómo las personas ensamblan elementos de información para transmitir significados, utilizando la interacción basada en el espacio y la escala y los principios de diseño asociados. En nuestro estudio, encontramos que el uso de animación ayudó a los instructores a comprender características complejas. En palabras de I1, "Ahora tengo una mejor comprensión de los clusters espaciales [con] la animación de colores cambiantes". Esperamos que las características de interactividad de animación, como primeros planos, zoom y control de velocidad [75], resulten útiles para apoyar la navegación a escalas y clusters específicos.

\ \

:::info Autores:

(1) Ajit Jain, Texas A&M University, USA; Afiliación actual: Audigent;

(2) Andruid Kerne, Texas A&M University, USA; Afiliación actual: University of Illinois Chicago;

(3) Nic Lupfer, Texas A&M University, USA; Afiliación actual: Mapware;

(4) Gabriel Britain, Texas A&M University, USA; Afiliación actual: Microsoft;

(5) Aaron Perrine, Texas A&M University, USA;

(6) Yoonsuck Choe, Texas A&M University, USA;

(7) John Keyser, Texas A&M University, USA;

(8) Ruihong Huang, Texas A&M University, USA;

(9) Jinsil Seo, Texas A&M University, USA;

(10) Annie Sungkajun, Illinois State University, USA;

(11) Robert Lightfoot, Texas A&M University, USA;

(12) Timothy McGuire, Texas A&M University, USA.

:::

:::info Este artículo está disponible en arxiv bajo la licencia CC by 4.0 Deed (Atribución 4.0 Internacional).

:::

\