Como a Análise de IA Contextualizada Pode Fortalecer o Ensino de Design

Tabela de Links

Resumo e 1. Introdução

1. Trabalho Anterior e 2.1 Objetivos Educacionais das Atividades de Aprendizagem

   2.2 Design Multiescala

   2.3 Avaliação do Design Visual Criativo

   2.4 Análise de Aprendizagem e Painéis

2. Artefato/Sonda de Pesquisa

   3.1 Ambiente de Design Multiescala

   3.2 Integrando um Painel de Análise de Design com o Ambiente de Design Multiescala

3. Metodologia e Contexto

   4.1 Contextos do Curso

   4.2 Entrevistas com Instrutores

4. Descobertas

   5.1 Obtendo Insights e Informando Ação Pedagógica

   5.2 Suporte para Exploração, Compreensão e Validação de Análises

   5.3 Usando Análises para Avaliação e Feedback

   5.4 Análises como Fonte Potencial de Autorreflexão para Estudantes

5. Discussão + Implicações: Contextualizando: Análises para Apoiar a Educação em Design

   6.1 Indexação: Demonstrando Análises de Design Vinculando a Instâncias

   6.2 Apoiando Avaliação e Feedback em Cursos de Design através de Análises de Design Multiescala

   6.3 Limitações das Análises de Design Multiescala

6. Conclusão e Referências

A. Perguntas da Entrevista

\

6 DISCUSSÃO E IMPLICAÇÕES: CONTEXTUALIZANDO ANÁLISES PARA APOIAR A EDUCAÇÃO EM DESIGN

De acordo com o modelo do tratado seminal de Suchman, Plans and Situated Actions [71], o sucesso da IA depende da inteligibilidade mútua entre IA e utilizadores; no nosso contexto situado, os utilizadores são instrutores e estudantes. Esta inteligibilidade mútua depende de como as análises, que funcionam como expressões linguísticas, são interpretadas nos contextos situados do seu uso. Mais especificamente, as análises de design multiescala são interpretadas no contexto das instâncias situadas de trabalho de design que os estudantes realizam e da pedagogia e avaliação que os instrutores fornecem. Desenvolvemos um artefato de pesquisa para investigar como a vinculação de análises a instâncias de design afetaria este processo interpretativo. Recolhemos e analisámos dados qualitativos para descobrir como os instrutores experienciam análises multiescala quando são contextualizadas com esta vinculação indexical ao trabalho de design que medem.

\ Primeiro consideramos RQ2: Que valor específico podem as análises de design multiescala baseadas em IA fornecer aos instrutores de design em contextos de curso situados? Discutimos e derivamos implicações sobre como as técnicas de apresentação indexical, que vinculam análises a instâncias de design, contextualizam análises e assim apoiam o seu uso em tarefas abstratas e criativas, aqui, na educação em design.

\ Em seguida, voltamos à RQ1: Como, se de todo, podem as análises de design baseadas em IA apoiar as experiências de avaliação e feedback dos instrutores em contextos de curso situados? Aqui, discutimos e derivamos implicações sobre as particularidades das análises multiescala, o que vimos, e o seu potencial para apoiar a avaliação e feedback na educação em design. Também consideramos limitações.

\ Como Zimmerman et al. articulam, implicações são uma forma de teoria produzida usando uma abordagem de Pesquisa através do Design [85]; segundo Gaver, a teoria provavelmente será "provisória, contingente e aspiracional" [31]. Portanto, pretendemos que a investigação sobre se e como as implicações deste estudo contribuem para interfaces para derivar e apresentar uma gama de análises complexas seja um caminho frutífero para pesquisas futuras. Tal pesquisa pode identificar, por exemplo, se implicações particulares são mais úteis em certas disciplinas educacionais, em comparação com outras.

6.1 Indexação: Demonstrando Análises de Design Vinculando a Instâncias

Contribuímos com a vinculação indexical das análises para instâncias de design visualmente anotadas como meio de demonstrar o que significam. De acordo com Turnbull, declarações indexicais articulam relações entre contextos para transmitir novos significados [74]. No presente estudo, descobrimos que a indexação do painel—ou seja, vincular análises com montagens de elementos de design situados—apoiou os instrutores na compreensão das análises. Uma chave é a anotação visual automática de um design para mostrar quais escalas e clusters foram reconhecidos. Por exemplo, nas palavras de I9, "Eu consegui inferir... há um nível de zoom que tem uma região particular... e depois eles têm um nível de zoom diferente que se concentra em uma região diferente e assim por diante." Os instrutores conseguiram ter uma noção rápida das organizações de design dos estudantes e como foram quantificadas. Eles também conseguiram aprofundar-se no trabalho e identificar onde as análises não correspondem às suas próprias interpretações. Para um dos designs, como I3 expressou ao ver os resultados da IA, "Não tenho certeza por que [mostra aqui]... alguns clusters [extras]".

\ Outros pesquisadores estão admiravelmente perseguindo estratégias de IA explicável para comunicar a lógica algorítmica da IA aos utilizadores [por exemplo, 1, 65]. Esta pesquisa, alternativamente, contribui com como a vinculação de análises a instâncias pode demonstrar visualmente aos utilizadores o que as análises significam, mostrando o trabalho do algoritmo de reconhecimento em contextos situados de prática, sem atender à sua lógica subjacente.

\ Implicações. Espera-se que os utilizadores, como instrutores e estudantes, beneficiem quando a interação do painel indexa diretamente, ou seja, apresenta as ligações entre análises específicas e instâncias de trabalho de design. Suchman chama a atenção para como a transparência dos sistemas baseados em IA—que se baseia em transmitir o propósito pretendido de uma IA aos utilizadores e estabelecer responsabilidade—é vital para apoiar efetivamente a prática situada [71]. Uma abordagem comum de IA é obter notas para um grande conjunto de tarefas e construir um reconhecedor de baixo para cima a partir desses dados. Tal reconhecedor é tipicamente baseado em uma agregação arbitrária de características que podem mapear para uma pontuação geral de nota, em vez de características explicitamente discerníveis para instrutores ou estudantes de design. Alternativamente, elaboramos as análises de design multiescala da presente pesquisa, usando características contextuais, baseadas em design, para fazer sentido para os instrutores de design. Como resultado, estas análises têm o potencial de informar os estudantes refletindo sobre como melhorar o seu próprio trabalho, bem como como compreender o trabalho dos outros.

\ Além disso, os nossos utilizadores encontraram valor em navegar para escalas e clusters específicos medidos por análises. Nas palavras de I1, "se seria possível... talvez como identificar ou apenas ir para a escala precisa." Para isso, uma representação intermediária no painel pode ser útil. Por exemplo, as nossas descobertas motivam uma investigação adicional, na qual além de apresentar um número no painel, os utilizadores têm a possibilidade de interagir com uma visualização em árvore [30], indexando a hierarquia de escalas e clusters de cada instância de trabalho de design. Tal representação tem o potencial de apoiar ainda mais os utilizadores na compreensão de como usar estruturas aninhadas para transmitir informações complexas, indo além do plano para utilizar uma gama de escalas e clusters.

\ Por último, na indexação de análises a instâncias, as interfaces beneficiarão usando animações. Mayer e Moreno mostraram que adicionar animações ao material de estudo melhora a compreensão do aprendiz [55]. Como Tversky explica, as animações podem ajudar na percepção e compreensão da estrutura fina das relações espaciais e temporais entre diferentes peças de conteúdo [75]. Bederson e Boltman descobriram que animar mudanças de ponto de vista em um ambiente espacial ajuda os utilizadores a construir um mapa mental das informações presentes no ambiente [10]. A teoria do design multiescala estende a teoria da interface de utilizador ampliável para se concentrar em como as pessoas montam elementos de informação para transmitir significados, usando interação baseada em espaço e escala e princípios de design associados. No nosso estudo, descobrimos que o uso de animação ajudou os instrutores a entender características complexas. Nas palavras de I1, "Agora tenho uma melhor compreensão dos clusters espaciais [com] a animação de cores mudando." Esperamos que recursos de interatividade de animação, como close-ups, zoom e controle de velocidade [75] se mostrem úteis no suporte à navegação para escalas e clusters específicos.

\ \

:::info Autores:

(1) Ajit Jain, Texas A&M University, EUA; Afiliação atual: Audigent;

(2) Andruid Kerne, Texas A&M University, EUA; Afiliação atual: University of Illinois Chicago;

(3) Nic Lupfer, Texas A&M University, EUA; Afiliação atual: Mapware;

(4) Gabriel Britain, Texas A&M University, EUA; Afiliação atual: Microsoft;

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

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

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

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

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

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

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

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

:::

:::info Este artigo está disponível no arxiv sob a licença CC by 4.0 Deed (Atribuição 4.0 Internacional).

:::

\