コンテクスト化されたAIアナリティクスがデザイン教育をどのように強化できるか

リンク一覧

概要と1. はじめに

1. 先行研究と2.1 学習活動の教育目標

   2.2 マルチスケールデザイン

   2.3 創造的ビジュアルデザインの評価

   2.4 学習分析とダッシュボード

2. 研究成果物/プローブ

   3.1 マルチスケールデザイン環境

   3.2 デザイン分析ダッシュボードとマルチスケールデザイン環境の統合

3. 方法論とコンテキスト

   4.1 コースのコンテキスト

   4.2 講師インタビュー

4. 調査結果

   5.1 洞察を得て教育的行動に情報を与える

   5.2 分析の探索、理解、検証のサポート

   5.3 評価とフィードバックのための分析の使用

   5.4 学生の自己反省の潜在的な源としての分析

5. 考察+意義：コンテキスト化：デザイン教育をサポートするための分析

   6.1 指数化：インスタンスへのリンクによるデザイン分析の実証

   6.2 マルチスケールデザイン分析を通じたデザインコースでの評価とフィードバックの支援

   6.3 マルチスケールデザイン分析の限界

6. 結論と参考文献

A. インタビュー質問

\

6 考察と意義：デザイン教育をサポートするための分析のコンテキスト化

Suchmanの画期的な論文『Plans and Situated Actions』[71]のモデルによると、AIの成功はAIとユーザー間の相互理解可能性にかかっています。私たちの状況的コンテキストでは、ユーザーは講師と学生です。この相互理解可能性は、言語表現として機能する分析が、その使用の状況的コンテキストでどのように解釈されるかに依存しています。より具体的には、マルチスケールデザイン分析は、学生が行うデザイン作業の状況的インスタンスと、講師が提供する教育法と評価のコンテキストで解釈されます。私たちは、分析をデザインインスタンスにリンクすることがこの解釈プロセスにどのように影響するかを調査するための研究成果物を開発しました。私たちは質的データを収集・分析し、講師が測定するデザイン作業へのこの指標的リンクでコンテキスト化されたときに、マルチスケール分析をどのように経験するかを調査しました。

\ まず、RQ2：AIベースのマルチスケールデザイン分析は、状況的なコース環境でデザイン講師にどのような具体的価値を提供できるか？について考察します。分析をデザインインスタンスにリンクする指標的プレゼンテーション技術が、分析をコンテキスト化し、抽象的で創造的なタスク、ここではデザイン教育での使用をサポートする方法について議論し、意義を導き出します。

\ 次に、RQ1：AIベースのデザイン分析は、状況的なコース環境で講師の評価とフィードバック体験をどのようにサポートできるか？に戻ります。ここでは、マルチスケール分析の詳細、私たちが見てきたこと、そしてデザイン教育における評価とフィードバックをサポートする可能性について議論し、意義を導き出します。また、限界についても考慮します。

\ Zimmermanらが述べているように、意義はデザインを通じた研究アプローチを使用して生み出される理論の一形態です[85]。Gaverによれば、その理論は「暫定的、偶発的、そして意欲的」である可能性が高いです[31]。したがって、この研究からの意義が、複雑な分析の範囲を導出し提示するためのインターフェースにどのように貢献するかを調査することは、将来の研究にとって実りある道筋となることを意図しています。そのような研究は、例えば、特定の意義が他と比較して特定の教育分野でより有用であるかどうかを特定することができます。

6.1 指数化：インスタンスへのリンクによるデザイン分析の実証

私たちは、分析から視覚的に注釈付けされたデザインインスタンスへの指標的リンクを、それらが意味するものを実証する手段として貢献します。Turnbullによれば、指標的ステートメントはコンテキスト間の関係を明確にして新しい意味を伝えます[74]。本研究では、ダッシュボードの指標性、つまり分析と状況的デザイン要素のアセンブリをリンクすることが、講師が分析を理解するのをサポートすることがわかりました。重要なのは、どのスケールとクラスターが認識されたかを示すためのデザインの自動視覚注釈です。例えば、I9の言葉では、「私は推測することができました...特定の領域を持つ1つのズームレベルがあり...そして彼らは異なる領域に焦点を当てた異なるズームレベルを持っているというように。」講師は学生のデザイン構成とそれらがどのように定量化されたかを素早く把握することができました。また、作業を掘り下げて、分析が自分の解釈と一致しない箇所を特定することもできました。デザインの1つについて、I3はAI結果を見て「なぜ[ここに表示されているのか]...いくつかの[余分な]クラスターがあるのかわかりません」と表現しました。

\ 他の研究者たちは、AIのアルゴリズム論理をユーザーに伝えるための説明可能なAI戦略を見事に追求しています[例えば、1, 65]。この研究は代わりに、分析をインスタンスにリンクすることで、ユーザーに分析が意味するものを視覚的に示し、その基礎となる論理に注目することなく、実践の状況的コンテキストにおける認識アルゴリズムの作業を示す方法に貢献しています。

\ 意義。講師や学生などのユーザーは、ダッシュボードの相互作用が直接指標化する、つまり特定の分析とデザイン作業インスタンス間のリンクを提示する場合に利益を得ることが期待されます。Suchmanは、AIベースのシステムの透明性—ユーザーにAIの意図された目的を伝え、説明責任を確立することに基づく—が状況的実践を効果的にサポートするために不可欠であることに注目しています[71]。一般的なAIアプローチは、大量の課題の成績を取得し、そのデータから下から上へのレコグナイザーを構築することです。そのようなレコグナイザーは通常、デザイン講師や学生に明示的に識別可能な特性ではなく、全体的な成績スコアにマッピングできる特徴の任意の集約に基づいています。代わりに、私たちは本研究のマルチスケールデザイン分析を、デザイン講師に理解できるように、コンテキスト的でデザインベースの特性を使用して作成しました。その結果、これらの分析は、学生が自分の作品を改善する方法や、他者の作品を理解する方法について考える際に情報を提供する可能性を持っています。

\ さらに、私たちのユーザーは、分析によって測定された特定のスケールとクラスターにナビゲートする価値を見出しました。I1の言葉では、「正確なスケールにピンポイントで行くか、あるいは単にそのようなことが可能かどうか」。このために、ダッシュボード上の中間表現が有用であることが証明されます。例えば、私たちの調査結果は、ダッシュボード上で1つの数字を提示するだけでなく、ユーザーが各デザイン作業インスタンスのスケールとクラスターの階層をインデックス化するツリー視覚化[30]との相互作用を可能にする、さらなる調査を動機付けます。そのような表現は、ユーザーが複雑な情報を伝えるためにネスト構造をどのように使用するかを理解するのをさらにサポートし、平面を超えてスケールとクラスターの範囲を活用する可能性を持っています。

\ 最後に、インスタンスへの分析のインデックス化において、インターフェースはアニメーションを使用することで利益を得るでしょう。MayerとMorenoは、学習材料にアニメーションを追加することで学習者の理解が向上することを示しました[55]。Tverskyが説明するように、アニメーションはコンテンツの異なる部分間の空間的および時間的関係の微細構造の認識と理解を助けることができます[75]。BedersonとBoltmanは、空間環境でのビューポイントの変化をアニメーション化することで、ユーザーが環境内の情報の精神的マップを構築するのに役立つことを発見しました[10]。マルチスケールデザイン理論は、ズーム可能なユーザーインターフェース理論を拡張し、人々が空間とスケールに基づく相互作用と関連するデザイン原則を使用して、意味を伝えるために情報要素をどのように組み立てるかに焦点を当てています。私たちの研究では、アニメーションを使用することで講師が複雑な特性を理解するのに役立つことがわかりました。I1の言葉では、「色が変化するアニメーションで空間クラスターについてより良い理解ができるようになりました。」私たちは、クローズアップ、ズーム、速度の制御[75]などのアニメーション相互作用機能が、特定のスケールとクラスターへのナビゲーションをサポートするのに有用であることを期待しています。

\ \

:::info 著者：

(1) Ajit Jain, テキサスA&M大学, アメリカ; 現在の所属: Audigent;

(2) Andruid Kerne, テキサスA&M大学, アメリカ; 現在の所属: イリノイ大学シカゴ校;

(3) Nic Lupfer, テキサスA&M大学, アメリカ; 現在の所属: Mapware;

(4) Gabriel Britain, テキサスA&M大学, アメリカ; 現在の所属: Microsoft;

(5) Aaron Perrine, テキサスA&M大学, アメリカ;

(6) Yoonsuck Choe, テキサスA&M大学, アメリカ;

(7) John Keyser, テキサスA&M大学, アメリカ;

(8) Ruihong Huang, テキサスA&M大学, アメリカ;

(9) Jinsil Seo, テキサスA&M大学, アメリカ;

(10) Annie Sungkajun, イリノイ州立大学, アメリカ;

(11) Robert Lightfoot, テキサスA&M大学, アメリカ;

(12) Timothy McGuire, テキサスA&M大学, アメリカ.

:::

:::info この論文はarxivで入手可能であり、CC by 4.0 Deed (Attribution 4.0 International) ライセンスの下で公開されています。

:::

\