.png){kind=icon}
返回
A Generative AI-Driven Predictive Analytics Framework for Modelling Creativity and Performance in Engineering Design Systems
.png){kind=icon}
PRE
AI
DOI：10.3390/app16105159.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工程教育正日益转向以数据驱动和创造力为中心的教学法，以培养创新、沟通、伦理意识和团队合作能力。然而，传统的基于问题的学习（Problem-Based Learning）和设计思维（Design Thinking）方法过度依赖主观评估，缺乏可扩展的机制来监控学习进展和创造力发展。这些教学法局限性凸显了需要数据驱动方法来支持迭代学习过程、持续反馈以及对创造力和绩效的客观评估。本研究提出了一种由生成式人工智能（GenAI）驱动的预测分析框架，用于建模工程设计系统中的学生绩效和创造力。该框架整合了深度学习架构，包括长短期记忆（LSTM）网络和基于Transformer的多模态融合，以分析时序和异构学习数据。引入了新颖的创造力指数（Creativity Index, CI）来量化设计创新，通过结合源自人工智能辅助交互和项目里程碑的新颖性和可行性指标。该模型在一个包含450名学生、跨越10个学期（类似5400个时间序列观测）的纵向数据集上进行评估。实验结果显示出强大的预测性能，达到89%的分类准确率和3.8的均方根误差（RMSE）。比较分析表明，在工程设计（+15%）、沟通（+16%）、伦理意识（+17%）和团队合作（+16%）方面有显著改善（p < 0.01）。所提出的框架实现了实时反馈、早期风险检测和自适应学习优化。这些发现突显了整合生成式人工智能和预测分析以开发可扩展、数据驱动的智能学习系统的潜力。
Keyword:
generative artificial intelligence
creativity index
design thinking
graduate attributes
predictive analytics
problem-based learning
long short-term memory
transformer
