.png){kind=icon}
返回
Evaluating Designer Learning and Performance in Interactive Deep Generative Design
.png){kind=icon}
PRE
AI
DOI：10.1115/1.4056374.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要
深度生成模型在提升设计空间探索性能方面显示出巨大潜力。然而，对其可解释性的理解有限，这在需要模型解释和问题定义不明确时是必要的。可解释性涉及学习设计性能背后的设计特征，称为设计师学习。本研究探讨了人机协作对设计师学习和设计性能的影响。我们进行了一项实验（N = 42），使用条件变分自编码器设计机械超材料。自变量为：(i) 设计合成的自动化水平，例如手动（用户手动调整设计变量）、基于特征的手动（用户调整编码器学习到的特征的权重）和基于特征的半自动化（智能体基于起始设计和用户选择的步长生成局部设计）；以及(ii) 特征语义性，例如有意义的特征与抽象特征。我们使用项目反应理论评估特征特定学习，使用乌托邦距离和超体积改进评估设计性能。结果表明，设计性能取决于受试者的特征特定知识，强调了学习的前置作用。半自动化合成局部提升了乌托邦距离，但与手动设计合成相比，并未带来更高的全局超体积改进，且与基于特征的手动合成相比，降低了设计师学习。受试者仅在设计性能对其敏感时，才能更好地学习语义特征而非抽象特征。讨论了可能影响人机协作设置中学习的认知结构，例如认知负荷和识别启发式方法。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息