
 
 
 
 
 
 
 
 
 
 
 
 
 
 Los autores: (1) Ajit Jain, Texas A&M University, Estados Unidos; Afiliación actual: Auditor; (2) Andruid Kerne, Universidad Texas A&M, Estados Unidos; Afiliación actual: Universidad de Illinois Chicago; (3) Nic Lupfer, Universidad Texas A&M, Estados Unidos; Afiliación actual: Mapware; (4) Gabriel Britain, Texas A&M University, Estados Unidos; Afiliación actual: Microsoft; (5) Aaron Perrine, Universidad Texas A&M, Estados Unidos; (6) Yoonsuck Choe, Universidad Texas A&M, Estados Unidos; John Keyser, Universidad Texas A&M, Estados Unidos (8) Ruihong Huang, Universidad Texas A&M, Estados Unidos; Jinsil Seo, Universidad Texas A&M, Estados Unidos (10) Annie Sungkajun, Universidad Estatal de Illinois, Estados Unidos; Robert Lightfoot, Universidad Texas A&M, Estados Unidos (12) Timothy McGuire, Universidad Texas A&M, Estados Unidos. Authors: (1) Ajit Jain, Texas A&M University, Estados Unidos; Afiliación actual: Auditor; (2) Andruid Kerne, Universidad Texas A&M, Estados Unidos; Afiliación actual: Universidad de Illinois Chicago; (3) Nic Lupfer, Universidad Texas A&M, Estados Unidos; Afiliación actual: Mapware; (4) Gabriel Britain, Texas A&M University, Estados Unidos; Afiliación actual: Microsoft; (5) Aaron Perrine, Universidad Texas A&M, Estados Unidos; (6) Yoonsuck Choe, Universidad Texas A&M, Estados Unidos; John Keyser, Universidad Texas A&M, Estados Unidos (8) Ruihong Huang, Universidad Texas A&M, Estados Unidos; Jinsil Seo, Universidad Texas A&M, Estados Unidos (10) Annie Sungkajun, Universidad Estatal de Illinois, Estados Unidos; Robert Lightfoot, Universidad Texas A&M, Estados Unidos (12) Timothy McGuire, Universidad Texas A&M, Estados Unidos. Mesa de la izquierda Abstracto y 1a Introducción 
 
 
 
 
 
 
 
 
 
 
 
 Prior Work and 2.1 Educational Objectives of Learning Activities 2.2 Multiscale Design 2.3 Assessing Creative Visual Design 2.4 Learning Analytics and Dashboards 
 
 
 
 Research Artifact/Probe 3.1 Multiscale Design Environment 3.2 Integrating a Design Analytics Dashboard with the Multiscale Design Environment 
 
 
 
 Methodology and Context 4.1 Course Contexts 4.2 Instructor interviews 
 
 
 
 
 
 Findings 5.1 Gaining Insights and Informing Pedagogical Action 5.2 Support for Exploration, Understanding, and Validation of Analytics 5.3 Using Analytics for Assessment and Feedback 5.4 Analytics as a Potential Source of Self-Reflection for Students 
 
 
 
 
 Discussion + Implications: Contextualizing: Analytics to Support Design Education 6.1 Indexicality: Demonstrating Design Analytics by Linking to Instances 6.2 Supporting Assessment and Feedback in Design Courses through Multiscale Design Analytics 6.3 Limitations of Multiscale Design Analytics 
 
 Conclusion and References A. Preguntas de entrevista Investigamos cómo utilizar la analítica basada en la IA para apoyar la educación en diseño. La analítica a mano mide el diseño multiscal, es decir, el uso del espacio y la escala de los estudiantes para organizar visualmente y conceptualmente su trabajo de diseño. Con el objetivo de hacer que la analítica sea inteligible para los instructores, desarrollamos un artefacto de investigación que integra un panel de análisis de diseño con las instancias de diseño, y el entorno de diseño que los estudiantes utilizan para crearlos. Teorizamos cómo la noción de inteligibilidad mutua de Suchman requiere una investigación contextualizada de la IA para desarrollar hallazgos sobre cómo funciona la analítica para las personas. Estudiamos el artefacto de investigación en 5 contextos de curso situados, en 3 departamentos. Un total de 236 estudiantes utilizaron el entorno de diseño multiscal. Los 9 instructores que enseñaron a esos estudiantes experimentaron la analítica a través del nuevo artefacto de investigación. Derivamos los hallazgos de un análisis cualitativo de las entrevistas con los instructores sobre sus experiencias.Los instructores reflexionaron sobre cómo la analítica y su presentación en el dashboard tienen el potencial de afectar la educación en diseño. desarrollamos implicaciones de investigación abordando: (1) cómo la indexación de la analítica de diseño en el dashboard a las instancias de trabajo de diseño reales ayuda a los instructores de diseño a reflexionar sobre lo que significan y, más ampliamente, es una técnica para cómo la analítica de diseño basada en IA puede apoyar la evaluación y la experiencia de retroalimentación de los instructores en contextos de curso situados; y (2) cómo la analítica de diseño multiscal, en particular, tiene el potencial de apoyar la educación en diseño. 1 Introducción Investigamos el apoyo a la educación de diseño al vincular directamente la analítica basada en la IA con ejemplos de trabajo de diseño visual de los estudiantes, con el fin de demostrar lo que se mide. Nuestro enfoque integra un panel de análisis con un entorno de diseño colaborativo, donde los estudiantes e instructores crean y comentan las instancias de trabajo de diseño. medir cómo el trabajo creativo, que involucra elementos pictóricos y textuales, utiliza el espacio y la escala como principios de organización para la presentación. Análisis de Diseño Multiscale Según Lupfer et al., es “el uso de espacio y escala para explorar y articular relaciones, [que] implica la juxtaposición y síntesis de diversos elementos de diseño” [51] (Ver ejemplo en la Figura 1.). Escala se refiere a niveles de magnificación: los elementos en la misma escala son “igualmente legibles en el mismo zoom de vista” [52]. En la práctica, observamos que la juxtaposición y síntesis de elementos, a través de escalas, tienden a parecer grupos espaciales anclados, es decir, aglomerados (Figura 1), de elementos. Diseño multiscal es una estrategia para lo que Tufte llama escapar del terreno plano de la información de imaginación, es decir, para aumentar la dimensionalidad legible y densidad de la información en la pantalla y página [73]. Investigaciones previas Diseño Multiscal, En los diversos contextos educativos de diseño que estudiamos, los estudiantes trabajan en proyectos creativos, abiertos, donde pueden existir múltiples enfoques para resolver un problema, es decir, no hay una respuesta correcta fija. De hecho, las excelentes respuestas se caracterizan por la creatividad, así como la habilidad, aplicada en el contexto de un problema de proyecto de diseño en particular. El trabajo en tales proyectos es conocido por ser desafiante [58]. Los estudiantes necesitan evaluación y retroalimentación frecuentes para progresar [47, 57]. Confundir estas necesidades, en la práctica, es la tendencia de crecer las demandas de educación de diseño. Los tamaños de clase más grandes enfrentan a los instructores con desafíos en proporcionar una evaluación y feedback oportunos [47]. El trabajo previo muestra que el uso de la IA puede complementar el trabajo humano Considere un escenario. Alex está enseñando una clase grande donde los estudiantes aprenden a usar el diseño multiscal. A medida que los estudiantes trabajan en proyectos y ponen en práctica los principios y habilidades de diseño multiscal, es vital proporcionarles feedback en las etapas tempranas. Sin embargo, debido a las restricciones de tiempo, Alex no es capaz de evaluar continuamente el trabajo de diseño creativo de cada estudiante en detalle. Un sistema basado en IA deriva análisis que mide las características de diseño multiscal en obras creativas, proporcionando a Alex información sobre cómo sus estudiantes están utilizando el espacio y la escala. Las analíticas calculadas para cada trabajo de diseño les ayudan a proporcionar un feedback rápido y personalizado a los estudiantes individuales. Además, el agregado de opiniones analíticas -para cada entrega- ayudan a Alex a identificar los problemas recurrentes que los estudiantes Para satisfacer las necesidades sugeridas por este escenario, nos basamos en la investigación reciente de IA, que ha mostrado resultados prometedores en el reconocimiento de características creativas de diseño visual, como las jerarquías en los elementos de contenido organizados espacialmente [40, 59]. La brecha de investigación que abordamos es la falta de comprensión previa de cómo las medidas basadas en el reconocimiento de IA pueden apoyar la evaluación del instructor y las experiencias de retroalimentación en la educación de diseño. Considerando las exigencias del precepto de comprensión mutua de Suchman, aquí, cómo un reconocimiento de IA es entendido por las personas que lo utilizan, sugiere llevar a cabo una investigación de este tipo en contextos de curso de diseño situado. Al combinar la comprensión del diseño multiscal con técnicas de reconocimiento de IA, podemos investi RQ1: ¿Cómo, si hay, puede el análisis de diseño basado en la IA apoyar la evaluación y la experiencia de los instructores en contextos de curso situados? RQ2: ¿Qué valor específico puede proporcionar el análisis de diseño multiscal basado en la IA a los instructores de diseño en contextos de curso situados? El análisis de diseño basado en la IA es una tecnología relativamente nueva, que es difícil de investigar, porque la realización de estudios en contextos de curso situados es exigente. la ética prescribe que es necesario proporcionar todas las funcionalidades suficientes para apoyar a instructores y estudiantes para que no obstaculizemos el aprendizaje [17]. Con el fin de contribuir a nuevos conocimientos sobre cómo el análisis de diseño basado en IA tiene el potencial de ser útil, tomamos un (RtD) [31, 84, 85] enfoque. RtD es adecuado cuando el objetivo es explorar “lo que podría ser” en lugar de una “comparación o refutación” de ciertas técnicas. Como Zimmerman et al. explica, el enfoque de RtD está en hacer la “cosa correcta”, no haciendo la cosa correcta [84]. La investigación previa [63] tomó un enfoque de sonda de diseño similar para desarrollar comprensión de las experiencias de los usuarios con animaciones que explican el funcionamiento de un algoritmo. La investigación actual toma un enfoque ético de RtD al desarrollar un “artefacto de investigación” altamente funcional adecuado para el despliegue en contextos de curso del mundo real. Investigación a través del diseño Estudiamos el artefacto de investigación en 5 contextos de curso situados, en 3 departamentos, para entender cómo el análisis de diseño multiscal y su presentación pueden apoyar la evaluación y el feedback de los instructores. Un total de 236 estudiantes utilizaron un entorno de diseño multiscal. Los 9 instructores que enseñaron a esos estudiantes experimentaron el análisis a través del nuevo panel de artefacto de investigación integrado con el entorno de diseño. Derivamos los hallazgos de un análisis cualitativo de entrevistas con instructores sobre sus experiencias. Sobre la base de los hallazgos, derivamos implicaciones para hacer que el análisis basado en IA sea útil en el diseño y la educación. Concluimos reiterando las contribuciones de la investigación actual y los impactos potenciales amplios. 
 
 Este artículo está disponible en archivo bajo la licencia CC by 4.0 Deed (Attribution 4.0 International). Este documento es Con la licencia CC 4.0 Deed (Attribution 4.0 International). available on arxiv Disponible en Archivo

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Dash

dashboard

Microsoft

Instancing.TECH

Pioneering instance management, driving innovative solutions for efficient resource utilization, and enabling a more sus

Instancing's blog

Este audio es producido en el idioma original de la historia!

El análisis de la IA parece mejorar la forma en que los profesores evalúan los proyectos de diseño de los estudiantes, halla el estudio

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Telegram: el puente de Crypto Island hacia el continente

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Telegram: el puente de Crypto Island hacia el continente

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps