
 
 
 
 
 
 
 
 
 
 
 
 
 
 Kirjoittajat : (1) Ajit Jain, Texas A&M University, USA; Nykyinen tytäryhtiö: Audigent; (2) Andruid Kerne, Texas A&M University, USA; Nykyinen tytäryhtiö: University of Illinois Chicago; (3) Nic Lupfer, Texas A&M University, USA; Nykyinen tytäryhtiö: Mapware; (4) Gabriel Britain, Texas A&M University, USA; Nykyinen tytäryhtiö: Microsoft; (5) Aaron Perrine, Texas A&M University, Yhdysvallat (6) Yoonsuck Choe, Texas A&M University, Yhdysvallat John Keyser, Texas A&M University, Yhdysvallat (8) Ruihong Huang, Texas A&M University, Yhdysvallat (9) Jinsil Seo, Texas A&M University, Yhdysvallat (10) Annie Sungkajun, Illinois State University, Yhdysvallat (11) Robert Lightfoot, Texas A&M University, Yhdysvallat (12) Timothy McGuire, Texas A&M University, Yhdysvallat Authors: (1) Ajit Jain, Texas A&M University, USA; Nykyinen tytäryhtiö: Audigent; (2) Andruid Kerne, Texas A&M University, USA; Nykyinen tytäryhtiö: University of Illinois Chicago; (3) Nic Lupfer, Texas A&M University, USA; Nykyinen tytäryhtiö: Mapware; (4) Gabriel Britain, Texas A&M University, USA; Nykyinen tytäryhtiö: Microsoft; (5) Aaron Perrine, Texas A&M University, Yhdysvallat (6) Yoonsuck Choe, Texas A&M University, Yhdysvallat John Keyser, Texas A&M University, Yhdysvallat (8) Ruihong Huang, Texas A&M University, Yhdysvallat (9) Jinsil Seo, Texas A&M University, Yhdysvallat (10) Annie Sungkajun, Illinois State University, Yhdysvallat (11) Robert Lightfoot, Texas A&M University, Yhdysvallat (12) Timothy McGuire, Texas A&M University, Yhdysvallat Pöytä vasemmalla Abstrakti ja 1. Johdanto 
 
 
 
 
 
 
 
 
 
 
 
 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. Haastattelukysymykset Tutkimme, miten AI-pohjaista analytiikkaa voidaan käyttää suunnittelukoulutuksen tukemiseen. Analytiikka käsillä mittaa monikerroksista suunnittelua, eli opiskelijoiden käyttämää tilaa ja mittakaavaa suunnittelutyönsä visuaalisesti ja käsitteellisesti organisoimiseksi. Tavoitteena on tehdä analytiikka opettajille ymmärrettäväksi, kehitimme tutkimuksen esineen, joka integroi suunnitteluanalytiikan ohjauspaneelin suunnittelutilanteisiin ja suunnittelun ympäristöön, jota opiskelijat käyttävät niiden luomiseen. Teorisoimme, miten Suchmanin käsite keskinäisestä ymmärrettävyydestä edellyttää tekoälyä koskevaa kontekstuaalista tutkimusta, jotta voimme kehittää havaintoja siitä, miten analytiikka toimii ihmisille. Tutkimme tutkimuksen esineitä viidessä paikallisessa kurssiympäristössä, kolmessa osastossa. Yhteensä 236 opiskelijaa käytti monitasoista suunnitteluympäristöä. 9 opettajaa, jotka opetti näitä opiskelijoita, kokivat analyysin uuden tutkimuksen esineen kautta. Opettajat pohtivat, miten analytiikalla ja sen esittämisellä ohjauspaneelissa on potentiaalia vaikuttaa suunnittelukoulutukseen. Kehitämme tutkimusvaikutuksia, joissa käsitellään: (1) miten suunnitteluanalytiikan indeksointi ohjauspaneelissa todellisiin suunnittelutyökohtauksiin auttaa suunnittelutyöntekijöitä pohtimaan, mitä he tarkoittavat ja laajemmin, on tekniikka siitä, miten AI-pohjainen suunnitteluanalytiikka voi tukea opettajien arviointia ja palautetta kokemuksista paikallisissa kursseissa; ja (2) miten monikerroksisella suunnitteluanalytiikalla on potentiaalia tukea suunnittelutyötä. 1 Johdanto Tutkimme suunnittelukoulutuksen tukemista yhdistämällä tekoälypohjaisen analyysin suoraan opiskelijoiden visuaalisen suunnittelutyön esimerkkeihin, jotta voimme osoittaa, mitä mitataan. lähestymistapamme integroi analyyttisen ohjauspaneelin yhteistyöhön perustuvaan suunnitteluympäristöön, jossa opiskelijat ja ohjaajat luovat ja kommentoivat suunnittelutyön esimerkkejä. mitata, miten luova työ, johon liittyy kuvitteellisia ja tekstillisia elementtejä, käyttää tilaa ja mittakaavaa esityksen organisointiperiaatteina. Monitasoinen suunnitteluanalyysi mukaan Lupfer et al., on "käyttö avaruuden ja mittakaavan tutkia ja artikuloida suhteita, [joka] liittyy juxtaposition ja synteesi eri suunnittelun elementtejä" [51] (Katso esimerkki kuvassa 1.). mittakaava viittaa suurennus tasoilla: elementtejä samassa mittakaavassa ovat "yhdenmukaisesti luettavissa samassa näkymän suureneminen" [52]. Käytännössä havaitsemme, että juxtaposition ja synteesi elementtejä, eri mittakaavoilla, on taipumus näyttää solmittu avaruusryhmiä, eli klustereita (kuva 1), elementtejä. Monitasoinen suunnittelu on strategia mitä Tufte kutsuu pakeneminen tasangolla kuvitella tietoa, eli lisätä luettavaa ulottuvuus ja monitasoinen suunnittelu, Opiskelemamme monimuotoisessa suunnittelukoulutuksessa opiskelijat työskentelevät luovissa, avoimissa projekteissa, joissa ongelman ratkaisemiseen voi olla useita lähestymistapoja, eli ei ole kiinteää oikeaa vastausta. Itse asiassa erinomaisia vastauksia leimaa luovuus sekä taito, jota sovelletaan tietyn suunnitteluprojektin ongelman yhteydessä. Tällaisissa projekteissa työskentely on tunnetusti haastavaa [58]. Opiskelijat tarvitsevat usein arviointia ja palautetta edistymisen saavuttamiseksi [47, 57]. Näiden tarpeiden sekoittaminen käytännössä on suunnittelukoulutuksen kasvava suuntaus. Suuremmat luokkakoot kohtaavat ohjaajien haasteita oikea-aikaisen arvioinnin ja palautteen tarjoamisessa [47]. Alustava työ osoittaa, että tekoälyn käyttö voi täyd Harkitse skenaariota. Alex opettaa suurta luokkaa, jossa opiskelijat oppivat käyttämään monikerroksista suunnittelua. Kun opiskelijat työskentelevät projekteissa ja panevat monikerroksisen suunnittelun periaatteet ja taidot käytäntöön, on tärkeää antaa heille palautetta alkuvaiheessa. Ajan rajoituksista johtuen Alex ei pysty jatkuvasti arvioimaan kunkin opiskelijan luovaa suunnittelutyötä yksityiskohtaisesti. AI-pohjainen järjestelmä johtaa analytiikkaa, joka mittaa monikerroksisen suunnittelun ominaisuuksia luovissa töissä, antaen Alexille käsityksen siitä, miten opiskelijat käyttävät tilaa ja mittakaavaa. Kunkin suunnittelutyön laskennallinen analytiikka auttaa heitä tarjoamaan nopeaa, yksilöllistä palautetta Tässä skenaariossa ehdotettujen tarpeiden täyttämisessä hyödynnetään äskettäistä AI-tutkimusta, joka on osoittanut lupaavia tuloksia luovan visuaalisen suunnittelun ominaisuuksien tunnistamisessa, kuten ruumiillisesti organisoitujen sisältöelementtien hierarkioissa [40, 59]. Tutkimuksen puute, jota käsittelemme, on aiemman ymmärryksen puute siitä, miten tekoälyn tunnistamiseen perustuvat toimenpiteet voivat tukea ohjaajan arviointia ja palautetta suunnittelukoulutuksessa. Suchmanin keskinäisen ymmärrettävyyden periaatteen vaatimusten huomioon ottaminen, tässä, miten tekoälyn tunnistaja ymmärretään sitä käyttävillä ihmisillä, ehdottaa tällaisen tutkimuksen suorittamista paikallisissa suunnittelukurssien yhteyksissä. Yhdistäm Q1: Miten, jos ollenkaan, AI-pohjainen suunnitteluanalyysi voi tukea ohjaajien arviointia ja palautetta kokemuksista tilanteellisissa kursseissa? RQ2: Mitä erityistä arvoa AI-pohjainen monikerroksinen suunnitteluanalyysi voi tarjota suunnittelun ohjaajille tilanteellisissa kurssiympäristöissä? AI-pohjainen suunnitteluanalyysi on suhteellisen uusi tekniikka, jota on haastavaa tutkia, koska tutkimusten suorittaminen paikallisissa kurssiympäristöissä on vaativaa. etiikka määrää, että on tarpeen tarjota kaikki toiminnallisuudet, jotka ovat riittävät ohjaajien ja opiskelijoiden tukemiseen, jotta emme estä oppimista [17]. Jotta saisimme uutta tietoa siitä, miten AI-pohjaisella suunnitteluanalytiikalla on potentiaalia olla hyödyllistä, otamme (RtD) [31, 84, 85] lähestymistapa. RtD soveltuu, kun tavoitteena on tutkia "mitä voisi olla" sen sijaan, että tiettyjen tekniikoiden "vertailu tai torjunta". Kuten Zimmerman et al. selittävät, RtD: n painopiste on tehdä "oikea asia", ei tehdä asia oikein [84]. Aikaisemmat tutkimukset [63] käyttivät samanlaista suunnittelun tutkimusmenetelmää kehittääkseen ymmärrystä käyttäjien kokemuksista animaatioilla, jotka selittävät algoritmin toimintaa. Nykyinen tutkimus käyttää eettistä RtD-lähestymistapaa kehittämällä erittäin toimiva "tutkimus artefakti", joka sopii käyttöön reaalimaailman kurssiympäristöissä. Tutkimus suunnittelun kautta Tutkimme tutkimuksen esineitä viidessä paikallisessa kurssiympäristössä, kolmessa osastossa, ymmärtääksemme, miten monitasoinen suunnitteluanalyysi ja sen esittely voivat tukea ohjaajien arviointia ja palautetta. Yhteensä 236 opiskelijaa käytti monitasoista suunnitteluympäristöä. 9 opettajaa, jotka opettivat näitä opiskelijoita, kokivat analyysin uuden tutkimuksen esineiden ohjauspaneelin kautta, joka on integroitu suunnitteluympäristöön. Saamme havainnot laadullisesta analyysistä, jossa haastateltiin ohjaajia heidän kokemuksistaan. 
 
 Tämä artikkeli on saatavilla arkivissä CC by 4.0 Deed (Attribution 4.0 International) -lisenssillä. Tämä artikkeli on saatavilla arkivissä CC by 4.0 Deed (Attribution 4.0 International) -lisenssillä. Saatavilla arkistoinnissa

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

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

AI-analyysi näyttää parantavan sitä, miten opettajat arvioivat opiskelijoiden suunnitteluprojekteja, tutkimus löytää

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

Tee Q1 markkinointi lasketaan: keskittyä, suorittaa, toimittaa

Dotcom on edelleen uusien yritysten suosituin verkkotunnus, mutta käyttö laskee

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

7 Marketing Shifts Redefining Tech Companies in 2026

Tee Q1 markkinointi lasketaan: keskittyä, suorittaa, toimittaa

Dotcom on edelleen uusien yritysten suosituin verkkotunnus, mutta käyttö laskee

The #bitcoin Writing Contest by Rootstock and HackerNoon: Final Round Results🎉

7 Marketing Shifts Redefining Tech Companies in 2026

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps