MétaCan
Menu
Retour à la cohorte
Enregistrement W3094920229 · doi:10.1115/detc2020-22730

Paired Computer-Aided Design: The Effect of Collaboration Mode on Differences in Model Quality

2020· article· en· W3094920229 sur OpenAlexaff
Hamza Arshad, Vrushank Phadnis, Alison Olechowski

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueDesign Education and Practice
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCADComputer scienceQuality (philosophy)Task (project management)Mode (computer interface)Control (management)Computer Aided DesignHuman–computer interactionProduct (mathematics)Product designEngineering drawingSystems engineeringArtificial intelligenceEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract We present the results of an experiment investigating two different modes of collaboration on a series of computer-aided design (CAD) tasks. Inspired by the pair programming literature, we anticipate that partners working in a fully synchronous collaborative CAD environment will achieve different levels of quality in CAD models depending on their mode of collaboration — one in which the pair is free to work in parallel, and another where the pair must coordinate to share one control. We found that a shared CAD control led to significantly better overall CAD quality than parallel CAD control. In addition, the shared control mode led to more complete and consistent CAD models, as well as the tendency for participants to follow instructions to correctly replicate features for the design task. As is predicted in the literature, a trade-off relationship (albeit weak) between quality and speed via the parallel collaboration was found. In contrast, the shared control mode shows no clear relationship between speed and quality. Collaborative CAD is increasingly seen as an appealing tool for modern product design teams. This study suggests that the benefits of this tool are not solely the effect of the tool itself, but result from the collaboration style of the designers using the tool.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,550
Score d'incertitude au seuil0,196

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,090
Tête enseignante GPT0,321
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetDesign Education and PracticeTravaux en français237 207