The role of generative design and additive manufacturing capabilities in developing human–AI symbiosis: Evidence from multiple case studies
Notice bibliographique
Résumé
Abstract The benefits of additive manufacturing (AM) extend beyond the attributes of physical products and production processes they enable. Experience with AM can augment the way design is approached and can increase opportunities to pivot toward less familiar design tasks. We begin this qualitative study with a natural experiment made possible by an exogenous shock: the COVID‐19 pandemic. Through a three‐stage case study approach using a grounded theory‐building method, we contrast AM usage among a set of firms, half of which pivoted their resources away from their traditional production and toward a response to this shock. We engage in an abductive reasoning approach to consider common threads in AM capabilities that facilitated this pivoting. Our analyses suggest that the advanced use of generative design (GD), a category of computational technologies enabling novel and optimized design, is a critical attribute of these firms that ended up pivoting to make COVID‐related products. Specifically, firms with experience applying this capability demonstrated a unique ability to pivot during this shock and emphasized their valuation of AM‐enabled agility. We revisited these firms 2 years after initial contact and found that GD was associated with higher levels of innovation and was largely viewed by designers as a mechanism driving double‐loop learning. Overall, our study provides insights into the symbiosis between human and artificially intelligent GD, and the role of such symbiosis in advancing AM capabilities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,043 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,013 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».