The role of generative design and additive manufacturing capabilities in developing human–AI symbiosis: Evidence from multiple case studies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle