Smart "Error"! Exploring Imperfect AI to Support Creative Ideation
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
Designers widely accept AI as a partner in the design process for its efficient and intelligent decision-making. However, AI is often not perfect, and AI error often makes humans dumbfounded. Literature has pointed out the value of such AI error, while still leaving its inspiration essence and application strategies uncharted from the practice perspective. This work focuses on bridging the practice gap by looking into and exploiting the imaginative "mislabeled" objects of object detection models. To gain insights into the inspiration of AI "error", we collected a dedicated AI "error" dataset from object detection and invited eight designers to share divergent comments on the "mislabeled" objects. Coding was then performed on the comments, which summarizes the inspiration of AI "error" into six atomic dimensions. Subsequently, we took a step further to an exploratory study, a comparative ideation experiment with 20 designers, investigating how to apply these inspiration dimensions to create ideas. Questionnaire and interview results revealed that essential inspiration of AI "error" could positively activate creativity, especially the "Outline" dimension. A design model CETR is then formulated by summarizing the application of atomic inspiration of "error" into four forms of creativity, which could be taken as a guideline for cooperative design with AI "error". In addition, we also sketch two approaches to generate more inspiring and applicable AI "error", elaborate on two principal characteristics of AI "error" for promoting creativity, and propose three strategies for better co-creating with AI "error". Finally, we provide insight into design research about AI self-awareness and human-AI collaboration.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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