Enhancing TRIZ through environment-based design methodology supported by a large language model
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 utilization of creative design methodologies plays a pivotal role in nurturing innovation within the contemporary competitive market landscape. Although Theory of Inventive Problem Solving (TRIZ) has been recognized as a potent methodology for engendering innovative concepts, its intricate nature and time-consuming learning and application processes pose significant challenges. Furthermore, TRIZ has faced criticism for its limitations in processing design problems and facilitating designers in knowledge acquisition. Conversely, Environment-Based Design (EBD), a question-driven design methodology, provides robust methods and approaches for formulating design problems and identifying design conflicts. Large Language Models (LLMs) have also demonstrated the ability to streamline the design process and enhance design productivity. This study aims to propose an iteration of TRIZ integrated by EBD and supported by an LLM. This LLM-based conceptual design model assists designers through the conceptual design process. It begins by using question-asking and answering methods from EBD to gather relevant information. It then follows the EBD methodology to formulate the information into an interaction-dependence network, leading to the identification of functions and conflicts required by TRIZ. Lastly, TRIZ is used to generate inventive solutions. An evaluation is carried out to measure the effectiveness of the integrated approach. The results indicate that this approach successfully generates questions, processes designers’ responses, produces functional analysis elements, and generates ideas to resolve contradictions.
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 | 0,000 | 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