Simple Science

Scienza all'avanguardia spiegata semplicemente

# Informatica# Interazione uomo-macchina

L'Evoluzione della Composizione dei Mood Board

Uno sguardo a come gli strumenti digitali cambiano la creazione di mood board per i designer.

― 8 leggere min


Impatto del CompositoreImpatto del Compositoredi Mood Boardi processi di design dei mood board.Come gli strumenti digitali trasformano
Indice

I mood board sono strumenti visivi che i designer usano per condividere e sviluppare idee di design. Aiutano a trasmettere sentimenti e concetti attraverso collezioni di Immagini. Spesso, questi board includono una miscela di foto, colori e materiali che rappresentano la visione del design. Tradizionalmente, i designer creavano mood board usando elementi fisici come ritagli di riviste, campioni di tessuto e fotografie. Oggi, gli strumenti digitali rendono più facile creare e modificare questi board.

Cos'è un Mood Board Composer?

Il Mood Board Composer (MBC) è uno strumento digitale progettato per aiutare i designer concettuali a costruire mood board. Permette agli utenti di trovare e disporre immagini su uno spazio bidimensionale, semplificando la comunicazione delle idee di design. L'MBC risponde all'input dell'utente, quindi quando un utente riordina le immagini, lo strumento adatta la ricerca delle immagini per soddisfare meglio le esigenze dell'utente.

Come funziona l'MBC

L'MBC utilizza un algoritmo per aiutare gli utenti a trovare immagini che si allineano con i loro concetti di design. Quando gli utenti cambiano il layout delle immagini, lo strumento aggiorna i criteri di ricerca in base a come sono organizzate le immagini. Questo significa che il set successivo di immagini suggerite sarà più rilevante per ciò che l'utente vuole comunicare.

Ad esempio, se un utente sposta un'immagine che rappresenta "ergonomico" più in alto nel board, l'MBC darà priorità alle immagini relative al comfort nella ricerca successiva. Lo strumento funziona analizzando le parole che descrivono le immagini e il loro posizionamento nel board.

Sperimentazione con il Feedback degli utenti

Per migliorare l'efficacia dell'MBC, i ricercatori hanno condotto esperimenti con diversi algoritmi. Una versione permetteva agli utenti di eliminare immagini indesiderate mentre cercavano nuove. Un'altra versione consentiva agli utenti di fornire feedback sulle etichette delle immagini, aiutando a raffinare la ricerca.

Tuttavia, i risultati hanno mostrato che, anche se queste funzionalità non portavano a differenze significative nella soddisfazione degli utenti, supportavano l'idea che consentire agli utenti di modificare i propri board aumentasse la creatività.

Importanza dei Mood Board

I mood board hanno molte funzioni nel design. Aiutano i designer a esprimere le loro idee, comunicare con gli altri e riflettere sui loro concetti. I mood board sono solitamente considerati più preziosi per il processo che facilitano piuttosto che per il prodotto finale che creano. Aiutano i designer a visualizzare i propri pensieri e fare aggiustamenti lungo il percorso.

Contesto storico dei Mood Board

In passato, i designer usavano metodi fisici per creare mood board. Questi board erano realizzati combinando vari media come immagini ritagliate da riviste e campioni di tessuto. Con l'avvento degli strumenti digitali, i designer possono ora creare mood board più facilmente, utilizzando software che consentono cambiamenti e iterazioni rapidi.

L'industria della moda è un'area in cui i mood board sono comunemente utilizzati. Aiutano a comunicare lo stile e i componenti estetici del design, concentrandosi maggiormente sull'appeal visivo piuttosto che sulla funzionalità pratica.

Il ruolo dei Mood Board nell'educazione al design

Nell'educazione al design, i mood board sono preziosi per insegnare agli studenti come comunicare le loro idee visivamente. Incoraggiano il pensiero creativo e aiutano gli studenti a imparare a presentare i propri concetti in modo efficace. Studi passati hanno esaminato come i mood board funzionano sia in contesti educativi che professionali.

L'algoritmo dietro l'MBC

L'algoritmo centrale dell'MBC calcola quali immagini cercare in base all'input dell'utente. Si basa sulla comprensione semantica, il che significa che analizza il significato delle parole associate alle immagini.

Per ogni immagine nel mood board, l'MBC raccoglie Etichette Semantiche utilizzando modelli di machine learning. Il sistema poi calcola un vettore medio che rappresenta il tema generale del mood board. Quando un utente regola il board, l'algoritmo utilizza queste informazioni per suggerire nuove immagini che si adattano al concetto rivisitato.

Confronto con altri strumenti

Altri strumenti hanno cercato di aiutare i designer a creare mood board, ciascuno con diversi focus. Alcuni strumenti danno priorità all'accuratezza semantica mentre altri guardano il feedback degli utenti in modo più diretto.

Ad esempio, alcuni strumenti permettono ai designer di sfruttare informazioni testuali attorno alle immagini per migliorare il processo di ricerca. Altri usano meccanismi di feedback che si basano su etichette generate dagli utenti per affinare ulteriormente i suggerimenti delle immagini.

Varianti dell'MBC

Lo strumento MBC si presenta in diverse versioni, ognuna con caratteristiche uniche. Una versione base consente agli utenti di eliminare immagini e cercare nuove senza fornire ulteriori feedback. Un'altra versione consente agli utenti di dare feedback su specifiche etichette associate alle immagini.

La versione proposta dell'MBC non richiede agli utenti di modificare esplicitamente le proprie richieste. Invece, inferisce cambiamenti basati sul posizionamento delle immagini. Questo approccio mira a semplificare il processo e renderlo più intuitivo per gli utenti.

Progettazione dello studio

Per testare l'efficacia dell'MBC, i ricercatori hanno progettato uno studio con partecipanti su larga scala. I partecipanti erano professionisti delle arti e del design, fluenti in inglese, e hanno ricevuto istruzioni su come usare lo strumento. Sono stati invitati a creare mood board due volte, prima usando una versione dell'MBC e poi usando un'altra.

Lo studio mirava a raccogliere feedback sull'esperienza dell'utente e valutare l'efficacia delle diverse varianti dello strumento MBC.

Misurare l'esperienza dell'utente

Le esperienze dei partecipanti sono state misurate utilizzando un punteggio di Creativity Support Index (CSI). Questo punteggio valuta vari fattori, tra cui piacere, esplorazione, espressività e collaborazione. Il CSI aiuta a capire come gli utenti si sentono riguardo alla loro esperienza con lo strumento.

Inoltre, è stato utilizzato un Gas Tank Questionnaire (GTQ) per valutare il carico cognitivo degli utenti prima e dopo il compito. Questa misura semplice chiedeva ai partecipanti di visualizzare le proprie risorse mentali come un indicatore di carburante, permettendo ai ricercatori di vedere quanto impegno è stato speso durante il compito.

L'esperimento

I partecipanti all'esperimento sono stati assegnati casualmente a diversi gruppi, ognuno con una versione diversa dello strumento. Sono stati forniti concetti di design specifici da cui partire e sono stati invitati a creare mood board. Dopo aver completato i compiti, hanno compilato questionari per fornire feedback sulla loro esperienza.

I dati raccolti dallo studio hanno fornito informazioni su quanto fosse efficace l'MBC nel supportare la creatività e se i partecipanti trovassero utile lo strumento nei loro compiti di design.

Risultati dell'esperimento

I risultati hanno indicato che l'MBC è riuscito a supportare la creatività durante la creazione dei mood board. Gli utenti hanno riportato punteggi CSI più elevati con la versione proposta dell'MBC rispetto alla versione base. Tuttavia, non ci sono state differenze significative tra l'MBC proposto e le altre versioni progettate per il feedback degli utenti.

È interessante notare che i partecipanti che utilizzavano le versioni di riferimento hanno effettuato più iterazioni rispetto a quelli che usavano la versione proposta. Questo suggerisce che, sebbene le funzionalità di feedback siano utili, gli utenti possano anche trovare valore nella semplicità degli strumenti interattivi di base.

Meccanismi di feedback degli utenti

Lo studio ha messo in evidenza l'importanza dei meccanismi di feedback negli strumenti di design. La possibilità di rimuovere immagini irrilevanti e il feedback sulle etichette forniscono agli utenti una comprensione più chiara di come le proprie azioni influenzino il risultato. Questa trasparenza può migliorare l'esperienza dell'utente e rendere il processo di design più coinvolgente.

Influenza della query iniziale

I risultati hanno mostrato che le frasi del concetto di design iniziale date ai partecipanti hanno influito notevolmente sulla loro creatività. I partecipanti che usavano frasi più astratte sembravano ottenere punteggi CSI più alti, suggerendo che la natura del punto di partenza può plasmare significativamente il processo di design.

Dinamiche di esplorazione e sfruttamento

L'analisi delle interazioni degli utenti ha rivelato dinamiche interessanti tra esplorazione e sfruttamento durante il processo di creazione del mood board. I partecipanti ad alte prestazioni tendevano a esplorare concetti più ampi all'inizio del compito, affinando gradualmente il loro focus man mano che andavano avanti. Al contrario, i partecipanti a bassa prestazione si avvicinavano al compito in modo più ristretto e faticavano a raggiungere risultati soddisfacenti.

Questo suggerisce che comprendere il comportamento degli utenti può informare un miglior sviluppo degli strumenti di design, incoraggiando gli utenti a esplorare più liberamente prima di stabilizzarsi su idee specifiche.

Conclusione

Lo strumento Mood Board Composer (MBC) assiste con successo i designer nella creazione di mood board adattandosi al loro input e preferenze. Sebbene i meccanismi di feedback svolgano un ruolo essenziale nel migliorare l'esperienza dell'utente, i concetti di design iniziali sono altrettanto importanti nel plasmare il processo creativo.

In definitiva, i risultati suggeriscono che gli strumenti progettati per la creatività dovrebbero dare priorità sia al feedback degli utenti che alla cornice concettuale iniziale per promuovere pratiche di design coinvolgenti ed efficaci.

Lo studio rappresenta un passo verso la comprensione di come gli strumenti creativi digitali possano essere migliorati e adattati per supportare meglio i designer nei loro processi.

Fonte originale

Titolo: Composing Mood Board with User Feedback in Concept Space

Estratto: We propose the Mood Board Composer (MBC), which supports concept designers in retrieving and composing images on a 2-D concept space to communicate design concepts. The MBC allows users to iterate adaptive image retrievals intuitively. Our new contribution to the mood board tool is to adapt the query vector for the next iteration according to the user's rearrangement of images on the 2-D space. The algorithm emphasizes the meaning of the labels on the x- and y-axes by calculating the mean vector of the images on the mood board multiplied by the weights assigned to each cell of the 3 x 3 grid. The next image search is performed by obtaining the most similar words from the mean vector thus obtained and using them as a new query. In addition to the algorithm described above, we conducted the participant experiment with two other interaction algorithms to compare. The first allows users to delete unwanted images and go on to the next searches. The second utilizes the semantic labels on each image, on which users can provide negative feedback for query modification for the next searches. Although we did not observe significant differences among the three proposed algorithms, our experiment with 420 cases of mood board creation confirmed the effectiveness of adaptive iterations by the Creativity Support Index (CSI) score.

Autori: Shin Sano, Seiji Yamada

Ultimo aggiornamento: 2023-03-04 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2303.02547

Fonte PDF: https://arxiv.org/pdf/2303.02547

Licenza: https://creativecommons.org/licenses/by-nc-sa/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Articoli simili