01 / FRAMEWORK
三种研究类型不预设固定顺序。三类可以交叉；关系图用于帮助读者理解同一个研究项目可能同时呈现不同取向。
先看研究的主导目的，再看设计承担什么角色；连线表示三种取向之间可以相互转化、补充或共同出现。
将设计活动、设计团队、设计过程或其制度 / 技术关系作为主要对象，核心是解释“发生了什么、如何发生、在什么条件下成立”。
把设计活动、设计团队、设计过程或其制度 / 技术关系作为主要对象。
形成可供设计判断和行动使用的依据、原则、方法、工具、数据或评测证据。
制作、原型、材料试验、体验和反思是认识生成的一部分，设计过程和产物共同承载知识。
02 / THREE DIRECTIONS
用“研究目的—设计角色—知识贡献”三个维度比较三类研究，而不是仅凭是否出现原型或设计成果来分类。
01 · INTO
把设计活动、设计团队、设计过程或其制度 / 技术关系作为主要对象，核心是解释“发生了什么、如何发生、在什么条件下成立”。
关注设计现象、活动与过程本身，以及它们如何形成、如何运作。
设计主要作为被观察、分析、比较和解释的对象。
形成对设计现象、概念、机制或条件的描述与解释。
03 / PAPER CASES
以下 Into、For、Through 归类是小组依据主导知识贡献作出的分析判断，并非论文作者自报的方法标签；各案例也可能具有交叉取向。点击卡片即可在下方同一面板中就地切换完整分析，面板在视口内时保持阅读位置；面板完全在视口外时滚动至分析，便于逐篇对照。查看三篇并排比较 →
Fang et al. (2025) · Design Studies, 97, 101300
论文面对的背景是生成式 AI 进入概念设计后，研究已经分散在不同设计阶段、协作方式和交互媒介中，缺少能够解释人–AI协同概念设计整体结构的综合框架。论文的核心问题不是“某个 AI 工具是否提高了某项指标”，而是：已有研究把 GenAI 放在概念设计的哪些阶段？人和 AI 以何种协作关系工作？不同媒介和任务条件如何影响设计过程？
方法是系统性文献综述：检索、筛选和编码已有的人–AI协同概念设计研究，再按设计阶段、协作方式、交互媒介等维度进行综合。
设计在这里是被解释的研究对象。论文分析的是概念设计过程及其中的人、AI、任务和媒介关系，而不是通过制作一个新原型来生成主要知识。
归纳 GenAI 介入概念设计的研究路径，并提出 GECD（Generative AI-Enhanced Conceptual Design）框架，为后续研究描述设计阶段、协作关系和交互媒介提供共同语言。框架也具有 For 价值，但首先是对既有设计研究的解释性综合。
主要证据来自既有论文的系统编码，主要产出是对“设计过程如何被 GenAI 重新组织”的分类、比较和框架化解释；没有把制作、试用或材料反思作为知识生成的主要路径，也没有以验证某一个可部署设计工具为目标，因此以 Into 为主。
概括系统综述对象、GenAI 介入概念设计的研究范围，以及提出 GECD 框架的目的。
说明检索、筛选和纳入文献的流程，支撑“知识来自对既有设计研究的系统编码”的方法判断。
§3 按设计阶段、交互媒介和协作方式组织结果，§4 构建 GECD 框架，直接支撑其对设计过程的解释性分类。
明确讨论数据库与时间范围受限，以及多人筛选仍可能存在主观判断；其余局限是小组基于研究方法作出的分析。
Chang, R.-C., Liu, Y., & Guo, A. (2024) · UIST 2024, 18 pages
论文发表于 ACM UIST 2024；本页依据所附 ACM 版式全文核对，全文共18页。
面向盲人和低视力（BVI）用户，论文追问：自动视觉描述怎样同时做到与用户意图相关、在合适时机触发、适应正在变化的场景，并避免实时环境中的“一刀切”描述？既有图像描述、远程人工描述和导航工具，往往在实时性、个性化、环境声音适配或隐私成本之间存在取舍。
研究先结合相关工作与5名盲人和低视力（BVI）参与者的形成性访谈提炼设计目标，再实现 WorldScribe 原型。系统由 intent specification、keyframe extraction、description generation、prioritization 和 presentation 五个层次组成，结合目标检测、视觉语言模型、GPT-4V 与声音识别。
设计在这里是被实现、被评测并可复用的工具方案：系统架构、界面、关键帧规则、提示/优先级逻辑和延迟–信息丰富度权衡都被具体化为可供后续设计使用的依据。
评测包含 6 名 BVI 参与者的三类情境使用、访谈和交互记录，以及离线管线检查：5名参与者自定情境录像中的64个对象标注，有48个被描述覆盖（75%）；从6名参与者各抽取20条 GPT-4V 描述，共120条，其中97条符合用户意图或优先描述最近内容（80.83%）。这些结果把抽象的“实时、情境感知”转化为可检查的设计和评测指标。
主导产出是设计目标、系统架构、交互策略和评测证据，直接支持后续无障碍系统的设计判断；用户研究主要承担需求识别和缺口解释。因此归为 For。论文同时包含对 BVI 用户需求和使用情境的 Into 成分，但这些理解服务于原型与评测，并非最终主要知识贡献。
定义用户意图、视觉上下文和声音上下文三个适配目标（五层描述管线的完整定义见 §4）。
Table 1 比较既有图像/视频描述、远程人工服务与 WorldScribe 在实时性、定制项和输出方式上的差异；§3 形成性研究支撑需求识别。
Fig. 3 给出系统架构、Fig. 6 为界面、Fig. 8 呈现不同模型的延迟/粒度权衡；关键帧规则见 §4.4 正文。
说明参与者、三类情境、访谈和质性分析；§5.5 Results 报告用户对描述准确性、可疑信息和实际使用缺口的反馈。
报告48/64对象覆盖率和97/120意图/距离排序结果，并分析遮挡、延迟和摄像头角度导致的失败。
Wu, X., & Li, L. (2024) · The Design Journal, 27(2), 270–290
论文发表于 The Design Journal 27(2)，页码270–290，2024年2月2日在线发表。下列页码为所附出版社版式全文的期刊页码。
论文研究生成式 AI 能否参与时装针织设计：AI 生成的图像是否能够保留可识别的针织结构、纹理和时尚属性？这些图像能否被生产技术人员转译为实体针织样片，并在后续评价中作为设计参考？背景是针织设计需要在视觉创意、结构可制造性和生产沟通之间往返，单纯的二维灵感图并不自动等于可执行的纺织设计。
研究以 StyleGAN（经 RunwayML 实现）生成针织设计图像，按针织属性整理输出；再由工厂针织技术人员把图像解释、调整并转译为实体 swatch。另以在线问卷请211名参与者比较 AI 生成图像与真实针织样片的照片，并比较将纹理投射到服装形象上的图像，考察创造性、时尚性和购买意愿；该问卷评价的是视觉图像，不是对实体样片的触觉或性能测试。
设计不是结果展示的外壳，而是认识生成的往返过程：训练图像、生成结果、属性分组、模糊 / 失真输出、实体样片和参与者评价共同揭示“什么样的 AI 视觉线索能够被识别、制造和评价”。
把生成式图像与针织生产实践连接起来，形成关于 AI—设计师—技术人员协作的情境化知识。论文确实提供了可供设计师使用的 StyleGAN 流程和评价指标，但这些依据来自制作和转译实践，而不是脱离实践的规范推导。
论文通过生成、筛选、实体针织转译和反思比较来形成知识；关键问题只有在设计实践与材料 / 生产试验中才显现。小组据此将其作为 Through 的分析案例，同时承认其明确的工具支持与效果评价目标也使 For 归类成立；实体制作本身并不足以自动证明采用了 Research through Design 方法。
说明 StyleGAN 训练 / 生成流程、数据和针织属性组织方式，支撑“生成实践是研究过程的一部分”。
展示 AI 生成的针织图像，是从视觉生成探索设计空间的直接证据。
呈现按针织属性分组以及模糊 / 失真输出，显示研究者通过比较生成结果来反思模型边界。
把生成图像与实体针织样片对应起来，支撑“设计知识在图像—材料—生产转译中形成”的判断。
报告211名参与者的评价设计与结果，说明制作实践之后如何通过感知评价检验设计意义。
讨论训练集规模、创新性、参与者偏向和真实时装设计实践验证不足。
04 / CLASSIFICATION DEBATE
Repair 论文提示：真实研究常常在 Into 与 For 之间往返，分类应报告主导贡献、次级取向、证据位置和未验证边界。
这篇研究为什么属于设计研究？为什么又难以归入某一种类型？点击下方按钮展开小组判断与原文依据。
说明 FDR、两种用户研究方法、概念模型、五种用户角色和设计实践用途。
提出用户如何看待 FDR experience，以及这些看法如何塑造对公司的评价两个研究问题。
说明13名深度访谈参与者、10名 walkthrough 参与者、四类产品和八个维修情境；Data Analysis 说明 grounded-theory coding 与 Fig. 4 的形成。
展示 FDR 概念模型，报告228个概念、25个低阶类别、empowerment mechanisms 和用户角色，支持 For 判断。
将发现转化为模块化、升级性、故障诊断、说明媒介和社区 / AI 支持等设计启示。
直接说明文化样本、角色不平衡和概念模型尚需实验或描述性研究验证。
05 / COMPARISON
三篇主案例不是“设计有无参与”的二元差别，而是设计在研究中的主导角色，以及最终知识产出的落点不同。
| 类型 | 论文 | 设计在研究中的主导角色 | 主要知识产出 |
|---|---|---|---|
| Into | Fang et al. (2025), Design Studies | 被解释的概念设计过程及人–AI协作关系 | 文献综合、分类与 GECD 框架 |
| For | Chang et al. (2024), UIST | 被实现、配置和评测的无障碍工具 | 系统架构、交互策略和评测证据 |
| Through | Wu & Li (2024), The Design Journal | 生成、实体转译和反思的认识媒介 | AI—针织材料—生产协作的情境化知识 |
Repair 论文进一步说明，真实研究常常在 Into 与 For 之间往返：访谈和情境模拟解释用户与服务现象，模型和设计启示又把解释转成行动依据。分类时最稳妥的做法是报告主导贡献、次级取向、证据位置和未验证边界，而不是仅凭论文标题或是否出现原型来贴标签。
06 / HOW TO READ
研究问题把什么放在中心？是设计现象、设计实践，还是需要解决的设计问题？
设计是对象、服务目标，还是研究媒介？设计过程是否参与知识生成？
最终产生的知识面向哪里、以什么形式出现？它解释设计、支持设计，还是通过设计实践形成知识？
07 / REFERENCES
本页书目信息与证据位置依据所附四篇论文全文核对；研究取向及延伸局限由小组分析。
Fang C, Zhu Y, Fang L, et al. Generative AI-enhanced human-AI collaborative conceptual design: A systematic literature review[J]. Design Studies, 2025, 97: 101300.
↗ [2]Chang R C, Liu Y, Guo A. WorldScribe: Towards context-aware live visual descriptions[C]//Proceedings of the 37th Annual ACM Symposium on User Interface Software and Technology. 2024: 1–18.
↗ [3]Wu X, Li L. An application of generative AI for knitted textile design in fashion[J]. The Design Journal, 2024, 27(2): 270–290.
↗ [4]Bayraktaroğlu S, İdemen E. Redefining repair as a value co-creation process for circular economy: Facilitated do-it-yourself repair[J]. International Journal of Design, 2024, 18(1): 1–22.
↗