حلما بهبود
روایت به مثابه ابزاری میانجی در کاربست هوش مصنوعی در ایدهپردازی
ایدهپردازی یکی از مراحل اساسی و حیاتی در فرآیند تفکر طراحی است که هدف آن ایجاد، ارزیابی و گسترش ایدههای متنوع برای حل یک مسئله طراحانه است. این مرحله به عنوان حلقهای میان فازهای همدلی و نمونهسازی عمل میکند و تمرکز اصلی آن بر یافتن راهحلهایی خلاقانه، کاربردی و متناسب با نیازهای انسانی است. در این مسیر، روایت نقش یک ابزار قدرتمند را برای سازماندهی ایدهها و تفسیر بهتر مسائل ایفا میکند. هوش مصنوعی میتواند در فرآیند ایدهپردازی از روایت بهعنوان یک محرک خلاقیت استفاده کند، ایدهها را بسط داده و سناریوهای غنیتری خلق کند. هنگامی که روایت باهوش مصنوعی ترکیب میشود، ظرفیت تولید ایدههای مرتبط و معنادار افزایش یافته و امکان بررسی و ارزیابی راهحلها از جنبههای گوناگون فراهم میشود.
فرآیند ایدهپردازی از چهار مرحله اصلی تشکیل شده است که شامل بازتعریف مسئله و ایجاد چارچوب مناسب، بهکارگیری تکنیکهای خلاقیت مانند طوفان فکری، نقشه ذهنی و … ارزیابی و اصلاح ایدهها و در نهایت توسعه جزئیات با استفاده از نمونهسازی اولیه. این مراحل به تولید، بررسی و تقویت ایدهها به صورت سیستماتیک کمک میکنند و در تمام این فرآیند، نیازها و چالشهای کاربران در مرکز توجه قرار میگیرند.
با این وجود، ایدهپردازی با چالشهایی چون مشابه بودن ایدهها، تمرکز بیش از حد بر محدودیتها و ترس از ارائه ایدههای نو همراه است. برای غلبه بر این موانع، مدیریت صحیح فرآیند، اجتناب از قضاوتهای زودهنگام، و تأکید بر همکاری گروهی اهمیت دارد. در نتیجه، ایدهپردازی که هسته اصلی تفکر طراحی محسوب میشود، محیطی برای یافتن راهحلهای خلاقانه و عملی فراهم میکند.
شناسایی مشکلات ایدهپردازی
در فرآیند ایدهپردازی، به ویژه در طراحی محصول، موانع متعددی وجود دارد که میتواند خلاقیت و تولید ایدهها را محدود کند. این موانع که به عنوان “گلوگاههای ایدهپردازی” شناخته میشوند، در چهار دسته اصلی طبقهبندی میشوند:
کمبود (Lack of Experience) : طراحانی که با چالشهای متنوع طراحی یا دانش کافی در این حوزه آشنا نیستند، ممکن است نتوانند ایدههای ارزشمند و کاربردی ایجاد کنند. این کمبود دانش و تجربه منجر به تولید ایدههایی سطحی یا فاقد عمق میشود که کیفیت و نوآوری راهحلهای پیشنهادی را کاهش میدهد.
ثباتگرایی طراحی (Design Fixation): زمانی رخ میدهد که طراحان به ایدههای اولیه خود پایبند میمانند و از بررسی گزینههای جایگزین یا برتر اجتناب میکنند. این محدودیت، دامنه خلاقیت را کاهش داده و مانع از کشف راهحلهای جدید و نوآورانه میشود.
خستگی شناختی (Cognitive Fatigue): فشار ذهنی ناشی از ایدهپردازی مداوم میتواند منابع شناختی طراحان را تخلیه کند. این خستگی باعث کاهش توانایی برای ایجاد ارتباطات جدید بین ایدهها شده و منجر به یکسانسازی ایدهها و کاهش کیفیت آنها میشود.
انسداد ذهنی (Mental Block): حالتی که در آن طراحان قادر به تصور ایدههای جدید نیستند. این انسداد ممکن است به دلایل مختلفی مانند استرس، فشار برای نوآوری، یا غرقشدن در مشکل ایجاد شود و فرآیند خلاقیت را متوقف کند.

طبقهبندی ایدهپردازی بر اساس ویژگیها
در زمینه طراحی محصول، مرحله ایدهپردازی بسیار مهم است اما اغلب با موانع شناختی و عملی همراه است. ایده خلاقانه به صورت «یک بیان تأکیدی که بخش ’چه چیزی’ راهحل را توصیف میکند و باید هم نوآورانه و هم متنوع باشد» تعریف میشود.
ایدهپردازی انفرادی و جمعی
ایدهپردازی فردی (Solo Ideation)
ایدههای نوآورانه شکلدهنده پایه محصولات خلاقانه و تأثیرگذار هستند. بسیاری از تکنیکهای سنتی ایدهپردازی طراحان را به فعالیت انفرادی محدود میکنند. این نوع ایدهپردازی که به آن ایدهپردازی منفعل (Passive Ideation) گفته میشود، تنها ارتباط یکطرفه را فراهم کرده و بار تولید ایده را کاملاً بر دوش طراح میگذارد. محدودیتهای اصلی این روش عبارتاند از:
کمبود تعامل (Lack of Engagement): روشهای سنتی مانند طوفان فکری و نقشه ذهنی ممکن است الهامبخش باشند، اما اغلب به دلیل یکنواختی، خلاقیت را محدود میکنند. این عدم تعامل فعال، مانع از بررسی ایدههای نوآورانه میشود.
محدودیت در همکاری (Limited Collaboration): بسیاری از روشهای سنتی بر تفکر انفرادی متکی هستند و از قدرت همکاری بهره نمیبرند. همکاری مؤثر میتواند منجر به تبادل ایدههای متنوع و چشماندازهای جدید شود، اما این روشها معمولاً چنین فرصتی را فراهم نمیکنند.
کندی در تکرار (Slow Iteration): روشهای منفعل به دلیل زمانبر بودن فرآیند اشتراکگذاری و تجزیه و تحلیل ایدهها، روند طراحی را کند میکنند. این موضوع مانع از بررسی سریعتر گزینهها و اصلاح ایدهها میشود.
ایدهپردازی جمعی و مشارکتی (Collaborative Ideation)
ایدهپردازی مشارکتی با همکاری طبیعی، پویا و بدون تعصب میان طراح و روش ایدهپردازی شناخته میشود که خلاقیت و تفکر انتقادی را تسهیل میکند. این رویکرد مبتنی بر تعامل مداوم مکالمهای، به عنوان راهحلی برای رفع محدودیتهای روشهای ایدهپردازی منفعل عمل میکند. این نوع ایدهپردازی که به آن ایدهپردازی فعال (Active Ideation) گفته میشود، به طراحان کمک میکند تا از محدودیتهای روشهای منفعل فراتر بروند و در طول فرآیند ایدهپردازی، دیدگاههای متنوع و تعاملات پویا را تشویق کنند.
ویژگیهای ایدهپردازی مشارکتی:
افزایش تعامل (Enhanced Engagement): در ایدهپردازی فعال، سطح بالاتری از تعامل از طریق محرکهای متنی، درخواستهای پویا و تجربیات غوطهورکننده ارائه میشود. این روش طراحان را تشویق میکند تا خلاقانهتر فکر کنند، از تفکر سنتی رها شوند و راهحلهای جدیدی برای چالشهای طراحی کشف کنند.
کاوش پویا در ایدهها (Dynamic Idea Exploration): ابزارهای فعال ایدهپردازی، طراحان را تشویق میکنند تا از مرزهای سنتی فراتر روند و ایدههای مختلف را از طریق بازبینی سریع و متعدد بررسی کنند. این امکان ایجاد گفتوگوهای طبیعی و مکالمات تعاملی با یک “همهچیزدان” را فراهم میکند، به طوری که طراحان میتوانند راهحلهای متنوعی کشف کرده و گزینههای طراحی متعددی ایجاد کنند که در روشهای سنتی ممکن نبود.
بینشهای مبتنی بر داده (Data-driven Insights):
ایدهپردازی فعال میتواند دادههای مکالمهای را در طول فرآیند جمعآوری و تحلیل کند و به طراحان بینشهای ارزشمندی درباره کارآمدی و قابلیت اجرای مفاهیم مختلف ارائه دهد. با استفاده از پاسخهای بلادرنگ، طراحان میتوانند تصمیمات آگاهانه بگیرند، ایدهها را اولویتبندی کنند و الگوهای جدیدی را شناسایی کنند که منجر به ایدههای متنوعتر و دقیقتر میشود.
پتانسیل هوش مصنوعی برای ایدهپردازی
تطبیق نیازهای کاربران با راهحلهای نوآورانه چالشی اساسی است که به دانش چندرشتهای طراحان برای خلق ایدههای بالقوه نیاز دارد. تولید تعداد زیادی ایده و شناسایی ارزشمندترین آنها برای توسعه راهحلهای نوآورانه در سیستمهای پیچیده و بازارهای رقابتی مفید است. با این حال، فرآیند ایدهپردازی به طور سنتی به عنوان یک وظیفه انسانمحور شناخته شده و به تواناییهای شناختی طراح متکی بوده است. این رویکرد به دلیل وابستگی به تخصص طراح و مشکلات مرتبط با گلوگاههای ایدهپردازی، با چالشهای قابلتوجهی روبرو است. با ورود کامپیوترها به مراحل مختلف طراحی، یک تغییر تدریجی به سمت یکپارچهسازی ابزارهای کمکی کامپیوتری در جریان کاری خلاقیت ایدهپردازی نیز مشاهده شده است.
ایدهپردازی در طراحی به عنوان یک کاوش شناختی در نظر گرفته میشود که هدف آن پر کردن شکاف بین فضای مشکل و راهحل است. به طور سنتی، این فرآیند به توانایی طراح برای دسترسی به دانش و تجربیات خود وابسته است. اما تنها بخشی کوچک از دانش طراح در لحظات حیاتی تولید ایده فراخوانده میشود. این محدودیت ذاتی میتواند توانایی طراح برای تولید ایدههای جدید و باکیفیت را در مدت زمان محدود به شدت محدود کند.
علاوه بر این، بازیابی دانش مناسب به صورت خودجوش اغلب از کنترل ارادی طراح خارج است، که این امر میتواند منجر به استرس شناختی و خستگی ذهنی شود. این طبیعت غیرقابل پیشبینی بازیابی دانش، چالشهای روشهای ایدهپردازی سنتی را برجسته میکند. بنابراین، دسترسی به موقع به اصول و بهرهبرداری از مخازن بزرگ دانش، برای ایجاد راهحلهای خلاقانه در مشکلات عملی پیچیده بسیار حیاتی است.
ایدهپردازی تولیدشده توسط کامپیوتر (CAI) شامل استفاده از مدلهای زبانی بزرگ (LLM) است که از طریق پردازش زبان طبیعی (NLP) با طراحان تعامل دارند. این مدلها قادر به درک زمینه، تولید ایدههای منسجم، کمک به اصلاح تدریجی ایدهها، و ارائه دلایل برای پیشنهادهای خود هستند. مدلهای زبانی مانند GPT دارای دو ویژگی حیاتی هستند که آنها را در فرآیند ایدهپردازی ارزشمند میکند:
دسترسی به مخازن بزرگ دانش: فراتر از حافظه هر طراح فردی.
تولید پاسخهای منسجم و مرتبط با زمینه: با استفاده از ورودیهای مناسب (مانند درخواستها یا “پرامپتها”).

تصویر “نمایش انتزاعی ذهن طراح (چپ) در مقابل ذهن مدلهای زبانی بزرگ (LLM) (راست) “، مقایسهای بصری از ظرفیتها و تواناییهای ذهن انسانی و مدلهای زبانی هوش مصنوعی را ارائه میدهد.
ذهن طراح (چپ) : نمایانگر ذهن انسان که محدود به دانش و تجربیات شخصی اوست.
این بخش نشان میدهد که تنها بخشی کوچک از دانش و تجربیات طراح در لحظات خاص تولید ایده قابل دسترسی است.
محدودیتهای ذهن انسان شامل خستگی شناختی، انسداد ذهنی و تکیه بر دانش پیشین است که میتواند مانع نوآوری شود.
ذهن مدلهای زبانی بزرگ (راست): نشاندهنده ظرفیت عظیم مدلهای زبانی مانند GPT برای دسترسی به مخازن بزرگ دانش است. این مدلها از مجموعه گستردهای از اطلاعات و دادههای یادگرفتهشده بهره میبرند که فراتر از تواناییهای ذهن انسانی است. ویژگی برجسته آنها شامل توانایی پردازش سریع دادهها، تولید ایدههای مرتبط و متنوع و ایجاد ارتباطات بینرشتهای است.
این تصویر به صورت انتزاعی نشان میدهد که در حالی که ذهن انسان خلاقیت، قضاوت و حساسیت زمینهای را ارائه میدهد، مدلهای زبانی بزرگ به دلیل دسترسی گسترده به دانش و توانایی تولید سریع ایدهها، میتوانند این فرآیند را تکمیل کرده و به عنوان ابزار کمکی برای طراحان عمل کنند. این ترکیب انسان و هوش مصنوعی میتواند به تولید راهحلهای خلاقانه و عملی منجر شود.
سیستمهای مکالمهای هوش مصنوعی مانند GPT، از طریق ایجاد ایدههای ابتدایی و گسترش آنها، فرآیند ایدهپردازی در طراحی را تسهیل میکنند. این ابزارها با استفاده از ورودیهای کاربر، ایدههایی منسجم و خلاقانه ارائه داده و سپس از طریق مکالمات متوالی، ایدهها را به صورت عمقی گسترش میدهند. سفارشیسازی GPT با دادههای مرتبط با طراحی، امکان عمل به عنوان یک طراح متخصص را فراهم میکند. همچنین، ویژگیهایی مانند حافظه بافر متنی برای حفظ تداوم در جلسات و تنظیم دمای پاسخ برای تشویق به تولید ایدههای خلاقانه، این سیستمها را به ابزارهایی قدرتمند برای حل مسائل پیچیده طراحی تبدیل کرده است. این رویکرد مکالمهای و قابلانعطاف، به طراحان کمک میکند تا با سرعت و دقت بیشتری به ایدههای نوآورانه و کاربردی دست یابند.
پاسخهای تولید شده توسط موتورهای هوش مصنوعی مکالمهای (CAI) به شدت وابسته به نحوهی بیان درخواستها (Prompts) هستند. بنابراین، ضروری است که عبارتهای مناسب و ساختاریافته برای هدایت هوش مصنوعی استفاده شوند تا پاسخهای مفیدتری در زمینه طراحی ارائه گردد.

مثال تصویری از ساختار بیانیه مسئله
فرآیند ایدهپردازی به عنوان یک فعالیت شناختی در مرحله طراحی مفهومی شامل مراحلی مانند جستجو (Exploration)، الهامگیری (Inspiration)، تولید (Generation)، گسترش (Elaboration)، و ارزیابی (Evaluation) است. هر یک از این مراحل نیاز به درخواستهایی مشخص دارند که هوش مصنوعی را هدایت کنند. ساختار این درخواستها شامل دو بخش است:
(Context) (زمینه): شامل زمینه و شرایط درخواست.
(Query) (پرسش): سؤال مشخصی که باید پاسخ داده شود.
اهمیت درخواستهای ساختاریافته
درخواستهای ساختاریافته به هوش مصنوعی کمک میکنند تا زمینه و محدودیتهای فضای مسئله را بهتر درک کند.
این ساختار باعث میشود پاسخهای تولید شده مرتبطتر، متمرکزتر، و مشخصتر باشند.
بدون ساختاردهی مناسب، پاسخها ممکن است خلاقانه و متنوع باشند؛ اما فاقد ارتباط کافی با مسئله یا بیش از حد پراکنده باشند که کاربر را گیج کند.
نقش روایت در تسهیل ایدهپردازی با هوش مصنوعی
روایت به عنوان ابزاری قدرتمند، نقش مهمی در تسهیل ایدهپردازی با هوش مصنوعی ایفا میکند. در سیستمهایی مانند GPT، روایت از طریق ایجاد ساختاری منسجم برای ارتباطات و گسترش ایدهها عمل میکند. این ابزار میتواند داستانگونه به مسائل نگاه کند و با طرح ایدههای اولیه، گسترش آنها را به گونهای انجام دهد که کاربران ارتباط منطقی و معناداری بین مفاهیم مختلف ببینند.
هوش مصنوعی از روایت برای شبیهسازی تعاملات انسانی بهره میگیرد؛ برای مثال، میتواند با مطرحکردن مشکلات در قالب داستانی و ارائه پاسخهایی مرحلهبهمرحله، طراحان را در کشف عمق و جزئیات ایدههایشان یاری دهد. همچنین، روایت به ایجاد همدلی کمک میکند، چرا که هوش مصنوعی میتواند ایدهها را از دیدگاههای مختلف کاربران یا شخصیتهای فرضی بررسی کند و بدین ترتیب، طراحی را انسانمحورتر سازد.
در نهایت، روایت به طراحان امکان میدهد تا ایدهها را در چارچوبی سادهتر و معنادارتر درک کرده، پیچیدگیهای اطلاعات تولیدشده توسط هوش مصنوعی را کاهش دهند و فرآیند گسترش ایدهها را به صورت خلاقانه و قابلاجرا مدیریت کنند.
ابزارهای روایی هوش مصنوعی در ایدهپردازی
تعامل مکالمهای با هوش مصنوعی (Conversational AI Interaction)
مقاله به توانایی سیستمهای مکالمهای مانند GPT برای ساخت تعاملات منسجم و متوالی اشاره دارد. این نوع تعاملات، به طور غیرمستقیم از اصول روایت بهره میگیرند، زیرا مکالمات ایجادشده توسط هوش مصنوعی بر اساس درخواستهای قبلی گسترش مییابد و به یک گفتوگوی منسجم و هدفمند منجر میشود. این روند مشابه ایجاد یک روایت است که در آن داستان یا ایده به طور تدریجی شکل میگیرد و گسترش مییابد.
ایجاد ارتباطات بینرشتهای و ایدهپردازی
هوش مصنوعی توانایی پیونددادن مفاهیم مختلف از حوزههای گوناگون (مانند روانشناسی و طراحی زیستی) را دارد. این پیوندها معمولاً در قالب روایتهایی مطرح میشوند که توضیح میدهند چگونه این مفاهیم به حل مسئله کمک میکنند. مثال: مقاله به نحوه ایجاد ارتباط بین طراحی مبلمان ارگونومیک و اصول زیستمکانیک اشاره دارد که میتواند در قالب یک روایت توصیف شود.
الهامگیری و گسترش دانش
یکی از ویژگیهای مطرحشده برای GPT، ارائه اطلاعات و الهام از منابع گوناگون است. این الهامها معمولاً در قالب روایتهایی از تجربیات، دانشها، یا الگوهای طبیعی (مانند الهام از زیستمحیطی) شکل میگیرند.
راهنمایی زمینهای (Contextual Guidance)
سیستمهای هوش مصنوعی مانند GPT میتوانند با طرح سؤالات مرتبط و ارائه پیشنهادهای هدفمند، کاربران را در مسیر ایدهپردازی هدایت کنند. این فرآیند شبیه به یک روایت است که با طرح مشکل آغاز میشود، از نقاط مهم عبور میکند، و به ارائه راهحل ختم میشود.
بنابراین، اگرچه مطالعات و مقالات به طور مستقیم به “روایت” به عنوان یک مفهوم مستقل اشاره نمیکند، اما بسیاری از عملکردهای مطرحشده برای GPT مانند تعامل مکالمهای، پیوند مفاهیم، گسترش دانش و هدایت زمینهای، به طور غیرمستقیم از اصول روایت بهره میبرند. روایت به عنوان ابزاری ساختاری، میتواند به سازماندهی و قابلفهمتر کردن فرآیند ایدهپردازی کمک کند و تجربهای انسانیتر و کاربرمحورتر ارائه دهد.
سیستمهای هوش مصنوعی مکالمهای (CAI)، مانند مدلهای زبانی بزرگ (LLMs)، میتوانند فرآیند ایدهپردازی را با کاهش چالشهای سنتی مانند خستگی ذهنی و ثباتگرایی طراحی بهبود بخشند. این ابزارها با تولید ایدههای متنوع، مرتبط و نوآورانه، فشار شناختی طراحان را کاهش داده و آنها را قادر میسازند تا بر ارزیابی و پالایش ایدهها تمرکز کنند. مقاله نشان میدهد که استفاده از ورودیها و خروجیهای ساختاریافته میتواند پاسخهای دقیقتری تولید کرده و فرآیند انتخاب ایدهها را تسهیل کند. در نهایت، CAI به عنوان شریک ایدهپردازی فعال، نقش مهمی در تسریع نوآوری و بهبود کیفیت ایدههای طراحی ایفا میکند.
روایت میتواند فرآیند ایدهپردازی را با ایجاد ساختار منسجم برای تعاملات میان طراحان و سیستمهای هوش مصنوعی بهبود بخشد. از طریق روایت، ایدهها در قالب داستانهایی هدفمند و مرتبط ارائه میشوند که به طراحان کمک میکند مفاهیم را بهتر درک کنند و روابط بین آنها را شناسایی کنند. روایت همچنین میتواند با شبیهسازی سناریوهای واقعی یا فرضی، زمینهای برای ارزیابی ایدهها و کشف زوایای جدید فراهم کند. این رویکرد به تقویت همدلی، الهامگیری از دیدگاههای مختلف، و کاهش پیچیدگی اطلاعات تولیدشده توسط هوش مصنوعی کمک میکند و در نهایت فرآیند ایدهپردازی را خلاقانهتر و کارآمدتر میسازد.
منابع
Saletta, Morgan, et al. “The role of narrative in collaborative reasoning and intelligence analysis: A case study.” Plos one 15.1 (2020): e0226981.
Sankar, B., and Dibakar Sen. “A Novel Idea Generation Tool using a Structured Conversational AI (CAI) System.” arXiv preprint arXiv:2409.05747 (2024).
Tholander, Jakob, and Martin Jonsson. “Design ideation with AI-sketching, thinking and talking with generative machine learning models.” Proceedings of the 2023 ACM designing interactive systems conference. 2023.