در دنیای مدرن که داده‌ها نقشی محوری در تصمیم‌گیری‌های هوشمندانه ایفا می‌کنند، حوزه طراحی نیز از این قاعده مستثنی نیست. فرآیند طراحی، از ایده‌پردازی اولیه تا تولید نهایی محصول، حجم عظیمی از داده‌های متنی بدون ساختار را تولید و مصرف می‌کند. این داده‌ها شامل گزارش‌های داخلی، مستندات فنی، نظرات کاربران، پتنت‌ها و مقالات علمی می‌شوند. مقاله مروری «پردازش زبان طبیعی در و برای پژوهش‌های طراحی» (Natural Language Processing in-and-for Design Research) به بررسی نظام‌مند این تقاطع هیجان‌انگیز میان هوش مصنوعی و طراحی می‌پردازد.

اهمیت این مقاله در ارائه یک نقشه راه جامع برای محققان و متخصصانی است که به دنبال استفاده از قدرت پردازش زبان طبیعی (NLP) برای تحلیل، پشتیبانی و بهبود فرآیندهای طراحی هستند. این مقاله با مرور بیش از سه دهه پژوهش، نه تنها وضعیت فعلی این حوزه را ترسیم می‌کند، بلکه با شناسایی شکاف‌های موجود، مسیرهای پژوهشی آینده را نیز روشن می‌سازد. عبارت کلیدی «در و برای» (in-and-for) در عنوان مقاله، به دو رویکرد اصلی اشاره دارد: استفاده از NLP به عنوان ابزاری در فرآیند طراحی برای کمک به طراحان، و به کارگیری آن به عنوان روشی برای مطالعه و درک عمیق‌تر خود فرآیند طراحی.

این مقاله توسط L Siddharth، Lucienne T. M. Blessing و Jianxi Luo به رشته تحریر درآمده است. این نویسندگان از چهره‌های شناخته‌شده در حوزه علوم طراحی (Design Science)، طراحی مهندسی و روش‌های محاسباتی در طراحی هستند. پروفسور Lucienne Blessing به ویژه برای کارهایش در زمینه روش‌شناسی تحقیق در طراحی شهرت دارد و پروفسور Jianxi Luo نیز در زمینه طراحی مبتنی بر داده و تحلیل نوآوری با استفاده از هوش مصنوعی پیشگام است. این ترکیب از تخصص‌ها، اعتبار بالایی به تحلیل‌ها و نتایج مقاله بخشیده است.

این پژوهش در تقاطع حوزه‌هایی چون هوش مصنوعی، بازیابی اطلاعات، کتابخانه‌های دیجیتال و علوم طراحی قرار می‌گیرد و به عنوان یک راهنمای بنیادین برای محققانی عمل می‌کند که قصد ورود به این رشته بین‌رشته‌ای را دارند.

مقاله به مرور و تحلیل پژوهش‌هایی می‌پردازد که از تکنیک‌های پردازش زبان طبیعی برای پشتیبانی از فرآیند طراحی استفاده کرده‌اند. نویسندگان با استفاده از یک رویکرد اکتشافی (heuristic)، مجموعه‌ای شامل ۲۲۳ مقاله منتشر شده در ۳۲ ژورنال معتبر از سال ۱۹۹۱ تا زمان حال را گردآوری کرده‌اند.

محور اصلی تحلیل، طبقه‌بندی مقالات بر اساس نوع منبع داده متنی مورد استفاده است. این دسته‌بندی شامل موارد زیر می‌شود:

• گزارش‌های داخلی (Internal reports)
• مفاهیم طراحی (Design concepts)
• رونوشت گفتگوها (Discourse transcripts)
• نشریات فنی (مانند پتنت‌ها و مقالات علمی)
• نظرات مصرف‌کنندگان (Consumer opinions)
• و دیگر منابع متنی.

پس از خلاصه کردن دستاوردهای موجود و شناسایی شکاف‌های پژوهشی، نویسندگان از یک چارچوب نوآوری در طراحی استفاده می‌کنند تا مشخص کنند کدام مراحل از فرآیند طراحی در حال حاضر بیشترین پشتیبانی را از NLP دریافت می‌کنند. در نهایت، مقاله چندین جهت‌گیری روش‌شناختی و نظری برای تحقیقات آینده در این حوزه پیشنهاد می‌دهد.

از آنجایی که این یک مقاله مروری (Review Paper) است، روش‌شناسی آن بر چگونگی جمع‌آوری، فیلتر و تحلیل مقالات دیگر متمرکز است.

• جمع‌آوری مقالات: نویسندگان با جستجوی کلیدواژه‌هایی مانند “NLP in design”، “text mining for product design” و “design rationale capture” در پایگاه‌های داده علمی بزرگ مانند Scopus، Web of Science و Google Scholar، یک مجموعه اولیه از مقالات را استخراج کردند.
• غربالگری و انتخاب: مقالات یافت‌شده بر اساس میزان ارتباط مستقیم با کاربرد NLP در یک مسئله مشخص طراحی، به دقت بررسی و فیلتر شدند. این فرآیند تضمین کرد که تنها مقالات مرتبط و معنادار در تحلیل نهایی لحاظ شوند.
• ایجاد بدنه پژوهش (Corpus): در نهایت، یک مجموعه شامل ۲۲۳ مقاله کلیدی از ۳۲ ژورنال مختلف که در بازه زمانی ۱۹۹۱ تا حال منتشر شده بودند، به عنوان بدنه اصلی این تحقیق انتخاب شد.
• چارچوب تحلیل: نقطه قوت روش‌شناسی این مقاله، تحلیل ساختاریافته آن است. نویسندگان به جای یک مرور ساده، مقالات را بر اساس دو محور اصلی تحلیل کردند:
  1. نوع منبع متنی: همانطور که ذکر شد، مقالات بر اساس داده‌ای که تحلیل می‌کنند (مثلاً نظرات کاربران یا پتنت‌ها) دسته‌بندی شدند.
  2. چارچوب نوآوری طراحی: کاربردهای شناسایی‌شده بر روی یک مدل استاندارد از فرآیند نوآوری (مثلاً از مرحله درک نیاز تا عرضه به بازار) ترسیم شدند تا مشخص شود کدام مراحل بیشتر مورد توجه قرار گرفته و کدام‌ها مغفول مانده‌اند.

تحلیل جامع نویسندگان منجر به چندین یافته کلیدی و قابل تامل شد:

• تمرکز بر داده‌های خارجی: بخش عمده‌ای از تحقیقات موجود بر تحلیل منابع داده خارجی مانند نظرات مصرف‌کنندگان (از وب‌سایت‌های فروش و شبکه‌های اجتماعی) و نشریات فنی (به ویژه پتنت‌ها) متمرکز است. این منابع برای کشف نیازهای کاربران و تحلیل روندهای فناوری بسیار ارزشمند هستند.
• توجه کمتر به داده‌های داخلی: در مقابل، داده‌های تولید شده در داخل فرآیند طراحی، مانند رونوشت گفتگوهای تیم طراحی، گزارش‌های جلسات، و مستندات rationale (دلایل تصمیم‌گیری)، کمتر مورد توجه قرار گرفته‌اند. این یک شکاف مهم است، زیرا این داده‌ها حاوی اطلاعات ارزشمندی در مورد فرآیندهای شناختی و همکاری طراحان هستند.
• پشتیبانی نامتوازن از مراحل طراحی: نقشه کاربردهای NLP بر روی چارچوب نوآوری نشان داد که مراحل اولیه طراحی، به ویژه شناسایی نیاز (Need Finding) و ایده‌پردازی (Ideation)، بیشترین بهره را از ابزارهای NLP برده‌اند. در حالی که مراحل بعدی مانند طراحی جزئیات (Detailed Design)، نمونه‌سازی (Prototyping) و تست، تقریباً هیچ پشتیبانی مستقیمی از NLP دریافت نکرده‌اند.
• شکاف‌های روش‌شناختی: بسیاری از مطالعات از مدل‌ها و ابزارهای عمومی NLP (off-the-shelf) استفاده می‌کنند که برای زبان طبیعی روزمره طراحی شده‌اند. این ابزارها ممکن است در درک زبان تخصصی و فنی حوزه طراحی، که پر از اصطلاحات و مفاهیم خاص است، عملکرد مطلوبی نداشته باشند. نیاز به مدل‌های NLP سفارشی‌سازی‌شده برای دامنه طراحی به وضوح احساس می‌شود.

این مقاله کاربردهای عملی متعددی را که توسط NLP در حوزه طراحی ممکن شده است، برجسته می‌کند. در اینجا به چند نمونه برجسته اشاره می‌شود:

• مهندسی نیازمندی‌ها (Requirements Engineering):
  
  یک شرکت تولیدکننده گوشی هوشمند می‌تواند با استفاده از تکنیک‌های تحلیل احساسات (Sentiment Analysis) و مدل‌سازی موضوعی (Topic Modeling)، هزاران نظر کاربران در وب‌سایت آمازون را تحلیل کند. سیستم به طور خودکار موضوعات پرتکرار مانند «عمر باتری ضعیف» یا «کیفیت پایین دوربین در نور کم» را به عنوان نیازمندی‌های کلیدی برای نسخه بعدی محصول شناسایی می‌کند.
• تحلیل روندهای فناوری و نوآوری:
  
  یک تیم تحقیق و توسعه می‌تواند با تحلیل متن کامل پتنت‌های ثبت‌شده در حوزه «باتری‌های حالت جامد» در پنج سال گذشته، روندهای نوظهور، بازیگران اصلی بازار و مسیرهای فناوری آینده را شناسایی کند. این کار به جهت‌دهی استراتژی‌های نوآوری شرکت کمک شایانی می‌کند.
• پشتیبانی از خلاقیت و ایده‌پردازی:
  
  ابزارهای NLP می‌توانند با تحلیل پایگاه داده‌های بزرگ علمی، مفاهیم را از دامنه‌های مختلف به یکدیگر پیوند دهند. برای مثال، یک سیستم ممکن است با یافتن شباهت‌های عملکردی بین «ساختار لانه زنبور» در زیست‌شناسی و «نیاز به سازه‌های سبک و مقاوم» در هوافضا، به طراحان برای ایده‌پردازی الهام ببخشد (Biomimicry).
• مستندسازی و بازیابی دانش طراحی (Design Rationale):
  
  یکی از چالش‌های بزرگ در پروژه‌های طولانی‌مدت، فراموش شدن دلایل تصمیمات طراحی است. سیستم‌های مبتنی بر NLP می‌توانند به طور خودکار ایمیل‌ها، چت‌های تیمی و مستندات را تحلیل کرده و یک پایگاه دانش قابل جستجو از تصمیمات و دلایل آن‌ها ایجاد کنند. این امر از تکرار اشتباهات جلوگیری کرده و به اعضای جدید تیم کمک می‌کند تا به سرعت با تاریخچه پروژه آشنا شوند.

مقاله «پردازش زبان طبیعی در و برای پژوهش‌های طراحی» یک کار بنیادین و جامع است که با موفقیت چشم‌انداز فعلی این حوزه میان‌رشته‌ای را ترسیم می‌کند. این مقاله نشان می‌دهد که NLP از یک ابزار صرفاً تحلیلی فراتر رفته و به یک شریک فعال در فرآیند نوآوری و طراحی تبدیل شده است. با این حال، پتانسیل کامل آن هنوز به فعلیت نرسیده است.

نویسندگان چندین مسیر کلیدی برای تحقیقات آینده پیشنهاد می‌کنند:

• توسعه مدل‌های زبانی مخصوص دامنه (Domain-Specific Models): ساخت مدل‌های NLP که بر روی متون مهندسی و طراحی آموزش دیده‌اند تا بتوانند مفاهیم فنی و پیچیده را بهتر درک کنند.
• یکپارچه‌سازی چندوجهی (Multimodal Integration): ترکیب تحلیل متن با دیگر انواع داده‌های طراحی مانند اسکیس‌ها، تصاویر و مدل‌های سه‌بعدی (CAD) برای دستیابی به درک جامع‌تر.
• پشتیبانی از همکاری و تیم‌های طراحی: استفاده از NLP برای تحلیل پویایی‌های ارتباطی در تیم‌های طراحی و ارائه بازخورد برای بهبود همکاری و کارایی.
• حرکت به سمت ابزارهای مولد (Generative Tools): فراتر رفتن از تحلیل و حرکت به سمت ساخت ابزارهایی که با استفاده از مدل‌های زبان بزرگ (LLMs)، می‌توانند به طور فعال در تولید محتوای طراحی، مانند پیش‌نویس مشخصات فنی یا مفاهیم اولیه محصول، به طراحان کمک کنند.

در نهایت، این مقاله نه تنها یک منبع ارزشمند برای محققان فعلی است، بلکه الهام‌بخش نسل جدیدی از پژوهشگران برای کشف مرزهای جدید در تقاطع هوش مصنوعی و خلاقیت انسانی در طراحی خواهد بود.