推测性设计过程的系统性文献综述与框架构建：从问题发现到批判性思辨

《Design Science》：A systematic literature review of the speculative design process and a proposed framework for speculative design

本文针对推测性设计（Speculative Design）在跨学科研究中应用日益广泛但缺乏统一方法论框架的问题，通过系统性文献综述（PRISMA指南）分析了52项相关研究。研究人员识别出推测性设计过程的四个核心阶段：选择（Select）、探索（Explore）、转化（Transform）和激发（Provoke），并据此提出了“倒置双钻石”框架（Inverted Double-Diamond Framework）。该研究填补了推测性设计理论与方法的基础空白，为研究者、教育者及从业者提供了清晰的结构化流程，增强了该方法的可理解性、可及性与应用严谨性。

　　

在当今快速演变的技术与社会环境中，设计早已超越了其传统意义上“解决问题”的范畴。一种名为“推测性设计”（Speculative Design）的方法应运而生，它不急于提供答案，而是专注于“发现问题”，通过构想未来情景来挑战根深蒂固的假设，激发批判性反思。从人机交互（HCI）、医疗保健到城市规划、时尚产业，其应用遍及众多领域。然而，这种方法的魅力也带来了挑战：由于其本身具有的动态性、模糊性和异质性，加上理论基础的相对薄弱，导致“推测性设计”常常成为一个可以随意贴附的标签，而非一个清晰可循的方法论。这种概念上的模糊性，使得研究者和实践者在应用时缺乏共同的核心指导，特别是在学术研究这种要求严谨性和可重复性的语境下，问题尤为突出。正是为了回应这一方法论上的空白，David Cardenas Cordova等人开展了这项系统性文献回顾，旨在厘清推测性设计过程的核心阶段，并构建一个能够兼顾其多样性本质的结构化框架。

为了回答“研究者在进行涉及推测性设计的研究或概念性工作时，利用了哪些设计阶段和/或方法？”这一核心问题，研究团队采用了系统性文献综述（Systematic Literature Review）的方法，并严格遵循PRISMA（Preferred Reporting Items for Systematic reviews and Meta-Analyses）指南以确保学术严谨性。研究团队在Scopus、Web of Science等五个主要数据库中检索了截至2024年6月的文献，初始获得2351篇文献，经去重和严格筛选后，最终纳入52篇符合标准的学术出版物进行分析。数据分析采用了主题分析（Thematic Analysis）法，通过NVivo软件进行系统编码，以识别推测性设计过程中的核心构念。

研究发现，尽管推测性设计的实践形式多样，但其过程存在四个反复出现的核心阶段：

1. 1.
   选择（Select）：即有意地识别和选择用于推测的议题。研究发现有四种主要途径：理解当前议题、提出面向未来的问题、基于研究者自身兴趣与专业知识、以及质疑现有系统、价值观和信念可能引发的潜在问题。
2. 2.
   探索（Explore）：对虚构的、通常是面向未来的现实进行想象性探索。常用方法包括可能技术的概念开发、情景构建技术、可能性锥模型（Cone of Possibilities）、头脑风暴以及对比乌托邦/反乌托邦未来。
3. 3.
   转化（Transform）：将推测性的抽象概念转化为有形的表征。这通常通过制作原型（高保真原型、低保真原型）或利用视听格式、印刷材料、数字平台等媒介来实现，并常辅以叙事（Narratives）来增强情境。
4. 4.
   激发（Provoke）：旨在通过辩论、讨论和反思来激发批判性思维。方法包括小组讨论、个人反思、访谈、焦点小组、辩论、评估（如问卷调查）乃至撰写宣言（Manifestos）。

分析表明，67.3%的研究（35篇）完整包含了这四个阶段，这暗示了它们构成了推测性设计过程的一个被广泛采纳的核心。基于此，研究团队提出了一个名为“倒置双钻石”（Inverted Double-Diamond）的框架。该框架将四个核心阶段可视化地组织起来，并明确了每个阶段对应的思维模式：选择（收敛思维）-> 探索（发散思维）-> 转化（收敛思维）-> 激发（发散思维）。这个“倒置”的结构，意在强调推测性设计作为Dunne & Raby所描述的“B面”（Side B）设计，其重点是问题发现和批判，与传统“A面”（Side A）以解决问题为中心的双钻石模型（Double Diamond）形成对照。该框架遵循了Stachowiak的模型理论三特征：映射（Mapping，呈现过程结构）、简化（Reduction，定义阶段目标而非具体方法）和实用主义（Pragmatism，旨在促进理解和应用）。

研究结果详述

选择阶段的方法与实践

选择阶段是所有52篇纳入文献共有的起点。该阶段的核心是聚焦于一个复杂、隐蔽或新兴的议题。研究识别出四种主要方法：

• •
  理解当前议题（31篇）：通过开放式讨论、与物件互动、回顾现有数据、行走方法（Walking Methods）等方式，从现有复杂系统中识别议题。例如，Arora等人（2023）通过让参与者反思个人着装经历及相关禁忌来选择议题。
• •
  未来导向问题（13篇）：运用“如果…会怎样？”（What if）等问题，引导参与者想象未来技术的社会影响。例如，Park等人（2021）让参与者想象机器人会尴尬的未来情景。
• •
  研究者兴趣驱动（6篇）：基于研究者自身的专业知识和好奇心选择议题，如Ouzounian等人（2017）对社交媒体与音乐交互的探索。
• •
  质疑现有系统（2篇）：审视当前现象若持续发展可能带来的长期影响，如Turmo Vidal等人（2023）对体感技术未来影响的探讨。

探索阶段的想象性工具

探索阶段出现在50篇文献中，旨在想象替代性现实。常用方法包括：

• •
  概念开发（18篇）：深入思考假设性技术的特性、功能和社会角色。例如，Fox等人（2019）通过分析现有经期追踪应用，迭代出代表数据收集潜在影响的产品概念。
• •
  情景构建（16篇）：将抽象概念置于社会文化、经济等维度中，形成连贯的未来愿景。Kozubaev（2016）构建了关于公共空间隐私与身份的复杂场景。
• •
  可能性锥模型（9篇）：利用可能（Possible）、似真（Plausible）、 probable（Probable）和 preferable（Preferable）未来等类别来构思不同情景。Kaur等人（2022）在探讨亲密关系技术时应用了此模型。
• •
  头脑风暴（4篇）和对比未来（3篇）：用于生成多样化想法或探索极端情景，如Turmo Vidal等人（2023）对比了体感技术的乌托邦和反乌托邦前景。

转化阶段的原型与叙事

转化阶段在42篇文献中出现，关注如何将想法具象化：

• •
  原型制作：形式多样，包括高保真原型（12篇，如Biggs & Desjardins (2020)的可穿戴装置）、低保真原型（10篇，如Park等人(2021)用日常材料制作的机器人模型）、视听格式（10篇，如Kolovson等人(2024)的推测性视频）、印刷材料（5篇，如产品目录、海报）和数字平台（5篇，如交互式网站）。
• •
  叙事构建（13篇）：为原型提供背景故事，使其更易理解和沉浸。例如，Ringfort-Felner等人（2023）为自动驾驶汽车的未来世界构建了详细的社会规范和生活实践叙事。

激发阶段的批判性对话

激发阶段在43篇文献中被采用，旨在引发深度思考：

• •
  群体讨论（21篇）是最常见的方式，营造开放的集体批判空间。例如，Almohamed等人（2020）与难民讨论当前技术面临的挑战。
• •
  其他方法包括个人反思（6篇）、访谈与焦点小组（6篇）、辩论（5篇）、评估（4篇，如问卷调查）和宣言撰写（1篇）。这些方法旨在收集参与者对推测概念的看法、情感反应和伦理思考。

推测性设计框架的整合

对52篇文献的分析显示，大多数研究（67.3%）完整地实践了这四个阶段。部分研究（25%）省略了其中一个阶段（最常见的是“转化”或“激发”），少数（7.7%）只包含两个阶段（选择与探索）。这种完整性趋势支持了四阶段框架作为推测性设计核心过程的代表性。

研究结论与意义

本研究通过系统性文献综述，明确了推测性设计过程的四个核心阶段：选择、探索、转化和激发。基于此提出的“倒置双钻石”框架，为理解和应用推测性设计提供了一个清晰而灵活的结构化模型。该框架的价值在于：

1. 1.
   增强方法论清晰度与严谨性：为在学术研究背景下应用推测性设计提供了可遵循的流程，有助于满足研究的透明度和可重复性要求。
2. 2.
   促进跨领域应用与教育：使非设计背景的研究者、政策制定者、教育者也能系统地运用推测性设计来探索复杂、面向未来的问题。
3. 3.
   保持本质的灵活性与批判性：框架指明了核心阶段和目标，但并未规定具体方法，保留了推测性设计固有的适应性和批判精神。
4. 4.
   连接相关实践：虽然本研究聚焦于明确使用“推测性设计”术语的文献，但该框架的核心理念也可能适用于设计虚构、批判性设计等相关实践，为更广泛的推测性方法领域提供了对话基础。

当然，本研究也存在一些局限，如文献筛选限于英文同行评审期刊、编码过程存在主观性、以及未涵盖所有相关实践术语。未来的研究可以进一步验证该框架在实际项目中的应用效果，并将其拓展到工业界等非学术场景。总之，这项研究为推测性设计领域贡献了一个重要的理论基础和实践工具，有望推动该方法的更广泛和更深入的应用，使其在应对未来社会技术挑战中发挥更大的作用。