《Proceedings of the Design Society》：Human-AI collaboration for repair: designing interactive tools for sustainable consumer electronics
编辑推荐：
摘要：受限于消费者维修素养不足与计划性报废设计（design?for?disposability）等障碍，替换型消费文化持续强化。本研究提出AIFixer，一款人工智能（AI）驱动的互动工具，可在电子维修过程中引导消费者，促进可持续产品生命周期。研究采用混合方
摘要：受限于消费者维修素养不足与计划性报废设计（design?for?disposability）等障碍，替换型消费文化持续强化。本研究提出AIFixer，一款人工智能（AI）驱动的互动工具，可在电子维修过程中引导消费者，促进可持续产品生命周期。研究采用混合方法、以用户为中心的设计路径，在真实维修任务场景中评估AIFixer的可用性与行为影响。研究结果表明，对话式AI可降低维修门槛、提升用户信心，并能为循环设计（circular design）生成关键数据，同时凸显了多模态与社区一体化开发的重要机遇。
论文解读
研究背景与意义
全球电子废弃物（e?waste）年产量已超5300万公吨，仅17%得到正规回收，而消费端的维修实践仍以替换导向为主。这一现象由加速营销周期、感知性过时（perceived obsolescence）以及消费者维修素养（repair literacy）不足共同塑造，导致循环经济发展目标受阻。尽管欧盟《循环经济行动计划（2020）》与“维修权（Right to Repair）”运动从政策与文化层面推动维修常态化，但现有数字化基础设施尚未充分支持非专家用户的自主维修。计算机视觉与预测分析技术的发展虽提升了故障检测精度，但其在消费级维修场景中的应用仍缺乏以用户能动性（user agency）为核心的系统性设计。在此背景下，剑桥大学研究团队于《Proceedings of the Design Society》发表研究，提出AIFixer系统，探索AI介导的交互如何降低维修心理门槛，并将碎片化维修行为转化为可支撑上游设计的反馈闭环。
研究方法概述
研究人员采用混合方法、以用户为中心的设计框架，通过共设计工作坊、可用性测试与半结构化访谈相结合的策略开展研究。研究招募7名参与者，采用立意抽样（purposive sampling）覆盖维修新手与具备AI、产品设计或电子维修背景的经验用户。实验设置14场受控工作室工作坊，选取Fairphone 5屏幕更换与FairBuds XL电池更换两类不同复杂度任务，模拟真实维修场景。数据收集融合行为观察、视频日志、前后测问卷（5点李克特量表）及访谈资料，并基于Braun与Clarke的反思性主题分析法（thematic analysis）进行定性编码，结合Terzio?lu维修动机与障碍模型与社会实践理论（social practice theory）进行多维解读。
研究结果
4.1 AIFixer的实用性与可用性
所有参与者均完成指定维修任务，验证了系统在真实场景中的可行性。新手用户平均每步骤需1.3次澄清提示，经验用户仅需0.7次，表明系统具备跨技能层级的适应性。用户将对话式引导描述为“类似不催促的导师”，有效消解了对精密部件的操作焦虑。但纯文本指令在处理排线、螺丝等细微操作时易引发认知疲劳，用户普遍呼吁引入标注图像、示意图或多模态增强手段。
4.2 信任、适应性与反馈机制
用户信任高度依赖系统的情境感知能力。当AI提供通用或重复性回复时，信任度显著下降；反之，能够识别犹豫、操作中断并给出安抚性提示的响应则大幅提升参与感。研究表明，信任并非仅源于指导内容的准确性，更取决于系统对用户行为的“关注度”与交互的适应性。
4.3 学习、反思与行为改变
维修过程激发了用户对产品内部结构与组件关联性的好奇心，即便操作失误也被视为学习过程而非失败。多位参与者表达了未来尝试其他维修任务的意愿，显示AI引导有助于培育维修素养与生态公民意识（ecological citizenship），推动电池、屏幕等部件的安全处置与再利用。
4.4 设计与系统性启示
经验用户建议优化导航逻辑，减少重复唤醒指令，并提出通过颜色编码螺丝、差异化部件外观来提升引导精度。参与者进一步指出，匿名化维修数据可反向赋能制造商识别设计缺陷，若与开放维修社区或品牌数据库联动，将形成共享知识与参与式设计（participatory design）的生态基础。
4.5 核心模式总结
研究发现维修信心与自主性在全组别中显著提升，任务完成率达100%。主要局限集中于纯文本引导与有限适应性，而信任构建依赖于响应速度、对话语气与社会认知敏感性。行为结果显示用户维修动机提升，且具有连接维修社区与数据反馈循环的系统性潜力。
讨论与结论
讨论部分指出，AIFixer将维修从静态手册指导转化为动态人机对话，体现了自适应程序引导（adaptive procedural guidance）的演进方向。但研究同时警示，AI模型训练与运行本身存在碳足迹，需通过轻量化架构、端侧推理（on?device inference）与可再生能源供电平衡环境效益，避免“可持续AI”陷入资源浪费悖论。在伦理层面，维修数据的隐私保护、算法透明度与用户数据自主权成为规模化部署的前提。
研究最终证实，AIFixer不仅能降低心理与程序双重门槛，更通过匿名化交互数据构建了连接消费者、制造商与政策制定者的双向反馈通道。这种将维修重新定义为社会性与环境性实践的设计路径，拓展了设计责任的边界——从产品生产延伸至全生命周期的维护与关怀。未来迭代将聚焦于多模态智能增强、社区化P2P集成与跨品类扩展性，以期在数字化基础设施中嵌入更具包容性与再生性的维修文化。
