概述
這很重要,因為它可以將分析時間從幾週縮短到幾天。它也帶來了新的風險:捏造的報價、扁平化的見解以及用合成用戶取代真實參與者的誘惑。
深入探討
使用者體驗研究產生大量非結構化資料:訪談錄音、可用性會議筆記、開放式調查答案、支援票證和應用程式評論。人工智慧在幾個階段提供幫助。語音辨識將錄音轉換為文字記錄。語言模型總結會議、建議主題並起草親和力分組。分類模型和嵌入組織了數千個回饋項目。 Dovetail 和 Condens 等研究儲存庫添加了用於標記和總結的 AI 功能。人工智慧對於規劃也很有用。它可以起草研究計劃、訪談指南、篩選和同意書語言,然後研究人員審查主要問題和偏見。最有爭議的做法是使用合成使用者:語言模型角色,像客戶一樣回答面試問題。它們速度快、成本低,但它們的答案反映的是訓練資料的模式,而不是生活經驗。他們往往和藹可親、善於表達,並給出合理的、平均的答案。他們無法揭示真實參與者帶來的令人驚訝的解決方法、情緒反應或背景。它們也不能展示人們做了什麼而不是說什麼,而這就是可用性測試的核心。包括尼爾森諾曼集團在內的從業者警告不要將合成反應視為研究結果。它們的合理用途範圍較小:引導問題、產生要測試的假設或準備會議。一個常見的誤解是人工智慧摘要與綜合相同。真正的綜合會權衡證據、比較來源、注意到矛盾並將發現與產品決策聯繫起來。摘要也傾向於消除少數觀點和異常值,而這些往往是最有用的見解。模特兒也可能會錯誤歸因或編造引言。最後,研究道德適用:參與者的同意應涵蓋人工智慧對其資料的處理,個人資訊應根據組織的隱私權政策進行處理。
現實世界的實施
經過 12 次客戶訪談後,研究人員使用人工智慧轉錄通話內容,並為每個研究問題提取帶有時間戳記的候選人報價。在進入報告之前,他們會根據錄音檢查每個引言。
一個產品團隊擁有 5,000 條應用程式商店評論。人工智慧應用研究人員編寫的密碼本(入門摩擦、定價、效能、功能請求),然後研究人員手動編碼樣本以檢查標籤是否一致。
一位研究人員要求 AI 為小型企業發票研究起草討論指南和篩選調查。他們在試點會議之前刪除引導性問題並添加後續調查。
在招募之前,研究人員會透過人工智慧角色來運行討論指南,以找出令人困惑的措辭。他們將答案視為對問題的測試,而不是對真實客戶的調查結果。
使用者體驗研究人員的人工智慧未來
人工智慧可能會成為研究儲存庫和分析工具的標準部分,而最耗時的機械工作,例如轉錄、首次標記和起草計劃,將變得越來越快。這可能會讓小團隊進行更多研究,或是推動研究人員進行更具策略性的工作。合成使用者的限制來自於他們的本質,因此與真人的直接接觸可能仍然是核心。預計會有更多關於研究標準、人工智慧輔助分析的揭露和參與者同意的爭論。能夠嚴格檢查人工智慧輸出並將證據轉化為決策的研究人員將處於有利地位。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
對於使用者體驗研究人員來說,人工智慧是什麼?
使用者體驗研究人員的人工智慧意味著使用人工智慧來轉錄和總結訪談、標記大量回饋、起草研究計劃和討論指南,而研究人員則負責解釋。這很重要,因為它可以將分析時間從幾週縮短到幾天。它也帶來了新的風險:捏造的報價、扁平化的見解以及用合成用戶取代真實參與者的誘惑。
合成用戶的核心限制是什麼?
綜合用戶反映訓練資料中的模式。他們無法提供真實參與者帶來的令人驚訝的背景和體驗。
根據指南合理使用合成使用者是多少?
該指南列出了試點問題、提出假設並視情況準備會議。將輸出視為結果則不然。
為什麼研究人員應該要求人工智慧提供帶有時間戳的逐字引用?
時間戳使每個報價都可追溯和可檢查,從而防止偽造或錯誤引用報價。
Cohen's kappa 在人工智慧輔助標記中衡量什麼?
柯恩的 kappa 衡量的是兩位程式設計師之間超越偶然性所產生的一致性。它顯示了模型的標籤是否可信。
為什麼人工智慧摘要與研究綜合不同?
摘要壓縮了內容,常常會失去少數人的觀點。綜合就是解釋和判斷。