المكاسب:
- القدرة على تحويل سجلات اختبار قابلية الاستخدام وملاحظات المراقبة إلى نتائج وأوزان وتوصيات باستخدام الذكاء الاصطناعي
- القدرة على ترتيب النتائج حسب الخطورة وإنتاج جدول الأولويات
- القدرة على تصحيح النتائج التي يغفلها الذكاء الاصطناعي أو يبالغ فيها من خلال أدلة الملاحظة الحقيقية
اختبار قابلية الاستخدام هو وسيلة لمراقبة مكان عمل التصميم وأين يتعطل من خلال إعطاء مهام محددة لمستخدمين حقيقيين ومراقبتهم. الاختبار في حد ذاته سهل؛ التحدي الحقيقي يكمن في أعقاب ذلك: تحويل ساعات التسجيل، وصفحات ملاحظات المراقبة، ولقطات الشاشة المتناثرة إلى نتائج واضحة وذات أولوية. يستغرق هذا التوليف أيامًا يدويًا وغالبًا ما تتركه الفرق غير مكتمل. يفتح الذكاء الاصطناعي عنق الزجاجة هذا: تحويل السجلات والملاحظات إلى نتائج ووزن وتوصيات. لكن الحكم البشري هو الذي يقرر ما إذا كانت الملاحظة تمثل مشكلة حقًا وما مدى أهميتها.
الفرق بين الملاحظة والبحث والاقتراح
ومن الأهمية بمكان فصل ثلاث طبقات في التوليف:
- ملاحظة: ما حدث، لا تعليق. "بحث المشارك 3 عن زر "متابعة" لمدة 40 ثانية."
- الاكتشاف: النمط الناشئ عن الملاحظات. "يواجه المستخدمون مشكلة في العثور على الإجراء الأساسي."
- التوصية: ما يجب القيام به. "يجعل الزر الأساسي بارزًا بشكل مرئي."
ينتج الذكاء الاصطناعي هذه الطبقات الثلاث بسرعة، لكنه غالبًا ما يخلط بين الملاحظة والاكتشاف أو يستنتج نتيجة كاملة من ملاحظة واحدة. مهمتك هي التحقق من وجود ملاحظات كافية (كم عدد المشاركين، كم مرة) وراء كل نتيجة.
نصيحة: اطلب من الذكاء الاصطناعي أن يقول "تحت كل نتيجة، أضف الملاحظات التي تدعمها وعدد المشاركين الذين شوهدوا فيها." وبهذه الطريقة يمكنك على الفور التمييز بين النتائج المتضخمة من ملاحظة واحدة.
الخطورة: ما الذي يجب إصلاحه أولاً؟
ليست كل النتائج متساوية. تشير درجة الخطورة إلى مدى الحاجة الملحة لإصلاح المشكلة ويتم تحديدها من خلال ثلاثة عوامل:
- التأثير: هل تمنع المشكلة المستخدم من إكمال المهمة أم أنها تزعجه فقط؟
- التردد: كم عدد المستخدمين وكم مرة؟
- تأثير الأعمال: ما مدى تأثير هذه المشكلة على التحويل أو الإيرادات أو الثقة؟
مقياس نموذجي: حرج (يعيق المهمة تمامًا)، مرتفع (صعوبة شديدة)، متوسط (بطيء)، منخفض (تجميلي). قد يقترح الذكاء الاصطناعي تصنيفًا أوليًا، لكن قرار الترجيح النهائي - وتحديدًا تأثير الأعمال - يتطلب معرفة الفريق بالسياق.
العثور على
تأثير
التردد
أهمية
اقتراح
لا يمكن العثور على الزر الأساسي
إنه يتداخل مع المهمة
4/6 مشاركين
حرجة
زر التمييز
رسالة الخطأ غير واضحة
تباطؤ
3/6
عالية
وضح الرسالة
معنى الأيقونة غير واضح
تردد طفيف
2/6
متوسطة
إضافة علامة
لم يكن لهجة اللون يحب
مستحضرات التجميل
1/6
منخفض
اتركه لوقت لاحق
ثلاث حالات صغيرة
الحالة 1 - 5 ساعات من التسجيل، والنتائج في نصف يوم. قام أحد الفرق بتزويد الذكاء الاصطناعي بملاحظات 6 اختبارات للمستخدم (إجمالي 5 ساعات). اقترح النموذج 14 نتيجة؛ قام الفريق بفحص كل واحدة منها مقابل عدد الملاحظات، وقلصها إلى 9، ورتبها حسب الأهمية. تم تقليل وقت التوليف، الذي كان سيستغرق يومين يدويًا، إلى نصف يوم.
الحالة 2 - تم اكتشاف اكتشاف مضخم. وكتب الذكاء الاصطناعي في نتيجة بالغة الأهمية: "المستخدمون لا يفهمون التنقل". عندما نظر الفريق إلى الملاحظات الداعمة، وجدوا أنها كانت مبنية على لحظة واحدة من مشارك واحد. تم تخفيض تصنيف النتيجة إلى "معتدل" وطلب المزيد من البيانات. الدرس المستفاد: ملاحظة واحدة لا تؤدي إلى نتيجة حاسمة.
الحالة 3 - مشكلة حرجة مفقودة. اعتبر النموذج مشكلة متكررة ولكنها تبدو ثانوية (النموذج لا يتم تمريره تلقائيًا) على أنها "منخفضة". عندما نظر المصمم إلى الملاحظات، أدرك أن هذا تسبب في التخلي عن المهمة لدى 5 مشاركين وقام بتعيينها على "مرتفع". الدرس المستفاد: تم تصحيح تقدير أهمية الذكاء الاصطناعي من خلال الأدلة الرصدية.
قراءة البيانات الكمية والنوعية معًا
اختبار قابلية الاستخدام هو في الغالب نوعي (يعتمد على الملاحظة)، ولكن هناك أيضًا إشارات كمية (عددية): معدل إنجاز المهمة، مدة المهمة، عدد الأخطاء، درجة الرضا. أقوى تركيب يجمع بين الاثنين: "33٪ فقط من المشاركين أكملوا مهمة الخروج (كمية)، وجميع الذين فشلوا في إكمالها تعثروا في خطوة الشحن (نوعية)". ويساعد الذكاء الاصطناعي على الجمع بين هاتين البيانات عندما تقدمهما بشكل منفصل؛ لكنك تؤكد دقة الأرقام وحجم العينة. قد يكون الحديث عن النسب المئوية مضللاً في عينات صغيرة (على سبيل المثال، 5 مستخدمين)؛ إن قول "3 من أصل 5 مستخدمين" أكثر صدقًا من قول "60%". اطلب من النموذج أن يتحدث بالأرقام المطلقة.
نصيحة: اطلب من الذكاء الاصطناعي أن يقول "اكتب "كم عدد المستخدمين" بدلاً من النسبة المئوية." وفي العينات الصغيرة، تعطي النسبة المئوية انطباعًا بدقة أكبر مما هي عليه في الواقع.
مطالبات قابلة للنسخ
دورك: محلل سهولة الاستخدام. استخلص النتائج من ملاحظات الاختبار المجهولة المصدر التالية. لكل نتيجة: 1) بيان واضح، 2) الملاحظات الداعمة وعدد المشاركين الذين شاهدوها، 3) التأثير (الحجب/الإبطاء/التجميل). ضع علامة على النتائج المبنية على ملاحظة واحدة على أنها "أدلة ضعيفة". ملاحظات: <<النص>>
قم بفرز قائمة النتائج هذه حسب الأهمية. المعايير: التأثير (عائق المهمة؟)، التكرار (كم عدد المشاركين؟)، تأثير الأعمال. قم بتعيين كل نتيجة حرجة/عالية/متوسطة/منخفضة واكتب الأساس المنطقي. إذا لم تكن متأكدًا من تأثير الأعمال، فقل "يجب على الفريق التقييم". النتائج: <<القائمة>>
اكتب توصية تصميمية ملموسة وقابلة للتنفيذ لكل نتيجة. التوصية: ما الذي سيتغير + لماذا يحل هذا المشكلة + ما هي الشاشة التي تؤثر عليها. تجنب التوصيات الغامضة ("اعمل بشكل أفضل"). النتائج: <<القائمة>>
قم بتلخيص تقرير النتائج هذا لعرضه على أصحاب المصلحة: اكتب ملخصًا تنفيذيًا موجزًا يتضمن أهم 3 نتائج، والأدلة (عدد المستخدمين)، والإجراء الموصى به. مبالغة؛ خذ الأرقام من الملاحظات. التقرير: <<نص>>
موجه ضعيف / موجه قوي
ضعيف: "استخلص استنتاجات من درجات الاختبار هذه."
النتيجة: قائمة مختلطة بدون دليل، وبدون ترتيب من حيث الأهمية، والخطأ في ملاحظة واحدة على أنها نتيجة.
قوي: "استخرج نتيجة من الملاحظات؛ وتحت كل نتيجة، أضف ملاحظات داعمة وعدد المشاركين الذين شوهدت فيها؛ ضع علامة على تلك المستندة إلى ملاحظة واحدة باعتبارها "دليلًا ضعيفًا"؛ ثم رتبها حسب الأهمية وفقًا لتأثير التأثير والتكرار والعمل."
النتيجة: نتائج قائمة على الأدلة، وذات أولوية، ويمكن الدفاع عنها.
الفرق: المطلب القوي عدد الأدلة + المطلب الضعيف + معيار الأهمية.
الأخطاء الشائعة
- الخلط بين الملاحظة والاكتشاف. تحويل عبارة "ما حدث" إلى نتيجة شاملة.
- التوصل إلى نتائج حاسمة من ملاحظة واحدة. لن يتم إعطاء أي وزن حتى يتم التحقق من التردد.
- تحديد تأثير الأعمال على الذكاء الاصطناعي. يتطلب تأثير الإيرادات/التحويل السياق؛ هو في فريقه.
- لا تعطي الأولوية. قائمة النتائج غير المنظمة تصيب الفريق بالشلل. لا يمكن إصلاح كل شيء دفعة واحدة.
- ترك الاقتراحات غامضة. "افعل ما هو أفضل" غير قابل للتطبيق؛ ماذا ولماذا وأين ينبغي أن يكون واضحا.
في ملخص
تأتي قيمة اختبار قابلية الاستخدام في تحويل التسجيلات والملاحظات إلى نتائج واضحة وذات أولوية. يعمل الذكاء الاصطناعي على تسريع هذا التوليف إلى حد كبير: فهو يجمع الملاحظات في النتائج، ويصوغ التوصيات، ويقترح ترتيب الأهمية. لكن التحقق من عدد الملاحظات وراء كل نتيجة هو عمل بشري، والتخلص من النتائج المبالغ فيها بناءً على ملاحظات فردية، ووزن تأثير الأعمال مع السياق. إن تقرير النتائج الذي يستند إلى الأدلة، وله تكرار معين، ويتم ترتيبه حسب الأهمية، سيكون سريعًا ويمكن الدفاع عنه من قبل أصحاب المصلحة.
مهمة التطبيق
- إخفاء هوية الملاحظات من اختبار قابلية الاستخدام (حقيقي أو خيالي).
- إزالة النتائج في الموجه الأول؛ تحقق من عدد الملاحظات تحت كل منها.
- عزل النتائج التي تحمل علامة "أدلة ضعيفة" وتحديد ما إذا كانت هناك حاجة إلى بيانات إضافية.
- مع الموجه الثاني، قم بترتيب النتائج حسب الأهمية؛ تقييم تأثير الأعمال كفريق واحد.
- باستخدام الموجه الثالث، اكتب اقتراحات محددة لكل نتيجة وقم بإنشاء جدول للأولويات.
قائمة مرجعية
- [ ] احتفظت بالملاحظة والنتائج والاقتراحات كطبقات منفصلة.
- [ ] لقد تحققت من عدد المشاركين الذين أظهروا كل نتيجة.
- [ ] لقد حددت النتائج المبنية على ملاحظة واحدة كدليل ضعيف.
- [ ] قمت بتحديد مستوى الخطورة من خلال التأثير والتكرار والتأثير على الوظيفة.
- [ ] تقييم القرار المتعلق بتأثير الأعمال مع الفريق.
- [ ] لقد كتبت الاقتراحات بشكل ملموس (ماذا/لماذا/أين).