Gevinster:
- At være i stand til at skelne, hvor i UX-workflowet (forskningssyntese, persona, wireframe, interfacetekst, testanalyse) kunstig intelligens sparer realtid, og hvor ansvar som at lytte til brugeren og den endelige designbeslutning forbliver hos designeren i henhold til opgavens risikoniveau
- Evne til at udvikle en refleks, der forbinder hver AI-output til rigtige brugerdata og beviser og verificerer hallucinationer og bias gennem sonderende trin
- Mulighed for at anonymisere brugersamtaleregistreringer og personlige data inden for KVKK's omfang og overføre dem til kunstig intelligens inden for rammerne af samtykke
Brugeroplevelse (UX, det vil sige oplevelsen af den person, der bruger et produkt fra start til slut) design har foregået med princippet om "først forstå personen, så løs det" i årevis. Når kunstig intelligens kommer ind i denne cyklus, er de fleste menneskers første spørgsmål: "Vil kunstig intelligens lave designet for mig?" Kort svar: nej. Kunstig intelligens er en designassistent; Det producerer kladder, opsummerer data, multiplicerer muligheder og fremskynder gentagne opgaver. Men det tilkommer altid designeren virkelig at lytte til brugeren, beslutte, hvad der er den rigtige løsning, og bære ansvaret for denne beslutning. Denne første enhed afklarer, hvor AI skal placeres i UX-workflowet, hvor du skal stoppe, og hvordan du flytter brugerdata sikkert.
Hvor kommer AI til nytte i UX-workflowet?
Et UX-projekt skrider frem gennem omkring fem faser: opdagelse (forskning), definer (personlighed og problem), producere (flow, wireframe, prototype), test (brugbarhed) og levering (designsystem, dokumentation). Kunstig intelligens spiller en forskellig rolle i hvert af disse stadier.
- Opdagelse: Opsummerer snesevis af interviewudskrifter (transskriberede optagelser) på minutter i stedet for timer, og udtrækker indledende temaer. Men det er op til den enkelte at afgøre, hvilket tema der er vigtigt.
- Beskrivelse: Producerer Persona (fiktiv profil, der repræsenterer en specifik brugertype) og udkast til rejsekort. Men det er din opgave at sikre, at disse udkast er baseret på reelle data.
- Generation: Wireframe (ramme-linjeskelettet af en skærm), flowchart og grænsefladetekst gengiver variationer.
- Test: Indhenter resultater fra testregistreringer og rangerer dem i rækkefølge efter vigtighed.
- Præsentation: Skriver komponentdokumentation og brugsregler.
Den røde tråd er denne: AI genererer udkast og muligheder; Bedømmelse og godkendelse forbliver hos dig.
Tip: Brug kunstig intelligens til ikke at "give mig svaret", men til at "giv mig muligheder hurtigt og lad mig vælge." Den største effektivitet kommer, når du uddelegerer forberedelsesarbejdet, ikke beslutningen.
Missionsrisikoniveau: hvor frit, hvor forsigtigt?
Ikke alle opgaver har samme risiko. En simpel tommelfingerregel: Jo mere direkte outputtet påvirker en bruger, jo højere er risikoen.
Quest
Risikoniveau
Rollen af kunstig intelligens
menneskelig godkendelse
Mødenotat resumé
lav
Næsten fuldt overført
let skimming
Generering af en wireframe-variation
lav-middel
Generer udkast
Designer vælger og retter
Oprettelse af et forskningstema
medium
Forsyntese
Verifikation ved tilbud er påkrævet
Interfacetekst (fejlmeddelelse osv.)
medium-høj
giver variation
Tone, nøjagtighed, lovkontrol
Bekræftelse af tilgængelighed
høj
præ-scanning
Reel test obligatorisk
Bestem brugerens reelle behov
højest
kan ikke hjælpe
Alt sammen i designeren
Dette diagram er et kompas: Når du bevæger dig op, mindsker du din tillid til AI og øger din egen validering.
Hallucination og bias: to grundlæggende grænser
Du skal internalisere de to blinde pletter af kunstig intelligens lige fra begyndelsen.
Hallucination (fabrikation): En stor sprogmodel (muligvis ordgættende AI trænet på store mængder tekst) kan producere flydende, men faktisk unøjagtige information. For eksempel står der "Brugere bad om hastighed i 20 samtaler", men i virkeligheden er der ikke et sådant citat. Uanset hvor sikkert outputtet fremstår, er det ikke nøjagtigt uden at linke til kilden.
Bias: Modellen bærer skævheder, der er iboende i de data, som den er trænet på. Klicheer som "ældre brugere er bange for teknologi" kan snige sig ind i personaen eller manuskriptet. Disse sætninger er ikke-understøttede generaliseringer og bør testes med rigtige data.
Forsigtig: Flydende og nøjagtighed af AI-output er ikke det samme. Det farligste output er det, der er skrevet i forkerte, men perfekte sætninger.
Brugerdata, KVKK og samtykke
UX-forskning arbejder med personlige data: samtalelogfiler, navn, arbejdsplads, skærmbilleder, endda lyd. At uploade disse data til et vilkårligt værktøj til kunstig intelligens kan være en overtrædelse af KVKK (lov om beskyttelse af personoplysninger). Tommelfingerreglen er tre trin: anonymiser, hold dig inden for samtykke, brug et agentur-godkendt værktøj.
- Masker direkte identifikatorer såsom navn, telefon, e-mail, firmanavn (f.eks. "Deltager 3").
- Overskrid ikke omfanget af samtykke givet til deltageren under forskningen; Hvis du ikke sagde "det vil blive bearbejdet til kunstig intelligens", skal du være forsigtig.
- I et virksomhedsmiljø skal du vælge værktøjer, der er tydelige, hvor dataene er gemt, og om de bruges til modeltræning.
tre minisager
Case 1 — Tidsbesparende, på det rigtige sted. En designer fik AI til at opsummere 18 interviewudskrifter (62 sider i alt). Forlæsning, som ville have taget 2 dage i hånden, blev reduceret til 40 minutter. Men designeren matchede hvert tema i outputtet til det faktiske citat og fandt ud af, at 3 temaer ikke havde noget grundlag. Resultat: hastighed + pålidelighed.
Tilfælde 2 — Ubekræftet output kom ind i præsentationen. Et andet hold inkluderede sætningen "70 % af brugerne foretrækker mobil" produceret af kunstig intelligens i rapporten. Da man blev spurgt om kilden, blev det afsløret, at der ikke var sådanne data; modellen havde lavet nummeret. Interessenternes tillid er blevet skadet. Lektion: tal og påstande spredes ikke uden beviser.
Case 3 — Risiko for persondatalækage. En praktikant uploadede lydoptagelsen sammen med deltagernes navne til et gratis websted, der automatisk transskriberer det. Institutionens sikkerhedsteam markerede dette som en KVKK-risiko, og processen blev stoppet. Lektion: værktøjsvalg og anonymisering udføres fra begyndelsen.
Kopiérbare prompter
Din rolle: senior UX forskningsassistent. Opgave: Uddrag op til 6 temaer fra den anonymiserede interviewudskrift nedenfor. Regler: Tilføj MINDST ét ordret citat ud for hvert tema med tagget [Deltager X]. Lav ikke et tema, som du ikke kan finde et tilbud til. Når du er i tvivl, så skriv "svag støtte". Udskrift: <<tekst>>
Tjek dette AI-output: Tjek for et faktuelt grundlag i teksten for hvert punkt på temalisten nedenfor. Marker dem, der ikke har noget grundlag som "IKKE VERIFICERET", og skriv, hvorfor du er mistænksom. Liste: <<temaer>> Kildetekst: <<udskrift>>
Find alle personlige/identificerende data (navn, telefon, e-mail, virksomhed, adresse) fra teksten nedenfor og erstat med [MASKED]. Angiv også ændringslisten som en tabel. Slet ikke nogen information, bare masker den. Tekst: <<dump>>
Klassificer en designopgave: Bestem risikoniveauet (lavt/middel/højt) for "<<opgave>>", skriv rollen som AI og den menneskelige godkendelse, der kræves, i én sætning. Forklar din begrundelse.
Svag prompt / Stærk prompt
Svag: "Opsummer disse samtaler."
Resultat: En ikke-sourcet, generisk og ikke-verificerbar tekst; Det er ikke klart, hvilken sætning der kom fra hvor.
Stærk: "Udtræk op til 6 temaer fra denne anonymiserede transskription; tilføj mindst ét ordret citat tagget [Deltager X] til hvert tema; lav ikke et tema, som du ikke kan finde et citat for."
Resultat: Et evidensbaseret, reviderbart, beslutningsvenligt resultat.
Forskellen er i én sætning: stærk prompt giver kontekst + regel + beviskrav.
Almindelige fejl
- Flytning af output fra validering til beslutning. Den mest almindelige og dyreste fejl; Et konstrueret tema kan forvrænge hele designretningen.
- Upload af personlige data uden at anonymisere dem. KVKK krænkelse og tab af virksomhedens tillid.
- At få kunstig intelligens til at "bestemme". "Hvilket design er bedre?" Svaret på spørgsmålet ligger i produktet, brugeren og dataene; ikke i modellen.
- Læser ikke køretøjets datapolitik. Indtastning af kritiske data uden at vide, om dine data går til modeltræning eller ej.
- Forkert flydende for nøjagtighed. En velskrevet sætning betyder ikke en korrekt sætning.
Sammenfattende
AI er en accelerator og blueprint-partner i UX-workflowet; Det påtager sig forberedelsesarbejdet på alle stadier, fra opdagelse til præsentation. Men dømmekraft, beslutning og ansvar forbliver hos designeren. "Hvor meget påvirker opgavens risiko brugeren?" Mål med spørgsmålet; øge din verifikation, efterhånden som risikoen stiger. Hallucination og bias er to permanente grænser: tilbagevend enhver påstand med beviser, test hver kliché med data. Transportere brugerdata ved at anonymisere dem inden for rammerne af KVKK og samtykke. Disse reflekser er det sikre grundlag for hver teknik i resten af modulet.
Ansøgningsopgave
- Nævn 5 designopgaver fra dit eget nuværende projekt (eller et fiktivt projekt).
- Placer hver opgave på risikotabellen ovenfor: lav, medium, høj.
- For hver opgave skal du skrive en sætning "rolle af AI" og "menneskelig godkendelse påkrævet."
- Hvis du har et interviewudskrift, skal du anonymisere det med den tredje prompt og gennemgå maskeringstabellen.
- Plot resultatet i en tabel og forklar i et afsnit, hvorfor den højeste risikoopgave kræver menneskelig godkendelse.
tjekliste
- [ ] Jeg placerede AI'en som en udkastgenerator, ikke som en beslutningstager.
- [ ] Jeg bestemte risikoniveauet for hver mission.
- [ ] Jeg har taget den vane at knytte output til beviser.
- [ ] Jeg har ikke uploadet personlige data til noget værktøj uden at anonymisere det.
- [ ] Jeg tjekkede datapolitikken for det køretøj, jeg bruger.
- [ ] Jeg tilføjede hallucinations- og bias-kontrol til min arbejdsgang.