Κέρδη:
- Δυνατότητα κωδικοποίησης δεδομένων συνέντευξης, έρευνας και παρατήρησης με τεχνητή νοημοσύνη και εξαγωγή θεμάτων και μοτίβων
- Δυνατότητα σύνταξης δηλώσεων προσώπων, ταξιδιού χρήστη και πληροφοριών με την υποστήριξη τεχνητής νοημοσύνης
- Προστασία έναντι κατασκευής και μεροληψίας συνδέοντας και επικυρώνοντας τις γνώσεις που δημιουργούνται από την τεχνητή νοημοσύνη στα ακατέργαστα δεδομένα
Τα καλά προϊόντα γεννιούνται από την πραγματική ανάγκη του χρήστη, όχι από το γούστο του σχεδιαστή. Ο τρόπος κατανόησης αυτής της ανάγκης είναι μέσω της έρευνας των χρηστών: συνεντεύξεις, έρευνες, παρατηρήσεις πεδίου, δοκιμές χρηστικότητας. Αλλά το πιο δύσκολο μέρος της έρευνας δεν είναι η συλλογή των δεδομένων, αλλά η κατανόηση αυτών. Απαιτείται εμπειρία και χρόνος για να διαβάσετε δεκάδες σελίδες απομαγνητοφώνησης συνεντεύξεων και εκατοντάδες απαντήσεις σε έρευνες και να εξαγάγετε πραγματικά μοτίβα, ανάγκες και ιδέες (διόραση, η έννοια "aha" πίσω από τα δεδομένα). Εδώ η τεχνητή νοημοσύνη είναι ένας ισχυρός βοηθός σύνθεσης: κωδικοποιεί γρήγορα μεγάλα κομμάτια κειμένου, ομαδοποιεί θέματα, επισημαίνει μοτίβα. Αλλά αυτή η ίδια δύναμη, αν δεν χρησιμοποιηθεί προσεκτικά, παράγει ψευδείς αναφορές, παραμορφωμένη έμφαση και μεροληψία. Αυτή η ενότητα εξηγεί πώς να χρησιμοποιήσετε την τεχνητή νοημοσύνη ως επιταχυντή στη σύνθεση της έρευνας και γιατί θα πρέπει να συνδέετε κάθε πληροφορία με ακατέργαστα δεδομένα.
Τι είναι η σύνθεση της έρευνας και πού ταιριάζει η τεχνητή νοημοσύνη;
Τα ακατέργαστα δεδομένα της έρευνας είναι ακατάστατα: ένας χρήστης λέει ότι «ψάχνει το καλώδιο φόρτισης κάθε φορά», ένας άλλος λέει «το νυχτερινό φως είναι πολύ φωτεινό», ένας άλλος παραπονιέται ότι «δεν μπορεί να βρει τα κουμπιά στο σκοτάδι». Η σύνθεση είναι η πράξη της ομαδοποίησης αυτών των μεμονωμένων δηλώσεων ("η νυχτερινή χρήση είναι προβληματική") και η μετατροπή τους σε διορατικότητα ("οι χρήστες χρησιμοποιούν αυτό το προϊόν καλύτερα στο σκοτάδι, αλλά το προϊόν έχει σχεδιαστεί για χρήση κατά τη διάρκεια της ημέρας"). Στην κλασική μέθοδο, οι σχεδιαστές το κάνουν αυτό με ένα διάγραμμα συγγένειας (φυσική/ψηφιακή ομαδοποίηση παρόμοιων σημειώσεων).
Το AI επιταχύνει πολλά βήματα αυτής της διαδικασίας:
- Κωδικοποίηση: Εκχώρηση ετικετών θεμάτων σε κάθε δήλωση ("νυχτερινή χρήση", "δυσκολία εγκατάστασης"). Το AI προσθέτει προετικέτες εκατοντάδων φράσεων μέσα σε λίγα λεπτά.
- Θέμα: Συλλογή ετικετών σε υπερσύνολα. Το AI επισημαίνει επαναλαμβανόμενα μοτίβα.
- Σκίτσο Insight: Πρόταση «αχα» προτάσεων από θέματα. Το AI παράγει προσχέδια, εσείς φιλτράρετε.
- Προσωπικό και περίγραμμα ταξιδιού: Σκιαγράφηση τυπικών προφίλ χρηστών και βημάτων χρήσης.
Κρίσιμος κανόνας: Η τεχνητή νοημοσύνη συνοψίζει και ομαδοποιεί, αλλά τα ακατέργαστα δεδομένα λένε την αλήθεια. Κάθε θέμα και κάθε απόσπασμα θα πρέπει να συνδέεται με το πραγματικό αντίγραφο της συνέντευξης και να επαληθεύεται.
Οι δύο μεγαλύτεροι κίνδυνοι: ψεύτικα εισαγωγικά και προκατάληψη
Υπάρχουν δύο επικίνδυνες παγίδες της τεχνητής νοημοσύνης στη σύνθεση της έρευνας. Το πρώτο είναι κατασκευασμένο απόσπασμα (ψευδαίσθηση): Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει ένα απόσπασμα χρήστη που δεν είναι στα δεδομένα αλλά "ακούγεται σωστό". Αυτό είναι το πιο επικίνδυνο λάθος στην έρευνα επειδή παίρνετε μια πραγματική απόφαση σχεδιασμού με βάση πλαστά στοιχεία. Το δεύτερο είναι η παραμόρφωση και η προκατάληψη: η τεχνητή νοημοσύνη μπορεί να υπερβάλει την άποψη της πλειοψηφίας και να διαγράψει τη σημαντική αλλά ελάχιστα ειπωμένη ανάγκη της μειοψηφίας. ή στερεότυπα στα δεδομένα εκπαίδευσης («οι ηλικιωμένοι φοβούνται την τεχνολογία») μπορεί να διαρρεύσουν στην έρευνά σας. Ο μόνος τρόπος για να προστατευτείτε και από τα δύο: συνδέστε κάθε έξοδο ξανά στα πρωτογενή δεδομένα και ρωτήστε "σε ποια συνομιλία, σε ποια γραμμή, συμβαίνει πραγματικά αυτό το απόσπασμα;" είναι να κάνω την ερώτηση.
Προσοχή: Μην συμπεριλάβετε αποσπάσματα χρηστών που δημιουργούνται από AI σε μια αναφορά, προσωπικότητα ή παρουσίαση χωρίς να τα βρείτε και να τα επιβεβαιώσετε αυτολεξεί στο ακατέργαστο κείμενο της συνέντευξης. Ένα απόκρυφο απόσπασμα παραποιεί μια πραγματική απόφαση σχεδιασμού.
Ασφαλής ροή σύνθεσης βήμα προς βήμα
- Ανωνυμοποίηση: Καθαρίστε τα προσωπικά δεδομένα (όνομα, επαφή, στοιχεία ταυτοποίησης) από τα αντίγραφα των συνεντεύξεων. Τα δεδομένα χρήστη είναι προσωπικά δεδομένα. Η εμπιστευτικότητα είναι απαραίτητη.
- Κωδικοποιήστε, αλλά ζητήστε την πηγή: Ζητήστε από το AI να ζητήσει την ακατέργαστη έκφραση και την αναφορά γραμμής/πηγής που αντιστοιχεί σε κάθε ετικέτα.
- Μετρήστε θέματα: "Πόσοι χρήστες το ανέφεραν αυτό;" παρακαλώ; Μην αφήνετε ένα άτομο να παρουσιάζει τη γνώμη του ως γενικό πρότυπο.
- Δέστε το insight πίσω: Κάτω από κάθε πρόταση insight, βάλτε τα πραγματικά εισαγωγικά στα οποία βασίζεται.
- Αναζητήστε αντιπαραδείγματα: Ρωτήστε το AI «υπάρχουν δηλώσεις που αντιτίθενται σε αυτό το θέμα, λένε το αντίθετο;» παρακαλώ; αυτό καταργεί την προκατάληψη και την υπεργενίκευση.
τρεις μίνι θήκες
Περίπτωση 1 — Κατασκευάστηκε απόσπασμα. Μια ομάδα συνοψίζει 12 συνομιλίες με AI. Η τεχνητή νοημοσύνη δημιουργεί ένα εντυπωσιακό απόφθεγμα, «Ένας από τους χρήστες είπε: «Θα αγόραζα αυτό το προϊόν ως δώρο»» και η ομάδα ήθελε να το συμπεριλάβει στην παρουσίαση. Ένας ερευνητής σαρώνει τα ακατέργαστα κείμενα. Τέτοια πρόταση δεν συναντάται σε καμία κουβέντα. Το AI «έφτιαξε» ένα απόσπασμα από τον γενικό θετικό τόνο. Το απόσπασμα αφαιρείται. Μάθημα: κάθε απόσπασμα επαληθεύεται αυτολεξεί στα ακατέργαστα δεδομένα.
Περίπτωση 2 — Διαγραφή μειονοτικής ανάγκης. Μια ομάδα σχεδιασμού διεξάγει μια μελέτη συσκευών κουζίνας με 20 χρήστες. Η σύντομη περιγραφή του AI υπογραμμίζει το θέμα «οι χρήστες ενδιαφέρονται για την ταχύτητα». Αλλά όταν η ομάδα επιστρέφει στα ακατέργαστα δεδομένα, βλέπει ότι 3 χρήστες ανέφεραν την ανάγκη για χρήση με το ένα χέρι (ένας με ανάπηρο χέρι, ένας που κρατά συνεχώς ένα μωρό). Η AI το έχει απορρίψει ως «μειοψηφία». Ωστόσο, αυτή είναι μια κρίσιμη εικόνα προσβασιμότητας που θα διαφοροποιήσει το προϊόν. Μάθημα: το αριθμητικό βάρος δεν σημαίνει πάντα σημασία. Η ανάγκη της μειονότητας μπορεί να είναι η πιο πολύτιμη γνώση.
Περίπτωση 3 — Σωστή χρήση. Ένας ερευνητής τροφοδοτεί 300 απαντήσεις ανοιχτού τύπου στην τεχνητή νοημοσύνη και λέει «δώστε ετικέτα σε κάθε απάντηση σε αυτά τα θέματα, μετρήστε πόσες απαντήσεις εμπίπτουν σε κάθε θέμα και παραθέστε 3 πραγματικά δείγματα απαντήσεων αυτολεξεί από κάθε θέμα». Το AI δημιουργεί 8 θέματα, αριθμούς και πραγματικά εισαγωγικά. Ο ερευνητής ελέγχει τα δείγματα εισαγωγικών στα ακατέργαστα δεδομένα, είναι όλα αληθινά. Αυτό κάνει τον πίνακα την αρχή της μελέτης συγγένειας. Μάθημα: δομημένη προτροπή που ζητά απαρίθμηση + κατά λέξη παράθεση αξιόπιστη και επαληθεύσιμη σύνθεση.
Αντιγράψιμα πρότυπα προτροπών
ΠΡΟΤΥΠΟ ΑΣΦΑΛΗΣ ΚΩΔΙΚΟΠΟΙΗΣΗΣ "Προσθέστε ετικέτα στις ακόλουθες (ανώνυμες) δηλώσεις συνέντευξης σε θέματα. Για κάθε δήλωση: (1) το θέμα που εκχωρήσατε, (2) το ΑΚΡΙΒΕΣ κείμενο της δήλωσης, (3) αναφορά πηγής [αριθμός συνέντευξης/γραμμή]. ΜΗΝ κάνετε καμία δήλωση που ΔΕΝ υπάρχει στο κείμενο. Επισημάνετε "αβέβαιο" τη δήλωση."
ΠΡΟΤΥΠΟ ΜΕΤΡΗΣΗΣ ΘΕΜΑΤΩΝ"Εξαγωγή θεμάτων από τα ακόλουθα κωδικοποιημένα δεδομένα. Για κάθε θέμα: πόσοι ΔΙΑΦΟΡΕΤΙΚΟΙ χρήστες το εξέφρασαν, παράδειγμα 3 κατά λέξη (με την πηγή). Μην παρουσιάζετε μια γνώμη που εκφράζεται από ένα άτομο ως "γενικό μοτίβο", γράψτε τη συχνότητα με σαφήνεια. Δεδομένα: [επικόλληση]."
ΑΝΤΙΠΑΡΑΔΕΙΓΜΑ / ΠΡΟΤΥΠΟ ΚΑΤΑΠΟΛΕΜΗΣΗΣ ΠΡΟΚΑΤΑΛΗΨΕΩΝ "Θέλω να δοκιμάσω το ακόλουθο πρότυπο πληροφοριών: "[insight]". Καταχωρίστε δηλώσεις στα μη επεξεργασμένα δεδομένα που ΕΝΑΝΤΙΑ σε αυτό το insight, υπονοούν το αντίθετο ή είναι μειοψηφία, αλλά μπορεί να είναι σημαντικά. Ο στόχος είναι να συλλάβουμε την υπερβολική γενίκευση και την προκατάληψη. Δεδομένα: [επικόλληση]."
ΠΡΟΤΥΠΟ ΠΙΣΩ ΣΥΝΔΕΣΗΣ INSIGHT "Γράψτε την ακόλουθη insight πρόταση: [insight]. Αμέσως παρακάτω, βάλτε πραγματικά αποσπάσματα (κατά λέξη, με πηγή) που ΥΠΟΣΤΗΡΙΖΟΥΝ αυτήν τη γνώση. Εάν δεν υπάρχουν αρκετά άμεσα στοιχεία, πείτε "ανεπαρκή στοιχεία". ΜΗΝ ΠΡΟΣΘΕΤΕΤΕ πλαστά στοιχεία."
Αδύναμη προτροπή / Ισχυρή προτροπή
ΑΔΥΝΑΤΗ ΠΡΟΤΑΣΗ: "Συνοψήστε αυτές τις συνομιλίες και δώστε μου τις πληροφορίες."
ΙΣΧΥΡΗ ΠΡΟΤΑΣΗ: "Αναλύστε τις 12 ανώνυμες συνεντεύξεις παρακάτω. (1) Επισημάνετε τις δηλώσεις σε θέματα. (2) Μετρήστε πόσοι διαφορετικοί χρήστες ανέφεραν κάθε θέμα. (3) Δώστε 2 ΑΚΡΙΒΕΣ εισαγωγικές για κάθε θέμα (με αριθμό συνέντευξης). (4) Συλλέξτε μειοψηφικές αλλά δυνητικά σημαντικές ανάγκες σε ξεχωριστή επικεφαλίδα. (5) το κείμενο ΜΗΝ δημιουργείτε εισαγωγικά που δεν υπάρχουν: [επικόλληση].
Το αδύναμο μήνυμα δίνει στην τεχνητή νοημοσύνη την ελευθερία να παραμορφώνει και να κατασκευάζει. Κάνει τη σύνθεση επαληθεύσιμη με ισχυρή άμεση καταμέτρηση, κατά λέξη, προστασία μειοψηφίας και "απαγόρευση κατασκευής".
Συνήθη λάθη
- Χρησιμοποιώντας την προσφορά που δημιουργείται από AI χωρίς να την ελέγξετε στα πρωτογενή δεδομένα. Η κατασκευασμένη παράθεση είναι το πιο επικίνδυνο ερευνητικό λάθος.
- Θεωρώντας ότι η αριθμητική πλειοψηφία είναι το μόνο κριτήριο σπουδαιότητας. Η ανάγκη της μειοψηφίας είναι συχνά η πιο πολύτιμη γνώση.
- Παροχή προσωπικών δεδομένων στην τεχνητή νοημοσύνη χωρίς την ανωνυμοποίησή της. Τα δεδομένα χρήστη είναι προσωπικά δεδομένα. Η εμπιστευτικότητα είναι υποχρεωτική.
- Δεν ψάχνω για αντιπαραδείγματα. Η σύνθεση που δεν δοκιμάζει το αντίθετο ενισχύει την προκατάληψη.
- Παρεξήγηση μιας σύντομης Τεχνητής Νοημοσύνης ως «έρευνα». Η σύνθεση είναι μια αρχή. Το Insight βασίζεται σε ακατέργαστα δεδομένα.
Συμβουλή: Κάτω από κάθε insight, ρωτήστε "ποια 2-3 πραγματικά εισαγωγικά υποστηρίζουν αυτό;" Γράψε την ερώτηση. Εάν δεν υπάρχει απάντηση, αυτή η διορατικότητα εξακολουθεί να είναι μια υπόθεση, όχι ένα εύρημα.
Συνοπτικά
Η τεχνητή νοημοσύνη είναι ένας ισχυρός επιταχυντής στη σύνθεση της έρευνας χρηστών: κωδικοποιεί εκατοντάδες φράσεις, ομαδοποιεί θέματα και παράγει πληροφορίες και πρόσωπα. Υπάρχουν όμως δύο σημαντικοί κίνδυνοι: κατασκευασμένα εισαγωγικά και παραμόρφωση/προκατάληψη. Ο τρόπος για να αποφύγετε αυτά είναι να συνδέσετε κάθε θέμα και να αναφέρετε τα ακατέργαστα δεδομένα, τη συχνότητα μέτρησης, τη διατήρηση των μειοψηφικών αναγκών και την αναζήτηση αντιπαραδειγμάτων. Ανωνυμοποιήστε τα δεδομένα των χρηστών, ζητήστε από την τεχνητή νοημοσύνη επί λέξει αποσπάσματα και πηγές, επιβάλετε έναν κανόνα «μη κατασκευής» και μην υπολογίζετε τυχόν πληροφορίες ως ευρήματα χωρίς να τα υποστηρίζετε με στοιχεία.
Εργασία εφαρμογής
Έχετε 8-10 σύντομες μαρτυρίες χρηστών, πραγματικές ή φανταστικές. Ανωνυμοποιήστε τους όλους πρώτα. Έχετε τα θέματα των ετικετών AI με το πρότυπο "ασφαλούς κωδικοποίησης". στη συνέχεια ζητήστε συχνότητα και επί λέξει εισαγωγικά με το πρότυπο «Αριθμός θεμάτων». Ελέγξτε τα εισαγωγικά που δίνονται από το AI στο ακατέργαστο κείμενο ένα προς ένα και σημειώστε αν είναι αληθινά ή όχι. Τέλος, με το πρότυπο «Αντιπαράδειγμα», αναζητήστε δηλώσεις που έρχονται σε αντίθεση με το κύριο θέμα σας και σημειώστε εάν βρίσκετε μια ανάγκη μειοψηφίας.
λίστα ελέγχου
- [ ] Ανωνυμοποίησα τα δεδομένα χρήστη πριν τα δώσω στο AI.
- [ ] Ζήτησα από την τεχνητή νοημοσύνη κατά λέξη εισαγωγικά και αναφορές πηγών για κάθε θέμα.
- [ ] Επιβεβαίωσα κάθε προσφορά βρίσκοντάς την στα πρωτογενή δεδομένα (έλεγχος προσαρμογής).
- [ ] Μέτρησα τη συχνότητα των θεμάτων και κράτησα χωριστά τις μειονοτικές ανάγκες.
- [ ] Έλεγξα για μεροληψία αναζητώντας αντιπαραδείγματα στα κύρια θέματα μου.
- [ ] Σημείωσα συμπεράσματα που δεν βασίστηκαν σε στοιχεία ως «υποθέσεις» και δεν τα υπολόγισα ως ευρήματα.