Κέρδη:
- Δυνατότητα μετατροπής ακατέργαστων μεταγραφών συνεντεύξεων, απαντήσεων ανοιχτής έρευνας και υποστήριξης εισιτηρίων σε θέματα και πληροφορίες με τεχνητή νοημοσύνη
- Δυνατότητα επιτάχυνσης βημάτων ποιοτικής ανάλυσης, όπως χαρτογράφηση συνάφειας και κωδικοποίηση με υποστήριξη τεχνητής νοημοσύνης και επαλήθευση των αποτελεσμάτων με το ανθρώπινο μάτι
- Δυνατότητα εξάλειψης θεμάτων που έχουν δημιουργηθεί ή είναι υπερβολικά από την τεχνητή νοημοσύνη, συνδέοντάς τα με πραγματικά αποσπάσματα
Η πιο κουραστική και πιο εύκολα παρακάμπτουσα φάση της έρευνας των χρηστών είναι η σύνθεση: μετατρέποντας δεκάδες συνεντεύξεις, εκατοντάδες απαντήσεις σε έρευνες και δελτία υποστήριξης (αίτημα του χρήστη για βοήθεια) σε ουσιαστικές πληροφορίες. Αυτή η δουλειά διαρκεί μέρες με το χέρι. Γι' αυτό οι ομάδες συχνά κόβουν τις γωνίες και αποφασίζουν "από την αίσθηση". Η τεχνητή νοημοσύνη ανοίγει ακριβώς αυτό το σημείο συμφόρησης: αναλύει το ακατέργαστο κείμενο σε θέματα σε λίγα λεπτά αντί για ώρες. Αλλά η σύνθεση δεν είναι μια εργασία "παραγωγή σύνοψης". Είναι ένα τεκμηριωμένο, ελεγχόμενο σκεπτικό. Αυτή η ενότητα σάς δείχνει πώς μπορείτε να διατηρήσετε την αυθεντικότητα του insight καθιστώντας το AI συνεργάτη σύνθεσης.
Τι είναι ενόραση, όχι περίληψη
Ας διευκρινίσουμε πρώτα τον όρο. Το Insight είναι ένα ουσιαστικό μοτίβο που προκύπτει από τα δεδομένα και καθοδηγεί τη σχεδίαση: "Οι χρήστες παραιτούνται όχι στο στάδιο της ολοκλήρωσης αγοράς, αλλά όταν βλέπουν για πρώτη φορά τα έξοδα αποστολής". Αυτή δεν είναι περίληψη ("Οι χρήστες παραπονούνται για πληρωμή"). ούτε είναι παρατήρηση («Ο συμμετέχων 4 σταμάτησε όταν είδε τα έξοδα αποστολής»). Το Insight καταγράφει την κοινή αιτία που βασίζεται σε πολλές παρατηρήσεις και ανοίγει την πόρτα σε μια σχεδιαστική απόφαση.
Η τεχνητή νοημοσύνη έχει την τάση να παράγει περιλήψεις. Η δουλειά σας είναι να το τραβήξετε από τη σύνοψη στη διορατικότητα: "γιατί;" και "τι αλλάζει αυτό στο σχέδιο;" ενσωματώνοντας τις ερωτήσεις σας στην προτροπή.
Βήματα ποιοτικής ανάλυσης και η θέση της τεχνητής νοημοσύνης
Η ποιοτική (μη αριθμητική, βασισμένη σε κείμενο/παρατήρηση) ανάλυση προχωρά κλασικά με τα εξής βήματα:
- Κωδικοποίηση: Σε κάθε ουσιαστικό κομμάτι του κειμένου δίνεται μια ετικέτα ("ανησυχία για το κόστος αποστολής", "έλλειψη εμπιστοσύνης").
- Διάγραμμα συγγένειας (χαρτογράφηση συγγένειας): Παρόμοιες ετικέτες ομαδοποιούνται. οι ομάδες γίνονται θέματα.
- Προτεραιοποίηση θεμάτων: Ποιο θέμα φαίνεται από πόσους χρήστες και με ποια ένταση καθορίζεται.
- Διορατικότητα και συμβουλές: Θέματα "τι να κάνω;" συνδέεται με προτάσεις.
Το AI επιταχύνει σημαντικά τα βήματα 1 και 2: παράδοση αρχικής κωδικοποίησης και αρχικής ομαδοποίησης σε λίγα λεπτά. Ωστόσο, η σημασία των ομάδων, η σημασία των θεμάτων και η ακρίβεια των προτάσεων απαιτούν ανθρώπινη επαλήθευση. Το AI σας δίνει ένα «πρώτο σχέδιο χάρτη». Διορθώνεις τον χάρτη σύμφωνα με την πραγματικότητα.
Συμβουλή: Προτού πείτε στο AI να "εξάγει θέματα", δώστε του το σχήμα κωδικοποίησης (λίστα ετικετών). Με αυτόν τον τρόπο, λειτουργεί στην κοινή γλώσσα όλων και τα αποτελέσματα είναι συγκρίσιμα.
Αλυσίδα αποδεικτικών στοιχείων: κάθε θέμα συνδέεται με ένα απόσπασμα
Ο χρυσός κανόνας της σύνθεσης: κάθε θέμα συνδέεται με τουλάχιστον μια κατά λέξη παράθεση. Το απόσπασμα είναι απόδειξη ότι το θέμα είναι πραγματικό. Να συμπεριλαμβάνετε πάντα την απαίτηση αναφοράς όταν ζητάτε από το AI ένα θέμα. Πείτε του να μην παράγει ένα θέμα για το οποίο δεν μπορεί να βρει απόσπασμα. Με αυτόν τον τρόπο σταματάτε την ψευδαίσθηση στην πηγή: ένα επινοημένο θέμα επισημαίνεται ως "αβάσιμο" επειδή δεν έχει αντίστοιχο στην πηγή.
στρώμα
παράδειγμα
πηγή
παρατήρηση
"Ο συμμετέχων 4 εγκατέλειψε το καλάθι όταν είδε τα έξοδα αποστολής"
ηχογράφηση ένας προς έναν
Κωδικός
"απροσδόκητο κόστος"
Επισήμανση
θέμα
"Το κρυφό κόστος σπάει την εμπιστοσύνη"
επαναλάβετε σε 5 συμμετέχοντες
διορατικότητα
"Το κόστος αποστολής θα πρέπει να εμφανίζεται έγκαιρα"
Αφήνω το θέμα
Πρόταση
"Προσθήκη εκτίμησης αποστολής στη σελίδα προϊόντος"
Απόφαση σχεδιασμού
Αυτή η αλυσίδα ξεκινά όταν ένας ενδιαφερόμενος ρωτά "πώς το γνωρίζουμε αυτό;" Όταν ρωτάτε, σας επιτρέπει να επιστρέψετε από την παρατήρηση στο απόσπασμα.
τρεις μίνι θήκες
Περίπτωση 1 — 240 απαντήσεις σε έρευνα, 90 λεπτά. Μία ομάδα κωδικοποίησε 240 απαντήσεις έρευνας ανοιχτού τύπου (ελεύθερου κειμένου). Το μοντέλο πρότεινε 11 θέματα. Η ομάδα τα εξέτασε σε 90 λεπτά, τα μείωσε σε 7, συνδύασε 2 θέματα και αφαίρεσε 2 ως μη υποστηριζόμενα. Η χειρωνακτική εργασία 2 ημερών μειώθηκε σε μισή μέρα και η αλυσίδα των αποδεικτικών στοιχείων διατηρήθηκε.
Περίπτωση 2 — Έπιασε το υπερβολικό θέμα. Η τεχνητή νοημοσύνη δημιούργησε ένα ισχυρό θέμα «οι χρήστες μισούν την εφαρμογή». Όταν η ομάδα εξέτασε τα εισαγωγικά, διαπίστωσε ότι μόνο 2 συμμετέχοντες ήταν σκληροί, ενώ 18 ήταν ουδέτεροι. Το θέμα ξαναγράφτηκε ως «έντονη απογοήτευση σε μια συγκεκριμένη ροή». Μάθημα: Η τεχνητή νοημοσύνη μπορεί να υπερβάλει τη συναισθηματική ένταση. μετρήστε τη συχνότητα.
Περίπτωση 3 — Λείπει η γνώμη της μειοψηφίας. Ενώ το μοντέλο τόνισε τα θέματα της πλειοψηφίας, υποβάθμισε ένα κρίσιμο ζήτημα προσβασιμότητας που έθεσαν 3 συμμετέχοντες ως «ασήμαντο». Ο σχεδιαστής το παρατήρησε αυτό και το διατήρησε ως ξεχωριστό εύρημα. Αργότερα έγινε σαφές ότι αυτό το ζήτημα επηρέασε όλους τους χρήστες του προγράμματος ανάγνωσης οθόνης. Μάθημα: το σήμα μειοψηφίας δεν είναι πάντα «λιγότερο σημαντικό».
Αντιγράψιμα μηνύματα
Ο ρόλος σας: αναλυτής ποιοτικής έρευνας. Σχήμα κωδικοποίησης (ετικέτες): <<λίστα>>Εργασία: Κωδικοποιήστε την ανώνυμη μεταγραφή παρακάτω με αυτές τις ετικέτες. Προσθήκη [Συμμετέχων
Μετατρέψτε τα ακόλουθα κωδικοποιημένα δεδομένα σε ένα διάγραμμα εγγύτητας: ομαδοποιήστε παρόμοιους κωδικούς, ονομάστε κάθε ομάδα ένα θέμα. Για κάθε θέμα: μετρήστε σε πόσους μεμονωμένους συμμετέχοντες εμφανίζεται, συμπεριλάβετε τα 2 πιο δυνατά εισαγωγικά και γράψτε μια εξήγηση «γιατί» μιας πρότασης. Σημειώστε ξεχωριστά θέματα με αδύναμα στοιχεία.Δεδομένα: <<κωδικοί>>
Θέλω να δοκιμάσω το ακόλουθο θέμα: "<<θέμα>>". Καταχωρίστε ξεχωριστά τα εισαγωγικά που ΥΠΟΣΤΗΡΙΖΟΥΝ και ΑΠΟΡΡΙΠΤΟΥΝ αυτό το θέμα στο κείμενο πηγής. Στο τέλος, αξιολογήστε πόσο ισχυρά υποστηρίζεται το θέμα (ισχυρό/μέσο/αδύναμο). Πηγή: <<μεταγραφή>>
Μετατρέψτε αυτήν τη λίστα θεμάτων σε πληροφορίες και προτάσεις. Για κάθε θέμα: 1) διορατικότητα μιας πρότασης (που περιέχει «γιατί…»), 2) μια συγκεκριμένη πρόταση σχεδίασης, 3) ποια οθόνη/ροή επηρεάζει αυτή η πρόταση. Εάν η βάση είναι αδύναμη, γράψτε "χρειάζεται περισσότερη έρευνα". Θέματα: <<λίστα>>
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμος: «Ανάλυσε αυτές τις συζητήσεις και πες μου τα αποτελέσματα».
Αποτέλεσμα: Μια περίληψη χωρίς πηγές, χωρίς πληροφορίες συχνότητας και ανοιχτή σε υπερβολές.
Strong: "Κωδικοποιήστε αυτήν τη μεταγραφή με τις ετικέτες που σας έδωσα. Συνδέστε κάθε θέμα με το απόσπασμα από [Συμμετέχων
Αποτέλεσμα: Μια σύνθεση υψηλής συχνότητας, βασισμένη σε στοιχεία, ελεγχόμενη.
Διαφορά: ισχυρή προτροπή προτρέπει συχνότητα + εισαγωγικό + αδύναμη προτροπή αγκύρωσης. Αυτά αποτρέπουν την υπερβολή και τις παραισθήσεις.
Συνήθη λάθη
- Χωρίς να υπολογίζεται η συχνότητα. Λήψη απόφασης χωρίς να γνωρίζουμε αν κρύβονται 2 ή 20 άτομα πίσω από την πρόταση "Οι χρήστες θέλουν X".
- Λαμβάνοντας την ένταση του συναισθήματος ως έχει. Η τεχνητή νοημοσύνη τείνει να τονίζει έντονες εκφράσεις. Μπορεί να κρύβει μια ουδέτερη πλειοψηφία.
- Εξάλειψη του σήματος μειοψηφίας. Ένα ζήτημα που αντιμετωπίζουν λίγοι άνθρωποι μπορεί να είναι κρίσιμο (π.χ. προσβασιμότητα).
- Δεν απαιτείται αναφορά. Το θέμα χωρίς εισαγωγικά είναι το μη επαληθεύσιμο θέμα.
- Τερματίστε σε έναν γύρο. Η σύνθεση είναι επαναληπτική. Δοκιμάστε την πρώτη έξοδο και ακονίστε την προτροπή.
Συνοπτικά
Η σύνθεση είναι ο συλλογισμός που μετατρέπει τα ακατέργαστα δεδομένα σε διορατικότητα που καθοδηγεί το σχεδιασμό. Η τεχνητή νοημοσύνη επιταχύνει πολύ τα μηχανικά βήματα όπως η κωδικοποίηση και η ομαδοποίηση εγγύτητας, αλλά το νόημα και η σημασία της ενόρασης παραμένει ανθρώπινη. Ο χρυσός κανόνας είναι να συνδέσετε κάθε θέμα με ένα κυριολεκτικό απόσπασμα. μετρήστε συχνότητα, διορθώστε τη συναισθηματική υπερβολή, μην χάσετε το σήμα της μειοψηφίας. Όταν δημιουργείτε μια αλυσίδα αποδεικτικών στοιχείων που εκτείνεται από παρατήρηση σε απόσπασμα, από θέμα σε πρόταση, επιτυγχάνετε ένα ερευνητικό αποτέλεσμα που είναι τόσο γρήγορο όσο και υπερασπίσιμο.
Εργασία εφαρμογής
- Ανωνυμοποιήστε τις 8-10 (ή φανταστικές) απαντήσεις σας σε συνέντευξη/έρευνα.
- Γράψτε το δικό σας σχήμα κωδικοποίησης (6-8 ετικέτες) και κάντε το να κωδικοποιηθεί από την τεχνητή νοημοσύνη με την πρώτη προτροπή.
- Καταργήστε θέματα με τη δεύτερη προτροπή. Σημειώστε πόσοι συμμετέχοντες εμφανίζονται για κάθε θέμα.
- Δοκιμάστε το ισχυρότερο θέμα με την τρίτη προτροπή: συγκρίνετε υποστηρικτικά και αντικρουόμενα εισαγωγικά.
- Γράψτε ένα θέμα με τη μορφή πληροφοριών + πρότασης + επηρεαζόμενης οθόνης και σχεδιάστε την αλυσίδα των αποδεικτικών στοιχείων.
λίστα ελέγχου
- [ ] Έδωσα το σχήμα κωδικοποίησης μου στο AI εκ των προτέρων.
- [ ] Συνέδεσα κάθε θέμα με τουλάχιστον ένα κατά λέξη απόσπασμα.
- [ ] Μέτρησα πόσοι μεμονωμένοι συμμετέχοντες εμφανίστηκαν για κάθε θέμα.
- [ ] Συχνά διόρθωνα υπερβολικές συναισθηματικές εκφράσεις.
- [ ] Πήρα μια συνειδητή απόφαση αν θα εξαλείψω τα σήματα μειοψηφίας.
- [ ] Συνέδεσα τις πληροφορίες με τη συγκεκριμένη πρόταση σχεδίασης και την επηρεαζόμενη οθόνη.