ترکیب تحقیقات کاربر و تولید بینش

سود:

• امکان کدگذاری داده های مصاحبه، نظرسنجی و مشاهده با هوش مصنوعی و استخراج تم ها و الگوها
• امکان پیش نویس شخصیت، سفر کاربر و بیانیه های بینش با پشتیبانی از هوش مصنوعی
• محافظت در برابر ساختگی و سوگیری با اتصال و اعتبارسنجی بینش های تولید شده توسط هوش مصنوعی به داده های خام

محصولات خوب از نیاز واقعی کاربر زاده می شوند، نه از سلیقه طراح. راه برای درک این نیاز از طریق تحقیقات کاربر است: مصاحبه، نظرسنجی، مشاهدات میدانی، تست های قابلیت استفاده. اما دشوارترین بخش تحقیق، جمع آوری داده ها نیست، بلکه درک آن است. خواندن ده‌ها صفحه متن مصاحبه و صدها پاسخ نظرسنجی و استخراج الگوها، نیازها و بینش‌های واقعی (بصیرت؛ «آها» به معنای پشت داده‌ها) به تجربه و زمان نیاز دارد. اینجاست که هوش مصنوعی یک دستیار سنتز قدرتمند است: به سرعت تکه های بزرگی از متن را کد می کند، مضامین را گروه بندی می کند، الگوها را نشان می دهد. اما همین قدرت، اگر با دقت مورد استفاده قرار نگیرد، نقل قول های جعلی، تأکید تحریف شده و سوگیری ایجاد می کند. این بخش نحوه استفاده از هوش مصنوعی را به عنوان یک شتاب دهنده در ترکیب تحقیقاتی و اینکه چرا باید هر بینش را به داده های خام متصل کنید، توضیح می دهد.

سنتز تحقیق چیست و هوش مصنوعی در کجا قرار می گیرد؟

داده‌های تحقیق خام آشفته است: یکی از کاربران می‌گوید «هر بار به دنبال کابل شارژ می‌گردد»، دیگری می‌گوید «نور شب خیلی روشن است»، دیگری شکایت می‌کند که «دکمه‌ها را در تاریکی پیدا نمی‌کند». سنتز عمل گروه بندی این عبارات واحد ("استفاده در شب مشکل ساز است") و تبدیل آنها به بینش است ("کاربران از این محصول در تاریکی بهترین استفاده را می کنند، اما محصول برای استفاده در روز طراحی شده است"). در روش کلاسیک، طراحان این کار را با نمودار قرابت (گروه‌بندی فیزیکی/دیجیتال نت‌های مشابه) انجام می‌دهند.

هوش مصنوعی چندین مرحله این فرآیند را سرعت می بخشد:

1. کدگذاری: اختصاص تگ های موضوعی به هر عبارت ("مصرف شبانه"، "مشکل در نصب"). هوش مصنوعی صدها عبارت را در عرض چند دقیقه از قبل برچسب گذاری می کند.
2. تم: جمع آوری برچسب ها در سوپر مجموعه ها. هوش مصنوعی به تکرار الگوها اشاره می کند.
3. طرح بینش: پیشنهاد جملات "آها" از مضامین. هوش مصنوعی پیش نویس تولید می کند، شما فیلتر می کنید.
4. طرح کلی شخصیت و سفر: ترسیم نمایه های کاربر معمولی و مراحل استفاده.

قانون حیاتی: هوش مصنوعی خلاصه و گروه بندی می کند، اما داده های خام حقیقت را می گوید. هر موضوع و هر نقل قول باید به متن مصاحبه واقعی پیوند داده شود و تأیید شود.

دو خطر بزرگ: نقل قول های جعلی و سوگیری

دو دام خطرناک هوش مصنوعی در سنتز تحقیقاتی وجود دارد. اولین مورد، نقل قول ساختگی (توهم) است: هوش مصنوعی می تواند یک نقل قول کاربر ایجاد کند که در داده ها نیست اما "درست به نظر می رسد". این خطرناک ترین اشتباه در تحقیق است زیرا شما بر اساس شواهد جعلی تصمیم طراحی واقعی می گیرید. دوم تحریف و سوگیری است: هوش مصنوعی می تواند نظر اکثریت را مبالغه کند و نیاز مهم اقلیت را پاک کند. یا کلیشه‌های موجود در داده‌های آموزشی ("پیرمردها از فناوری می‌ترسند") ممکن است به تحقیقات شما نفوذ کند. تنها راه محافظت در برابر هر دو: هر خروجی را دوباره به داده خام وصل کنید و بپرسید "در کدام مکالمه، در کدام خط، این نقل قول واقعا رخ می دهد؟" پرسیدن سوال است

احتیاط: هیچ گونه نقل قول های کاربر ایجاد شده توسط هوش مصنوعی را در گزارش، پرسونا یا ارائه بدون یافتن و تأیید کلمه به کلمه در متن مصاحبه خام وارد نکنید. یک نقل قول غیرمعمول، یک تصمیم واقعی طراحی را نادرست نشان می دهد.

جریان سنتز ایمن مرحله به مرحله

1. ناشناس کردن: داده های شخصی (نام، تماس، جزئیات شناسایی) را از رونوشت های مصاحبه پاک کنید. داده های کاربر داده های شخصی است. محرمانه بودن ضروری است.
2. کدگذاری کنید، اما منبع را درخواست کنید: از هوش مصنوعی بخواهید که عبارت خام و مرجع خط/منبع مربوط به هر تگ را درخواست کند.
3. تعداد مضامین: "چند کاربر به این موضوع اشاره کردند؟" بپرس؛ اجازه ندهید یک نفر نظر خود را به عنوان یک الگوی کلی مطرح کند.
4. بینش را به عقب گره بزنید: زیر هر جمله بینش، نقل قول های واقعی را که بر اساس آن است، قرار دهید.
5. به دنبال مثال‌های متقابل باشید: از هوش مصنوعی بپرسید: «آیا عباراتی وجود دارد که با این موضوع مقابله کند، برعکس آن را بیان کنید؟» بپرس؛ این تعصب و تعمیم بیش از حد را از بین می برد.

سه کیف کوچک

مورد 1 - نقل قول ساختگی به دست آمد. یک تیم 12 مکالمه با هوش مصنوعی را خلاصه می کند. هوش مصنوعی یک نقل قول قابل توجه ایجاد می کند، "یکی از کاربران گفت، "من این محصول را به عنوان هدیه می خرم"" و تیم می خواست آن را در ارائه ارائه دهد. یک محقق متون خام را اسکن می کند. چنین جمله ای در هیچ مکالمه ای یافت نمی شود. هوش مصنوعی نقل قولی از لحن مثبت کلی ایجاد کرده است. نقل قول حذف شده است. درس: هر نقل قول به کلمه در داده های خام تأیید می شود.

مورد 2 - پاک کردن نیاز اقلیت. یک تیم طراحی یک مطالعه لوازم آشپزخانه با 20 کاربر انجام می دهد. خلاصه AI موضوع "کاربران به سرعت اهمیت می دهند" را برجسته می کند. اما وقتی تیم به داده‌های خام برمی‌گردد، می‌بیند که 3 کاربر نیاز به استفاده از یک دست را ذکر کرده‌اند (یکی با بازوی معلول، یکی دائماً نوزاد را حمل می‌کند). هوش مصنوعی این را به عنوان یک "اقلیت" رد کرده است. با این حال، این یک بینش دسترسی حیاتی است که محصول را متمایز می کند. درس: وزن عددی همیشه به معنای اهمیت نیست. نیاز اقلیت ممکن است ارزشمندترین بینش باشد.

مورد 3 - استفاده صحیح. یک محقق 300 پاسخ بدون پایان نظرسنجی را به هوش مصنوعی می‌دهد و می‌گوید: «هر پاسخی را به این مضامین برچسب بزنید، تعداد پاسخ‌ها را برای هر موضوع بشمارید و 3 پاسخ نمونه واقعی را به‌لفظ از هر موضوع نقل قول کنید». هوش مصنوعی 8 موضوع، اعداد و نقل قول واقعی را تولید می کند. محقق نمونه نقل قول ها را در داده های خام بررسی می کند، همه آنها واقعی هستند. این باعث می شود جدول شروع مطالعه قرابت باشد. درس: درخواست ساخت‌یافته برای شمارش + نقل قول به کلمه، ترکیبی قابل اعتماد و قابل تأیید را به همراه دارد.

الگوهای درخواستی قابل کپی

الگوی کدگذاری ایمن "گزاره های مصاحبه (ناشناس) زیر را در مضامین برچسب گذاری کنید. برای هر عبارت: (1) موضوعی که اختصاص داده اید، (2) متن دقیق بیانیه، (3) مرجع منبع [شماره/خط مصاحبه]. هیچ عبارتی را که در متن نیست ایجاد نکنید. برچسب "نامطمئن" بیانیه را بزنید."

الگوی شمارش طرح زمینه"از داده های رمزگذاری شده زیر مضامین استخراج کنید. برای هر موضوع: تعداد کاربران مختلف آن را بیان کرده اند، مثال 3 نقل قول کلمه به کلمه (با منبع). نظری را که توسط یک شخص بیان شده است به عنوان "الگوی کلی" ارائه ندهید؛ فراوانی را به وضوح بنویسید. داده ها: [چسباندن]."

نمونه متضاد / الگوی شکست پیش داوری "من می خواهم الگوی بینش زیر را آزمایش کنم: "[بینش]". عباراتی را در داده های خام فهرست کنید که بر خلاف این بینش هستند، برعکس هستند یا در اقلیت هستند اما ممکن است مهم باشند. هدف، تعمیم بیش از حد و تعصب است. داده ها: [ چسباندن]."

INSIGHT BACK-LINKING TEMPLATE "جمله بینش زیر را بنویسید: [insight]. بلافاصله در زیر، نقل قول های واقعی (به کلمه، با منبع) را قرار دهید که از این بینش پشتیبانی می کند. اگر شواهد مستقیم کافی وجود ندارد، بگویید "شواهد ناکافی". شواهد ساختگی را اضافه نکنید."

اعلان ضعیف / اعلان قوی

پیام ضعیف: "این گفتگوها را خلاصه کنید و بینش را به من بدهید."

تذکر قوی: "12 مصاحبه ناشناس زیر را تجزیه و تحلیل کنید. (1) عبارات را در موضوعات برچسب گذاری کنید. (2) شمارش کنید که چند کاربر مختلف هر موضوع را ذکر کرده اند. (3) 2 نقل قول دقیق برای هر موضوع ارائه دهید (با شماره مصاحبه). (4) جمع آوری نیازهای اقلیت اما بالقوه مهم را تحت عنوانی جداگانه جمع آوری کنید. متنی که وجود ندارد را ایجاد نکنید.

اعلان ضعیف به هوش مصنوعی آزادی تحریف و ساختن می دهد. این سنتز را با شمارش سریع قوی، نقل قول کلمه به کلمه، حفاظت از اقلیت، و "ممنوع ساختن" قابل تایید می کند.

اشتباهات رایج

• استفاده از نقل قول تولید شده توسط هوش مصنوعی بدون بررسی آن در داده های خام. نقل قول ساختگی خطرناک ترین اشتباه پژوهشی است.
• تصور اینکه اکثریت عددی تنها معیار اهمیت است. نیاز اقلیت اغلب با ارزش ترین بینش است.
• دادن اطلاعات شخصی به هوش مصنوعی بدون ناشناس کردن آن. داده های کاربر داده های شخصی است. محرمانه بودن الزامی است.
• به دنبال نمونه های متقابل نیستیم. ترکیبی که خلاف آن را آزمایش نمی کند، تعصب را تقویت می کند.
• اشتباه گرفتن خلاصه هوش مصنوعی با "تحقیق". سنتز یک آغاز است. بینش بر اساس داده های خام است.

نکته: در زیر هر بینش، بپرسید "چه 2-3 نقل قول واقعی این را پشتیبانی می کند؟" سوال را بنویسید اگر پاسخی وجود نداشته باشد، آن بینش هنوز یک فرضیه است، نه یک یافته.

به طور خلاصه

هوش مصنوعی یک شتاب‌دهنده قدرتمند در ترکیب تحقیقاتی کاربر است: صدها عبارت را کدگذاری می‌کند، مضامین گروه‌بندی می‌کند و بینش‌ها و شخصیت‌ها را تولید می‌کند. اما دو خطر عمده وجود دارد: نقل قول های ساختگی و تحریف/سوگیری. راه محافظت در برابر این موارد، پیوند دادن هر موضوع و نقل قول به داده های خام، تعداد دفعات، حفظ نیازهای اقلیت، و جستجوی نمونه های متقابل است. داده های کاربر را ناشناس کنید، از هوش مصنوعی به طور کلمه به کلمه نقل قول ها و منابع بخواهید، قانون "عدم ساختگی" را تحمیل کنید، و هیچ بینشی را بدون پشتیبان گیری از آنها با شواهد به عنوان یافته به حساب نیاورید.

وظیفه کاربردی

8 تا 10 توصیف کوتاه کاربر، واقعی یا تخیلی داشته باشید. ابتدا همه آنها را ناشناس کنید. تم های تگ هوش مصنوعی را با قالب "کدگذاری امن" داشته باشید. سپس با الگوی «تعداد تم» نقل قول های فراوانی و کلمه به کلمه را بخواهید. نقل قول های داده شده توسط هوش مصنوعی در متن خام را یکی یکی بررسی کنید و واقعی بودن یا نبودن آنها را علامت بزنید. در نهایت، با الگوی «مثال متقابل»، به دنبال عباراتی باشید که با موضوع اصلی شما در تضاد هستند و بنویسید که آیا نیاز اقلیت را پیدا می‌کنید یا خیر.

چک لیست

• [ ] من اطلاعات کاربر را قبل از دادن آن به هوش مصنوعی ناشناس کردم.
• [ ] من از هوش مصنوعی به طور کلمه به کلمه نقل قول و منابع منبع برای هر موضوع درخواست کردم.
• [ ] من هر نقل قول را با یافتن آن در داده های خام تأیید کردم (بررسی تناسب).
• [ ] من تعداد مضامین را شمردم و نیازهای اقلیت را جداگانه حفظ کردم.
• [ ] من با جستجوی نمونه های متقابل برای مضامین اصلی خود، سوگیری را آزمایش کردم.
• [ ] استنباط هایی را که مبتنی بر شواهد نبود به عنوان «فرضیه» علامت گذاری کردم و آنها را به عنوان یافته به حساب نیاوردم.