اخلاق، حریم خصوصی، حق چاپ و اکوسیستم ابزارهای هوش مصنوعی

سود:

• بتوانید استفاده از هوش مصنوعی را به طور مسئولانه از نظر اصالت طراحی، حق چاپ، حریم خصوصی داده ها و اخلاق الگوی تاریک چارچوب بندی کنید.
• امکان انتخاب ابزارهای UX مبتنی بر مدل Figma، Miro و زبان بزرگ با توجه به وظیفه و ادغام آنها در گردش کار
• امکان ایجاد خط مشی استفاده از هوش مصنوعی شخصی و شرکتی و چک لیست تایید

در طول این ماژول، ما از هوش مصنوعی به عنوان یک شتاب دهنده در هر مرحله از گردش کار UX استفاده کردیم. این واحد نهایی تمام این قدرت را در یک چارچوب مسئول قرار می دهد: مرزهای اخلاقی، حریم خصوصی داده ها، حق چاپ و مالکیت معنوی، و انتخاب ابزار مناسب برای شغل مناسب. برای یک طراح، اینها "توجه اضافی" نیستند، بلکه هسته اصلی حرفه هستند. زیرا طراحی رفتار میلیون ها نفر را هدایت می کند و می توان از این قدرت سوء استفاده کرد. هوش مصنوعی این مسئولیت را از بین نمی برد، بلکه آن را افزایش می دهد: وقتی ابزاری از طرف شما تولید سریعی انجام می دهد، نتیجه اخلاقی و قانونی خروجی همچنان متعلق به شماست.

الگوهای تاریک: سوء استفاده از قدرت

یک الگوی تاریک طراحی است که کاربر را فریب می دهد تا کاری را که نمی خواهد انجام دهد: پنهان کردن دکمه لغو، نوشتن "نه" به شیوه ای شرم آور ("نه، من نمی خواهم ذخیره کنم")، لغو اشتراک را عمدا دشوار می کند، چک باکس ها را از قبل علامت زده اند. این معیارها در کوتاه مدت افزایش می یابد، اما اعتماد کاربران را از بین می برد و به طور فزاینده ای مشمول تحریم های قانونی می شوند (مقررات حمایت از مصرف کننده آنها را در بسیاری از کشورها ممنوع می کند).

هوش مصنوعی می تواند تولید یک الگوی تاریک را برای شما آسان تر کند. درخواستی مانند "دکمه لغو را غیر قابل توجه کنید" از نظر فنی می تواند پاسخ داده شود. اما این درخواست غیر اخلاقی است و باید رد شود. وسیله نقلیه بهانه نیست. مسئولیت همیشه بر عهده طراح است. آزمون تورنسل برای طراحی اخلاقی ساده است: "اگر کاربر این طرح را درک کند، آیا باز هم آن را می پذیرد؟"

احتیاط: "AI پیشنهاد شده" یک دفاع نیست. مسئولیت یک خروجی غیراخلاقی بر عهده طراح است که از آن در محصول استفاده می کند.

حریم خصوصی داده ها و KVKK: از ابتدا تا انتها

اصلی که ما از زمان اولین واحد در اینجا به طور کامل بر روی آن تاکید کرده ایم. تحقیقات UX با داده های شخصی کار می کند و KVKK از این داده ها محافظت می کند. سه قانون هنگام استفاده از هوش مصنوعی ثابت می ماند:

1. ناشناس: شناسه های ماسک مانند نام، مخاطب، محل کار.
2. در محدوده رضایت خود بمانید: از استفاده مورد نظری که به شرکت کننده گفته اید تجاوز نکنید.
3. خط‌مشی داده‌های ابزار را بشناسید: کنترل کنید که داده‌ها کجا ذخیره می‌شوند و آیا به آموزش مدل می‌روند یا خیر. ابزارهای مورد تایید شرکت را انتخاب کنید.

وارد کردن داده های حیاتی در یک ابزار رایگان می تواند داده ها را در معرض اشخاص ثالث قرار دهد. در محیط شرکتی حتما از ابزارهای مورد تایید تیم امنیت اطلاعات استفاده کنید.

حق چاپ، مالکیت معنوی و اصالت

تصاویر، نمادها و متون تولید شده توسط هوش مصنوعی از نظر کپی رایت نامشخص هستند. یک مولد تصویر ممکن است خروجی تولید کند که بیش از حد شبیه به مصنوعاتی باشد که روی آن آموزش دیده است. این خطر نقض مالکیت معنوی دیگران را ایجاد می کند. سه کنترل برای استفاده تجاری ضروری است:

• شرایط مجوز: آیا حق استفاده تجاری از خروجی ابزار را دارید؟
• خطر شباهت: آیا خروجی به طرز خطرناکی شبیه به یک برند یا کار موجود است؟
• اصالت و شفافیت: در صورت لزوم سهم هوش مصنوعی در کارهای خلاقانه را اعلام کنید. کار دیگران را به عنوان کار اصلی خود معرفی نکنید.

اصالت در زمینه های آموزشی و خلاقیت نیز یک اخلاق حرفه ای است. هوش مصنوعی ممکن است نقطه شروع باشد، اما کار نهایی باید ورودی، قضاوت و مسئولیت شما را بر عهده بگیرد.

اکوسیستم ابزار: ابزار مناسب برای کار مناسب

ابزارهای هوش مصنوعی تقریباً به سه گروه تقسیم می شوند. هیچ کدام برای هر شغلی مناسب نیستند. بر اساس وظیفه انتخاب کنید

نوع وسیله نقلیه

مثال استفاده

قدرت اوست

توجه

مدل زبان بزرگ (متن)

ترکیب تحقیق، نوشتن تجربه کاربری، مستندسازی

تولید و تحلیل متن

توهم، حریم خصوصی داده ها

افزونه تعبیه شده در ابزار طراحی (به عنوان مثال در Figma)

Wireframe، پر کردن محتوا، طرح

سرعت در جریان طراحی

سازگاری، پیوند جزء

پلاگین هیئت مدیره همکاری (به عنوان مثال در Miro)

نمودار میل، طوفان فکری

سنتز تحقیق، گروه بندی

تایید انسانی

مولد تصویر/آیکون

تصویرسازی، مفهومی بصری

ایده بصری سریع

حق چاپ، مجوز، شباهت

رویکرد عملی: مدل زبان برای متن و تجزیه و تحلیل، پلاگین های درون ابزاری برای تولید طراحی، پلاگین های تخته سفید برای سنتز، ژنراتورها برای تصاویر بصری - اما در هر یک از بازتاب های اعتبارسنجی این ماژول استفاده می شود.

سه کیف کوچک

مورد 1 - درخواست الگوی تیره رد شد. یک مدیر محصول از طراح خواست تا «جریان لغو را آنقدر سخت کند که هیچ کس نتواند آن را لغو کند». طراح توضیح داد که این یک الگوی تاریک است و دارای اعتماد و خطر قانونی است. در عوض، او یک جریان صادقانه طراحی کرد که جایگزینی برای کسانی که لغو می کنند ارائه می دهد. نرخ لغو قابل کنترل باقی ماند، اعتماد حفظ شد.

مورد 2 - خطر کپی رایت شناسایی شد. تیمی می خواستند از نمادی شبیه لوگو که توسط هوش مصنوعی تولید شده بود استفاده کنند. در طی بررسی انطباق، مشخص شد که نماد به طور خطرناکی شبیه یک مارک معروف است و استفاده نشده است. درس: خروجی بصری همیشه برای شباهت بررسی می شود.

مورد 3 - از نقض محرمانه جلوگیری شد. یک طراح در حال آپلود مکالمات مشتری به همراه داده های شخصی در یک ابزار تایید نشده بود. سیاست نهادی مانع از این شد. داده ها ابتدا ناشناس شدند و از یک ابزار تایید شده استفاده شد. درس: خط مشی و ناشناس سازی از ابتدا اعمال می شود، نه پس از آن.

درخواست های قابل کپی

این درخواست طراحی را از نظر اخلاقی ارزیابی کنید: "<<درخواست>>". آیا کاربر را گمراه می کند، آزادی انتخاب را محدود می کند، آیا این یک الگوی تاریک است؟ تست تورنسل: اگر کاربر این را بفهمد، آیا باز هم آن را می پذیرد؟ اگر مشکل ساز است، یک جایگزین صادقانه پیشنهاد کنید.

این خروجی تصویر/نماد هوش مصنوعی را برای استفاده تجاری بررسی کنید: 1) آیا خطر شباهت به یک مارک یا کار معروف وجود دارد؟ 2) از نظر مجوز/استفاده تجاری باید به دنبال چه چیزی باشم؟ نکاتی را که باید بررسی کنید و در صورت لزوم هشدار "دریافت تاییدیه قانونی" را فهرست کنید. توضیحات تصویر: <<متن>>

پیش نویس خط مشی استفاده از هوش مصنوعی را برای ما بنویسید (برای تیم UX): چه داده هایی را می توان/نمی توان آپلود کرد، قانون ناشناس سازی، ابزار تایید شده، مرحله تأیید خروجی، کنترل حق نسخه برداری، مرزهای اخلاقی. به طور خلاصه و قابل اجرا به آن امتیاز گلوله بدهید.

کدام نوع ابزار هوش مصنوعی برای این کار مناسب تر است؟ "<<وظیفه>>". گزینه ها: مدل زبان / افزونه ابزار طراحی / پلاگین تخته سفید / تولید کننده تصویر. مناسب ترین مورد را انتخاب کنید، آن را توجیه کنید و خطری که باید در نظر گرفته شود را یادداشت کنید.

اعلان ضعیف / اعلان قوی

ضعیف: "آیا می توانم از این تصویر استفاده کنم؟"

نتیجه: یک پاسخ مبهم و سطحی که در ارزیابی ریسک ناکام است.

گوچلو: "این خروجی تصویر را برای استفاده تجاری بررسی کنید: آیا خطر تشابه وجود دارد، از نظر مجوز به چه نکاتی باید توجه کنم، آیا تایید قانونی لازم است؟"

نتیجه: چک لیست ریسک بتن و اطلاعیه تاییدیه مورد نیاز.

تفاوت: اعلان قوی شباهت + مجوز + ابعاد تأیید را به طور جداگانه جستجو می کند.

اشتباهات رایج

• اجتناب از مسئولیت با گفتن "هوش مصنوعی آن را پیشنهاد کرد". نتیجه اخلاقی و قانونی با طراح است.
• اشتباه گرفتن الگوهای تاریک برای "بهینه سازی". هر طرحی که کاربر را فریب دهد اعتماد و اعتبار را از بین می برد.
• استفاده از خروجی بصری بدون کنترل حق چاپ تشابه و ریسک صدور مجوز می تواند منجر به فاجعه تجاری شود.
• وارد کردن داده های حیاتی در یک وسیله نقلیه غیرمجاز. نقض KVKK و نشت داده ها.
• تحمیل یک ابزار واحد برای هر شغل. عدم انتخاب وسیله نقلیه با توجه به نوع کار باعث کاهش کارایی و کیفیت می شود.

به طور خلاصه

قدرت هوش مصنوعی مسئولیت را از بین نمی برد. بزرگ می کند. طراحی اخلاقی از فریب کاربر خودداری می کند. الگوهای تاریک، اعتماد و امنیت قانونی را قربانی سود کوتاه مدت می کنند. حریم خصوصی داده ها توسط ابزارهای ناشناس، رضایت و تایید شده در چارچوب KVKK محافظت می شود. حق چاپ و اصالت مستلزم تشابه و کنترل مجوز است، به ویژه در خروجی بصری و خلاق. اکوسیستم ابزار را با توجه به کار انتخاب کنید: مدل زبان به متن، پلاگین ابزار برای طراحی، تخته به سنتز، مولد به بصری - اما در هر یک، بازتاب تأیید ثابت می‌ماند. خط مشی هوش مصنوعی خود و تیمتان را بنویسید. بنابراین سرعت با مسئولیت متعادل می شود.

وظیفه کاربردی

1. با درخواست سوم، پیش نویس خط مشی استفاده از هوش مصنوعی مختصری را برای تیم UX خود تهیه کنید.
2. خط مشی را با سیاست های احراز هویت و حفظ حریم خصوصی این ماژول مقایسه کنید و شکاف ها را پر کنید.
3. با اولین اعلان یک درخواست طرح مشکوک را در آزمون تورنسل اخلاقی قرار دهید.
4. حق چاپ هر تصویر هوش مصنوعی را که استفاده می کنید یا با فرمان دوم استفاده خواهید کرد، بررسی کنید.
5. یک چک لیست خود تأیید ایجاد کنید و آن را روی میز خود آویزان کنید.

چک لیست

• [ ] من درخواست های الگوی تاریک را رد کردم و یک جایگزین صادقانه تولید کردم.
• [ ] من آزمون تورنسل اخلاقی را اعمال کردم ("آیا کاربر اگر آن را بفهمد آن را می پذیرد؟").
• [ ] من اطلاعات شخصی را ناشناس کردم و فقط از ابزارهای تایید شده استفاده کردم.
• [ ] من خروجی های بصری را از نظر حق چاپ و شباهت بررسی کردم.
• [ ] من کار را با نوع وسیله نقلیه صحیح مطابقت دادم.
• [ ] من یک خط مشی استفاده از هوش مصنوعی و لیست تأیید ایجاد کردم.

امتحان ماژول

1. یک طراح UX موضوع «کاربران سرعت می‌خواهند» را که هوش مصنوعی از 20 مصاحبه به دست آورده است را در گزارش تحقیقاتی خود بدون توجه به هیچ نقل قولی قرار می‌دهد. در ارائه، ذینفع می پرسد "در کدام جلسه؟" وقتی پرسیده می شود، هیچ مبنایی پیدا نمی شود. درس اصلی این وضعیت چیست؟

• الف) اتصال خروجی هوش مصنوعی به نقل قول مصاحبه واقعی و استفاده از آن بدون تایید آن. ✔ نادیده گرفتن مسئولیت برای ایجاد دنباله شواهد
• ب) استفاده از هوش مصنوعی در سنتز تحقیقات اکیدا ممنوع است
• ج) تعداد جلسات به جای 20 جلسه 50 جلسه باشد
• د) موضوع در جدول ارائه نشده است

توضیحات: هوش مصنوعی می تواند مضامین روان اما بی اساس (توهم) تولید کند. هر خروجی ترکیبی نباید بدون تأیید و پیوند به نقل قول و منبع واقعی کاربر وارد یک گزارش یا تصمیم شود. مسئولیت بر عهده طراح است.

2. کدام یک از کارهای زیر از هوش مصنوعی با بیشترین ریسک استفاده می کند و لزوماً نیاز به تأیید نهایی طراح دارد؟

• الف) تولید سه تغییر چیدمان مختلف برای یک قاب سیمی
• ب) پنج گزینه برای متن دکمه پیشنهاد کنید
• ج) تصمیم گیری نهایی مبنی بر اینکه یک رابط در دسترس است و نیازهای کاربر را برآورده می کند ✔
• د) جمع بندی یادداشت جلسه

توضیحات: تصمیم نهایی در مورد تأیید دسترس‌پذیری و نیاز واقعی کاربر، ریسک بالایی دارد زیرا مستقیماً بر تجربه افراد تأثیر می‌گذارد. تولید پیش نویس وایرفریم یا تغییر متن کم خطر است. قضاوت و تایید نهایی متعلق به طراح است.

3. مهم ترین مرحله قبل از آپلود رونوشت تماس کاربر در هوش مصنوعی چیست؟

• الف) رونوشت را همانطور که هست با تمام اطلاعات شخصی آپلود کنید
• ب) ناشناس کردن اطلاعات شخصی (نام، تماس، محل کار) و کار در محدوده رضایت و خط مشی شرکت ✔
• ج) ابتدا رونوشت را به انگلیسی ترجمه کنید
• د) تبدیل رونوشت به تصویری

توضیحات: متن مصاحبه حاوی اطلاعات شخصی مانند نام، تلفن و محل کار است. مطابق با KVKK و محدودیت های رضایت، این داده ها باید قبل از انتقال به هوش مصنوعی ناشناس یا پوشانده شوند. وسیله نقلیه مورد تایید موسسه باید استفاده شود.

4. یک پرسونای تولید شده توسط هوش مصنوعی حاوی جمله ای است مانند "کاربران مسن تر از فناوری می ترسند". رویکرد درست چیست؟

• الف) جمله را به حال خود رها کنید، زیرا هوش مصنوعی خنثی است
• ب) پرسونا را به طور کامل حذف کنید
• ج) کلیشه را علامت گذاری کنید، آن را با داده های واقعی آزمایش کنید و اگر پشتیبانی نمی شود حذف کنید ✔
• د) تاکید بیشتر بر جمله

توضیح: هوش مصنوعی ممکن است حاوی کلیشه ها و سوگیری ها از داده هایی باشد که بر روی آنها آموزش داده شده است. Persona باید بر اساس داده های بخش واقعی باشد. کلیشه‌ها باید علامت‌گذاری شوند و در برابر داده‌ها آزمایش شوند و تعمیم‌های پشتیبانی‌نشده باید حذف شوند.

5. «نقشه قرابت» در سنتز تحقیقات کیفی به چه معناست؟

• الف) روش رسیدن به مضامین با گروه بندی مشاهدات و نقل قول های مشابه ✔
• ب) نظرسنجی برای سنجش نزدیکی کاربران به یکدیگر
• ج) تکنیک انتخاب پالت رنگ
• د) یک نوع انیمیشن نمونه اولیه

توضیح: نمودار مجاورت عبارت است از گروه بندی مشاهدات و نقل قول ها با توجه به شباهت ها و تبدیل آنها به مضمون. هوش مصنوعی می‌تواند گروه‌بندی اولیه را سرعت بخشد، اما معنای گروه‌ها باید توسط انسان تأیید شود.

6. یک طراح به هوش مصنوعی می‌گوید «متن دکمه بنویسد» و یک نتیجه یک کلمه‌ای بدون زمینه دریافت می‌کند. برای اعلان قوی‌تر چه چیزی باید اضافه شود؟

• الف) فقط گفتن "بهتر بنویس"
• ب) دستور را به انگلیسی بنویسید
• ج) چندین بار تکرار یک فرمان
• د) هدف از نمایش، زمینه کاربر، لحن برند، محدودیت طول و ارائه تعداد مورد نظر از تغییرات ✔

توضیحات: اعلان قدرتمند زمینه را نشان می دهد: هدف صفحه، کاری که کاربر در حال حاضر انجام می دهد، لحن برند، محدودیت طول و تعداد تغییرات. درخواست بدون زمینه خروجی عمومی و غیرقابل استفاده تولید می کند.

7. هنگام اولویت بندی یافته های تست قابلیت استفاده، «شدت» چگونه تعیین می شود؟

• الف) با توجه به سابقه فردی که مشکل را پیدا کرده است
• ب) با توجه به تأثیر مشکل بر کاربر، فرکانس و تأثیر تجاری ✔
• ج) با توجه به ترتیب یافته های گزارش
• د) با توجه به امتیاز تصادفی داده شده توسط هوش مصنوعی

توضیحات: شدت با معیارهایی مانند میزان تأثیر مشکل بر روی کاربر (آیا از تکمیل کار جلوگیری می کند)، تعداد کاربرانی که دیده است و تأثیر تجاری تعیین می شود. هوش مصنوعی ممکن است پیش‌نویس رتبه‌بندی را پیشنهاد کند، اما تصمیم نهایی در مورد وزن به عهده طراح و تیمش است.

8. کدام یک در مورد توصیه های دسترسی به هوش مصنوعی (به عنوان مثال متن جایگزین) صادق است؟

• الف) گواهی هوش مصنوعی دسترسی را تضمین می کند، هیچ آزمایش اضافی مورد نیاز نیست
• ب) دسترسی فقط به انتخاب رنگ بستگی دارد
• ج) متن جایگزین مورد نیاز نیست
• د) هوش مصنوعی پیش نویس تولید می کند. دسترسی واقعی توسط فناوری کمکی و آزمایش کاربر تأیید شده است ✔

توضیحات: هوش مصنوعی می‌تواند طرح‌هایی سریع برای متن جایگزین و کنتراست ایجاد کند، اما دسترسی واقعی تنها با آزمایش با صفحه‌خوان‌ها و کاربران واقعی فناوری کمکی تأیید می‌شود. پیشنهاد خودکار مقدماتی است، نه اثبات.

9. در یک متن رابط، هوش مصنوعی پیام خطای «عملیات شما ناموفق بود، دوباره امتحان کنید» را پیشنهاد می‌کند. بهترین پیشرفت از نظر نوشتن تجربه کاربری چیست؟

• الف) کد خطای فنی را به پیام اضافه کنید و کاربر را به حال خود رها کنید
• ب) پیام را به طور کامل حذف کنید
• ج) با زبان واضح و غیر اتهامی بنویسید که چه اتفاقی افتاده است، دلیل احتمالی و اقدام مشخصی که کاربر انجام خواهد داد.
• د) نوشتن "ERROR" با حروف بزرگ

توضیحات: یک پیام خطای خوب به وضوح بیان می کند که چه اتفاقی افتاده است، چرا، و کاربر باید چه کاری انجام دهد. اتهام آمیز نخواهد بود. فرمول "چه اتفاقی افتاد + چرا + مرحله بعدی" کاربر را در مسیر خود نگه می دارد. طرح AI با این معیار بهبود یافته است.

10. صحیح ترین نگرش در مورد وایرفریم تولید شده توسط ابزار هوش مصنوعی که رابطی را از متن ایجاد می کند چیست؟

• الف) استفاده مستقیم از خروجی به عنوان طرح نهایی
• ب) استفاده نکردن از خروجی به دلیل بی ارزش بودن
• ج) استفاده از خروجی فقط برای رنگ های آن
• د) خروجی را به‌عنوان پیش‌نویس شروع سریع در نظر بگیرید و آن را با محتوا، حاشیه‌ها و قابلیت دسترسی کامل کنید ✔

توضیحات: این ابزارها یک پیش نویس شروع سریع تولید می کنند، اما در مواردی مانند محتوای واقعی، موارد لبه، دسترسی، و مدل های ذهنی فاقد هستند. خروجی یک نقطه شروع است. طراح باید این را نقد کند و به بلوغ برساند.

11. مناسب ترین استفاده از هوش مصنوعی در کار سیستم طراحی چیست؟

• الف) مستندات مؤلفه و پیش نویس متن استفاده را تهیه کنید و آنها را توسط تیم تأیید کنید ✔
• ب) به طور خودکار کل سیستم طراحی را بدون تأیید منتشر کنید
• ج) تغییر رنگ برند بدون درخواست از طراح
• د) حذف اجزا از سیستم بدون تست کاربر

توضیحات: هوش مصنوعی در ایجاد سریع مستندات مؤلفه، اسکریپت‌های استفاده، نمونه‌های انجام/نباید، و پیش‌نویس‌های نام‌گذاری نشانه‌ها قدرتمند است. با این حال، پیشنهادات آنها باید از نظر مغایرت با سیستم فعلی بررسی شود. تصمیم تکینگی و سازگاری با تیم است.

12. یک طراح از هوش مصنوعی می خواهد که "دکمه لغو را غیرقابل توجه کند" برای یک طرح پنهان که کاربر را به یک اشتراک ناخواسته هدایت می کند. این چه نوع مشکلی است؟

• الف) بهبود ریز تعامل بی ضرر
• ب) بهبود دسترسی
• ج) یک قانون سیستم طراحی استاندارد
• د) الگوی تاریک که کاربر را گمراه می کند، غیراخلاقی است و خطر قانونی دارد ✔

توضیحات: طرح‌هایی که کاربر را به یک اقدام نامطلوب گمراه می‌کنند، «الگوهای تاریک» هستند که غیراخلاقی هستند و به طور فزاینده‌ای مشمول تحریم‌های قانونی می‌شوند. اگرچه هوش مصنوعی یک عامل است، مسئولیت آن بر عهده طراح است. چنین درخواستی باید رد شود.

13. قبل از استفاده از مجموعه تصویر یا آیکون تولید شده با هوش مصنوعی در محصول چه کنترلی لازم است؟

• الف) بدون نیاز به کنترل، خروجی هوش مصنوعی رایگان است
• ب) تایید شرایط گواهینامه خودرو، حق چاپ و خطر نزدیکی به آثار مشابه ✔
• ج) فقط اندازه فایل را بررسی کنید
• د) شمارش تعداد رنگ های تصویر

توضیحات: تصاویر هوش مصنوعی ممکن است از نظر مجوز، حق چاپ و شباهت برند نامشخص باشند. در استفاده تجاری، شرایط مجوز ابزار، نزدیکی بیش از حد به آثار مشابه و خطر مالکیت معنوی باید تأیید شود. در صورت لزوم، تأییدیه قانونی/انطباق باید اخذ شود.

14. رویکرد درست در مورد خط "احساس" تولید شده توسط هوش مصنوعی در نقشه سفر کاربر چیست؟

• الف) تایید احساسات با داده های تحقیق واقعی، علامت گذاری احساسات بی اساس به عنوان فرضیات ✔
• ب) پیش بینی احساسات هوش مصنوعی را به عنوان حقیقت مطلق در نظر بگیرید
• ج) نادیده گرفتن کامل خط عاطفه
• د) علامت گذاری احساسات با رنگ های تصادفی

توضیح: هوش مصنوعی می‌تواند احساسات و نقاط درد را به‌طور منطقی پیش‌بینی کند، اما اینها مفروضاتی هستند مگر اینکه توسط داده‌های واقعی کاربر پشتیبانی شوند. نقشه باید با استنادات تحقیق تایید شود. احساسات بی اساس باید به عنوان فرضیات مشخص شوند.