سود:
- توانایی تبدیل متن مصاحبه خام، پاسخ های نظرسنجی باز و بلیط های پشتیبانی به موضوعات و بینش با هوش مصنوعی
- امکان تسریع مراحل تحلیل کیفی مانند نقشهبرداری و کدگذاری قرابت با پشتیبانی هوش مصنوعی و تایید نتایج با چشم انسان
- امکان حذف تم های ساخته شده یا اغراق شده توسط هوش مصنوعی با پیوند دادن آنها به نقل قول های واقعی
خستهکنندهترین و راحتترین مرحله تحقیق کاربر، ترکیب است: تبدیل دهها مصاحبه، صدها پاسخ نظرسنجی، و بلیطهای پشتیبانی (درخواست کمک کاربر) به بینشهای معنادار. این کار با دست روزها طول می کشد. به همین دلیل است که تیمها معمولاً از کنار هم جدا میشوند و «بر اساس احساس» تصمیم میگیرند. هوش مصنوعی فقط این تنگنا را باز می کند: متن خام را به جای چند ساعت در چند دقیقه به مضامین تبدیل می کند. اما سنتز یک کار «تولید خلاصه» نیست. این یک استدلال مبتنی بر شواهد و قابل ممیزی است. این واحد به شما نشان می دهد که چگونه می توانید اعتبار بینش را حفظ کنید و در عین حال هوش مصنوعی را شریک سنتز خود قرار دهید.
آنچه بصیرت است نه خلاصه
بیایید ابتدا اصطلاح را روشن کنیم. بینش یک الگوی معنیدار است که از دادهها بیرون میآید و طراحی را هدایت میکند: "کاربران نه در مرحله پرداخت، بلکه زمانی که برای اولین بار هزینه حمل و نقل را میبینند، تسلیم میشوند." این یک خلاصه نیست ("کاربران در مورد پرداخت شکایت دارند")؛ این یک مشاهده نیست ("شرکت کننده 4 وقتی هزینه حمل و نقل را دید متوقف شد"). بینش علت مشترک بسیاری از مشاهدات را به تصویر میکشد و دری را برای تصمیمگیری طراحی باز میکند.
هوش مصنوعی به طور طبیعی تمایل به تولید خلاصه دارد. وظیفه شما این است که آن را از خلاصه به بینش بکشید: "چرا؟" و "این چه چیزی را در طراحی تغییر می دهد؟" با جاسازی سوالات خود در اعلان.
مراحل تحلیل کیفی و جایگاه هوش مصنوعی
تجزیه و تحلیل کیفی (غیر عددی، متنی/مبتنی بر مشاهده) به طور کلاسیک با این مراحل پیش می رود:
- کدگذاری: به هر قطعه معنی دار در متن یک برچسب داده می شود ("نگرانی هزینه حمل و نقل"، "عدم اطمینان").
- نمودار میل (Affinity Mapping): برچسب های مشابه گروه بندی می شوند. گروه ها به موضوع تبدیل می شوند.
- اولویت بندی موضوع: کدام موضوع توسط چند کاربر و با چه شدتی مشخص می شود.
- بینش و توصیه: مضامین "چه باید کرد؟" به جملات متصل می شود
هوش مصنوعی مراحل 1 و 2 را به شدت افزایش می دهد: ارائه کدگذاری اولیه و گروه بندی اولیه در عرض چند دقیقه. با این حال، معنای گروه ها، اهمیت مضامین و صحت پیشنهادات مستلزم تأیید انسانی است. هوش مصنوعی یک "نقشه پیش نویس اول" را به شما می دهد. شما نقشه را مطابق با واقعیت تصحیح می کنید.
نکته: قبل از اینکه به هوش مصنوعی بگویید «موضوعها را استخراج کند»، طرح کدگذاری خود (لیست برچسبها) را به آن بدهید. به این ترتیب به زبان مشترک همه کار می کند و خروجی ها قابل مقایسه هستند.
زنجیره شواهد: هر موضوع به یک نقل قول پیوند دارد
قانون طلایی ترکیب: هر موضوع حداقل به یک نقل قول به کلمه مرتبط است. نقل قول گواه واقعی بودن موضوع است. همیشه هنگام درخواست موضوع از هوش مصنوعی، الزامات استناد را لحاظ کنید. به او بگویید موضوعی را تولید نکند که نمی تواند برایش نقل قولی پیدا کند. به این ترتیب توهم را در منبع متوقف می کنید: یک موضوع ساختگی به عنوان "بی اساس" علامت گذاری می شود زیرا هیچ مشابهی در منبع ندارد.
لایه
مثال
منبع
مشاهده
"شرکت کننده 4 با دیدن هزینه حمل و نقل، سبد خرید را رها کرد"
ضبط یک به یک
کد
"هزینه غیر منتظره"
برچسب زدن
موضوع
"هزینه های پنهان اعتماد را می شکند"
در 5 شرکت کننده تکرار کنید
بینش
"هزینه ارسال باید زودتر نشان داده شود"
من موضوع را ترک می کنم
پیشنهاد
"افزودن تخمین ارسال به صفحه محصول"
تصمیم طراحی
این زنجیره زمانی شروع می شود که یک ذینفع می پرسد "ما چگونه این را می دانیم؟" وقتی میپرسید، به شما امکان میدهد از مشاهده به نقل قول برگردید.
سه کیف کوچک
مورد 1 - 240 پاسخ نظرسنجی، 90 دقیقه. یک تیم 240 پاسخ نظرسنجی با پایان باز (متن آزاد) را کدگذاری کرد. مدل 11 تم پیشنهاد کرد. تیم اینها را در 90 دقیقه مرور کرد، آنها را به 7 کاهش داد، 2 موضوع را ترکیب کرد و 2 موضوع را به عنوان پشتیبانی نشده حذف کرد. یک کار دستی 2 روزه به نصف روز کاهش یافت و زنجیره شواهد حفظ شد.
مورد 2 - موضوع اغراق آمیز کشف شد. هوش مصنوعی یک مضمون قوی ایجاد کرد که «کاربران از برنامه متنفرند». وقتی تیم به نقل قول ها نگاه کرد، متوجه شد که تنها 2 شرکت کننده خشن بودند، در حالی که 18 نفر بی طرف بودند. موضوع به عنوان "ناامیدی شدید در یک جریان خاص" بازنویسی شد. درس: هوش مصنوعی می تواند شدت احساس را اغراق کند. فرکانس را بشمار
مورد 3 - عدم نظر اقلیت. در حالی که این مدل موضوعات اکثریت را برجسته میکرد، یک مسئله دسترسی حیاتی را که توسط 3 شرکتکننده مطرح شده بود بهعنوان «بیاهمیت» کم اهمیت جلوه داد. طراح متوجه این موضوع شد و آن را به عنوان یک یافته جداگانه حفظ کرد. بعداً مشخص شد که این مشکل همه کاربران صفحهخوان را تحت تأثیر قرار داده است. درس: سیگنال اقلیت همیشه "کمتر مهم" نیست.
درخواست های قابل کپی
نقش شما: تحلیلگر تحقیقات کیفی. طرح کدگذاری (برچسب ها): <<لیست>>وظیفه: رونوشت ناشناس زیر را با این برچسب ها کدگذاری کنید. [شرکت کننده] را اضافه کنید
داده های کدگذاری شده زیر را به یک نمودار مجاورت تبدیل کنید: کدهای مشابه را گروه بندی کنید، هر گروه را یک موضوع نام گذاری کنید. برای هر موضوع: شمارش کنید که در چه تعداد شرکتکننده ظاهر میشود، 2 قویترین نقل قول را وارد کنید، و توضیح یک جملهای «چرا» بنویسید. تم ها را با شواهد ضعیف به طور جداگانه علامت گذاری کنید. داده ها: <<کدها>>
من میخواهم موضوع زیر را آزمایش کنم: "<<theme>>". نقل قولهایی را که از این موضوع پشتیبانی و رد میکنند در متن منبع به طور جداگانه فهرست کنید. در پایان، ارزیابی کنید که چقدر از این موضوع پشتیبانی میشود (قوی/متوسط/ضعیف). منبع: <<رونویسی>>
این فهرست تم ها را به بینش و پیشنهاد تبدیل کنید. برای هر موضوع: 1) بینش یک جمله ای (شامل «زیرا…»)، 2) یک پیشنهاد طراحی مشخص، 3) این پیشنهاد بر چه صفحه/جریان تأثیر می گذارد. آرایش نکنید. اگر پایه ضعیف است، بنویسید «تحقیقات بیشتری لازم است». موضوعات: <<فهرست>>
اعلان ضعیف / اعلان قوی
ضعیف: "این گفتگوها را تجزیه و تحلیل کنید و نتایج را به من بگویید."
نتیجه: خلاصه ای بدون منبع، بدون اطلاعات بسامد و مملو از اغراق.
قوی: "این رونوشت را با برچسب هایی که به شما دادم کدنویسی کنید؛ هر موضوع را به نقل قول از [شرکت کننده" وصل کنید
نتیجه: یک ترکیب با فرکانس بالا، مبتنی بر شواهد و قابل ممیزی.
تفاوت: اعلان قوی فرکانس + نقل قول + لنگر ضعیف را درخواست می کند. اینها از اغراق و توهم جلوگیری می کنند.
اشتباهات رایج
- بدون احتساب فرکانس تصمیم گیری بدون دانستن اینکه آیا 2 یا 20 نفر پشت جمله "کاربران X می خواهند".
- شدت احساسات را همانطور که هست در نظر بگیرید. هوش مصنوعی تمایل دارد عبارات قوی را برجسته کند. می تواند اکثریت بی طرف را پنهان کند.
- حذف سیگنال اقلیت مسئله ای که افراد کمی آن را تجربه می کنند ممکن است حیاتی باشد (مثلاً دسترسی).
- بدون نیاز به نقل قول موضوع بدون نقل قول موضوعی غیرقابل تایید است.
- در یک دور به پایان برسانید. سنتز تکراری است. اولین خروجی را تست کنید و دستور را تیز کنید.
به طور خلاصه
سنتز استدلالی است که داده های خام را به بینشی تبدیل می کند که طراحی را هدایت می کند. هوش مصنوعی گامهای مکانیکی مانند کدگذاری و گروهبندی مجاورت را تا حد زیادی سرعت میبخشد، اما معنا و اهمیت بینش انسانی باقی میماند. قانون طلایی این است که هر موضوع را به یک نقل قول تحت اللفظی وصل کنید. تعداد دفعات، تصحیح برای اغراق عاطفی، سیگنال اقلیت را از دست ندهید. وقتی زنجیرهای از شواهد را ایجاد میکنید که از مشاهده به نقل قول، از موضوع تا پیشنهاد گسترش مییابد، به یک خروجی تحقیقاتی دست مییابید که هم سریع و هم قابل دفاع است.
وظیفه کاربردی
- 8 تا 10 پاسخ (یا تخیلی) مصاحبه/نظرسنجی خود را ناشناس بگذارید.
- طرح کدنویسی خود را بنویسید (6-8 برچسب) و با اولین اعلان آن را توسط هوش مصنوعی کدگذاری کنید.
- با اعلان دوم تم ها را حذف کنید. توجه داشته باشید که چند شرکت کننده برای هر موضوع ظاهر می شوند.
- قوی ترین موضوع را با اعلان سوم آزمایش کنید: نقل قول های پشتیبانی و رد را مقایسه کنید.
- موضوعی را به شکل بینش + پیشنهاد + صفحه آسیب دیده بنویسید و زنجیره شواهد را ترسیم کنید.
چک لیست
- [ ] من طرح کدنویسی خود را از قبل به هوش مصنوعی دادم.
- [ ] من هر موضوع را به حداقل یک نقل قول به کلمه پیوند دادم.
- [ ] من شمارش کردم که چند شرکت کننده برای هر موضوع ظاهر شدند.
- [ ] من اغلب عبارات احساسی اغراق آمیز را تصحیح می کردم.
- [ ] من آگاهانه تصمیم گرفتم که آیا سیگنال های اقلیت را حذف کنم یا خیر.
- [ ] من بینش ها را به طرح پیشنهادی بتن و صفحه آسیب دیده مرتبط کردم.