નફો:
- આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે સંશોધન ડેટાના આધારે પુરાવા-આધારિત વ્યક્તિત્વ ડ્રાફ્ટ્સ બનાવવાની ક્ષમતા અને સ્ટીરિયોટાઇપ્સ અને ક્લિચ્સને દૂર કરવાની ક્ષમતા
- કૃત્રિમ બુદ્ધિમત્તાના સમર્થન સાથે વપરાશકર્તા પ્રવાસના નકશાના તબક્કાઓ, ક્રિયાઓ, વિચારો, લાગણીઓ અને પીડા બિંદુઓને ડ્રાફ્ટ કરવાની ક્ષમતા
- વાસ્તવિક સેગમેન્ટ ડેટા સાથે બનાવેલ વ્યક્તિઓનું પરીક્ષણ કરીને ડેટા પર આધારિત ન હોય તેવી ધારણાઓને ફ્લેગ કરવાની ક્ષમતા
વ્યક્તિત્વ અને વપરાશકર્તા પ્રવાસનો નકશો સંશોધનની આંતરદૃષ્ટિને મૂર્ત સાધનોમાં અનુવાદિત કરે છે જેને ટીમ દિવસભર જોશે. વ્યક્તિત્વ એ એક કાલ્પનિક પરંતુ ડેટા આધારિત પ્રોફાઇલ છે જે વાસ્તવિક વપરાશકર્તા સેગમેન્ટનું પ્રતિનિધિત્વ કરે છે: તેમના લક્ષ્યો, તેમના અવરોધો, તેમના સંદર્ભ. વપરાશકર્તા પ્રવાસનો નકશો એ એક વિઝ્યુઅલ વર્ણન છે જે એક ધ્યેય હાંસલ કરતી વખતે વપરાશકર્તા શું કરે છે, તે શું વિચારે છે, તે શું અનુભવે છે અને તે ક્યાં અટકી જાય છે તે એક પગલું બતાવે છે. AI મિનિટોમાં બંનેના ડ્રાફ્ટ બનાવે છે. પરંતુ અહીં સૌથી ખતરનાક છટકું છે: કૃત્રિમ બુદ્ધિ ડેટા વિના "વાસ્તવિક"-સાઉન્ડિંગ વ્યક્તિઓ બનાવી શકે છે. આ એકમ તમને ઝડપને બલિદાન આપ્યા વિના પુરાવાને વળગી રહેવાનું શીખવે છે.
વ્યક્તિત્વ: પુરાવા પર આધારિત હોવું જોઈએ, કાલ્પનિક નહીં
સારા વ્યક્તિત્વ અને ખરાબ વ્યક્તિત્વ વચ્ચેનો તફાવત માત્ર એટિટ્યુડ છે. ખરાબ વ્યક્તિત્વ ડિઝાઇનરના મનમાં રહેલી ધારણાઓને સુંદર નમૂનામાં મૂકે છે: "આયશે, 34 વર્ષની, ટેક્નોલોજી સાથે સારી, વ્યવહારુ ઉકેલો પસંદ કરે છે." જો આમાંથી કોઈ પણ વાક્ય સંશોધન પર આધારિત નથી, તો વ્યક્તિત્વ માત્ર એક શણગાર છે અને ખોટા નિર્ણયોને કાયદેસર બનાવે છે.
એક સારો વ્યક્તિત્વ સંશોધન પરના દરેક દાવાને આધાર રાખે છે. "વપરાશકર્તાઓ ઇન્સ્ટોલેશનમાં અટવાઇ ગયા છે" વાક્યની પાછળ ડેટા છે "8 માંથી 5 સહભાગીઓ પ્રારંભિક ઇન્સ્ટોલેશન પૂર્ણ કરવામાં સક્ષમ ન હતા". આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે કામ કરતી વખતે, નિયમ બદલાતો નથી: મૉડલને સ્રોત તરીકે સંશોધન સારાંશ આપો અને તેને ફક્ત આ સ્ત્રોતમાંથી વ્યક્તિત્વ બનાવવા માટે કહો, કોઈ આધાર ન હોય તેવી સુવિધાઓ ઉમેરવા નહીં.
સાવધાન: AI "ખાલીઓ ભરવા" માટે ખૂબ જ સક્ષમ છે; તે સ્વયંભૂ રીતે ઉંમર, આવક અને આદતો જેવી વિગતો બનાવી શકે છે જે તમે પ્રદાન કરતા નથી. જો આ વિગતો ડેટામાંથી આવતી નથી, તો વ્યક્તિત્વ વિશ્વસનીય નથી.
સ્ટીરિયોટાઇપ્સ અને પૂર્વગ્રહ દૂર
વ્યક્તિઓ એ છે જ્યાં AI પૂર્વગ્રહ સૌથી વધુ દેખીતી રીતે બહાર આવે છે. મોડેલ પ્રશિક્ષણ ડેટામાંથી સ્ટીરિયોટાઇપ્સને પ્રોફાઇલ્સમાં ખસેડે છે: "વૃદ્ધ વપરાશકર્તા ટેક્નોલોજીથી ભયભીત છે," "યુવાન વપરાશકર્તા અધીર છે," ચોક્કસ વ્યવસાયો અથવા લિંગને આભારી વર્તન. આ સામાન્યીકરણ ખોટા અને નૈતિક રીતે વાંધાજનક બંને છે.
શુદ્ધિકરણ પદ્ધતિમાં ત્રણ પગલાં છે:
- માર્ક: આઉટપુટમાં દરેક સામાન્યીકરણ વાક્યને સ્કેન કરો ("દરેક", "સામાન્ય રીતે", "આ વયના લોકો").
- ટેસ્ટ: શું આ વાક્ય સંશોધન ડેટામાં સમકક્ષ છે?
- સુધારો અથવા દૂર કરો: જો તેના માટે કોઈ આધાર હોય, તો તેને પુરાવા સાથે જોડો, અન્યથા તેને કાઢી નાખો. "તેને નરમ કરીને" ક્લિચ રાખશો નહીં; જો કોઈ સાબિતી ન હોય, તો તે છોડી દે છે.
વ્યક્તિત્વ અભિવ્યક્તિ
સમસ્યા
પુરાવા આધારિત કરેક્શન
"વૃદ્ધ વપરાશકર્તાઓ ટેક્નોલોજીથી ડરે છે"
ઉંમર આધારિત સ્ટીરિયોટાઇપ
"6 માંથી 5 સહભાગીઓએ નવી સુવિધા સાથે વધારાની ખાતરી ટેક્સ્ટની અપેક્ષા રાખી હતી"
"યુવા વપરાશકર્તાઓ અધીરા છે"
પેઢીગત સામાન્યીકરણ
"સહભાગીઓએ 3 પગલાંથી આગળનો પ્રવાહ છોડી દીધો (ઉમરને ધ્યાનમાં લીધા વિના)"
"સ્ત્રીઓ સાદગી ઈચ્છે છે"
લિંગ ધારણા
"બધા સેગમેન્ટમાં સરળ પ્રવાહને પ્રાધાન્ય આપવામાં આવ્યું હતું"
"તેનો પ્રિય રંગ વાદળી છે"
સુશોભન માહિતી (નિર્ણયને અસર કરતી નથી)
(બાદબાકી - ડિઝાઇન નિર્ણયને અસર કરતું નથી)
વપરાશકર્તા પ્રવાસ નકશાની શરીરરચના
પ્રવાસના નકશામાં સામાન્ય રીતે રેખાઓ હોય છે:
- તબક્કો: મુખ્ય સમયગાળો જેમ કે જાગૃતિ, મૂલ્યાંકન, ઉપયોગ અને વળતર.
- ક્રિયા: વપરાશકર્તા દરેક તબક્કે શું કરે છે.
- વિચાર: તમારા મગજમાં શું ચાલે છે.
- લાગણી: વ્યક્તિને શું લાગે છે; તે સામાન્ય રીતે વળાંક સાથે દોરવામાં આવે છે.
- પીડા બિંદુ: વ્યક્તિ ક્યાં અટકી જાય છે, ગુસ્સે થાય છે, છોડી દે છે.
- તક: જ્યાં ડિઝાઇન હસ્તક્ષેપ કરી શકે છે.
આ હાડપિંજરમાં કૃત્રિમ બુદ્ધિ ઝડપથી ભરાય છે. પરંતુ "લાગણી" રેખા ખાસ કરીને જોખમી છે: મોડેલ વાજબી રીતે અનુમાન કરે છે કે વપરાશકર્તા શું અનુભવી રહ્યો છે, પરંતુ તે આગાહી અનુમાનિત છે સિવાય કે વાસ્તવિક ડેટા દ્વારા સપોર્ટેડ હોય. નકશા પર અપ્રમાણિત લાગણીઓને ધારણા તરીકે ચિહ્નિત કરો; સંશોધન સંદર્ભ દ્વારા પુષ્ટિ થાય ત્યારે "ચકાસાયેલ" સ્થિતિ મેળવો.
ત્રણ નાના કેસો
કેસ 1 — ઝડપી ડ્રાફ્ટ, વાસ્તવિક સુધારો. એક ટીમે 12 ઇન્ટરવ્યુ સારાંશમાંથી AI સાથે 3 વ્યક્તિત્વના સ્કેચ બનાવ્યા; આ કામમાં 25 મિનિટ લાગી. પછી તેણે સંશોધન ડેટા સામે દરેક વ્યક્તિત્વની 9 લાક્ષણિકતાઓ તપાસી; 4 સુવિધાઓનો કોઈ આધાર ન હતો અને તેને દૂર કરવામાં આવ્યો હતો. બાકીના વ્યક્તિઓ બંને ઝડપી અને વિશ્વસનીય હતા.
કેસ 2 — લીક ક્લિચ. "નિવૃત્ત વપરાશકર્તાઓ ડિજિટલ બેંકિંગ પર વિશ્વાસ કરતા નથી," એઆઈ વ્યક્તિએ લખ્યું. ટીમે ડેટા જોયો: 6માંથી 5 નિવૃત્ત સહભાગીઓએ નિયમિત ડિજિટલ બેંકિંગનો ઉપયોગ કર્યો. વાક્ય સંપૂર્ણપણે ખોટું હતું અને દૂર કરવામાં આવ્યું હતું; પુરાવા-આધારિત અવલોકન સાથે બદલવામાં આવે છે જેમ કે "નવી સુવિધાઓ પર વધારાની ખાતરી ટેક્સ્ટ બાકી છે." પાઠ: વય-આધારિત સ્ટીરિયોટાઇપ્સ ડેટા દ્વારા અસ્વીકાર્ય છે.
કેસ 3 - સેન્ટિમેન્ટ કર્વ અતિશયોક્તિપૂર્ણ છે. મૉડેલે લખ્યું કે ચેકઆઉટ વખતે વપરાશકર્તા "ગુસ્સે" હતો. વાસ્તવિક રેકોર્ડિંગમાં, વપરાશકર્તાઓ માત્ર "અચકાતા" હતા. ડિઝાઇનરે સેન્ટિમેન્ટને નિશ્ચિત કર્યું; કારણ કે "ગુસ્સો" અને "સંકોચ" માટે અલગ-અલગ ઉકેલોની જરૂર પડે છે (એક વિશ્વાસ છે, બીજો સ્પષ્ટતા છે). પાઠ: લાગણી રેખા પુરાવા સાથે માપાંકિત છે.
કેટલી વ્યક્તિઓ, કેટલી વિગત?
એક સામાન્ય જાળ કે જે નવા ડિઝાઇનરોમાં આવે છે તે ઘણા બધા અને વધુ પડતા વિગતવાર વ્યક્તિઓનું ઉત્પાદન કરે છે. AI આ ટ્રેપને વિસ્તૃત કરે છે: તમે ઇચ્છો તેટલા વ્યક્તિઓ, તમે ઇચ્છો તેટલી વિગતો સાથે, સેકન્ડોમાં પહોંચો. જો કે, જે મૂલ્યવાન છે તે થોડું પણ નક્કર છે. મોટાભાગના ઉત્પાદનો માટે, 2-3 પ્રાથમિક વ્યક્તિઓ પર્યાપ્ત છે; દરેકે વાસ્તવિક વપરાશકર્તા સેગમેન્ટનું પ્રતિનિધિત્વ કરવું જોઈએ અને ડિઝાઇન નિર્ણયોને અલગ પાડવા માટે સક્ષમ હોવા જોઈએ. જો બે વ્યક્તિઓ લગભગ સમાન રીતે વર્તે છે, તો તે કદાચ એક વ્યક્તિત્વ છે. વિગતવાર બાજુએ, માપદંડ આ છે: વ્યક્તિત્વમાં ઉમેરવામાં આવેલી દરેક માહિતી મૂલ્યવાન છે જો તે ડિઝાઇન નિર્ણયને અસર કરતી હોય; જો તે પ્રભાવિત કરતું નથી (ઉદાહરણ તરીકે, વપરાશકર્તાનો મનપસંદ રંગ), તે સુશોભન છે અને તેને દૂર કરવું જોઈએ. આર્ટિફિશિયલ ઇન્ટેલિજન્સમાંથી વ્યક્તિત્વની વિનંતી કરતી વખતે, "માત્ર એવી સુવિધાઓ ઉમેરો જે ડિઝાઇનના નિર્ણયને અસર કરે છે" કહેવું એ આ ફસામાંથી છૂટકારો મેળવવાનો સૌથી વ્યવહારુ રસ્તો છે.
ટીપ: વ્યક્તિત્વ વિશેષતાનું પરીક્ષણ કરો: "જો હું આ બદલીશ તો શું મારી ડિઝાઇન બદલાઈ જશે?" જો જવાબ ના હોય, તો વ્યક્તિત્વમાં તે લક્ષણ બિનજરૂરી છે.
નકલ કરી શકાય તેવા સંકેતો
તમારી ભૂમિકા: UX સંશોધન સિન્થેસાઇઝર. સ્ત્રોત: નીચે અનામી સંશોધન સારાંશ. કાર્ય: આ સ્ત્રોતમાંથી 2 જેટલા વ્યક્તિત્વના સ્કેચ બનાવો. નિયમ: દરેક સુવિધાને સ્ત્રોતમાં શોધ સાથે લિંક કરો અને કૌંસમાં આધાર લખો. કોઈપણ વિશેષતાઓ (ઉંમર, આવક, આદતો) ઉમેરશો નહીં કે જેના માટે "અજાણ્યા ડેટા" ક્ષેત્રમાં કોઈ પ્રતિરૂપ નથી. <<સારાંશ>>
પૂર્વગ્રહ માટે આ વ્યક્તિત્વની રૂપરેખા તપાસો. દરેક વાક્યને ચિહ્નિત કરો જેમાં સામાન્યીકરણ, ક્લિચ અથવા અપ્રમાણિત ધારણા હોય, તે શા માટે શંકાસ્પદ છે તે લખો અને તે સ્રોત ડેટામાં સમર્થિત છે કે કેમ તે સૂચવો. વ્યક્તિત્વ: <<text>> સ્રોત ડેટા: <<સારાંશ>>
નીચે વ્યક્તિત્વ અને સંશોધન સંક્ષિપ્તમાંથી ડ્રાફ્ટ વપરાશકર્તા પ્રવાસ નકશો બનાવો. લાઇન્સ: સ્ટેજ | ક્રિયા | વિચાર | લાગણી | પીડા બિંદુ | તક. દરેક "લાગણી" અને "પેઇનપોઇન્ટ" કોષમાં એક અવતરણ ઉમેરો જો તેના માટે કોઈ સ્ત્રોત હોય તો; અન્યથા, કોષને "[ધારણા]" વડે ચિહ્નિત કરો. વ્યક્તિ: <<x>> સારાંશ: <<y>>
આ પ્રવાસ નકશા પર [ધારણા] ચિહ્નિત કરેલ કોષોની યાદી બનાવો. દરેક માટે, કયો વધારાનો સંશોધન પ્રશ્ન આ ધારણાની પુષ્ટિ કરશે તે લખો. નકશો: <<ટેબલ>>
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા: "ઈ-કોમર્સ વપરાશકર્તા વ્યક્તિત્વ બનાવો."
પરિણામ: એક પ્રોફાઇલ જે સંપૂર્ણ રીતે બનેલી છે, ડેટા માટે અપ્રસ્તુત છે અને ક્લિચથી ભરેલી છે.
સશક્ત: "આ સંશોધન સારાંશમાંથી 2 કરતાં વધુ વ્યક્તિઓ ન કાઢો; દરેક લક્ષણને શોધ સાથે જોડો; સ્ત્રોતમાં ન હોય તેવી કોઈપણ વિગતો ઉમેરશો નહીં; 'ડેટા નહીં' તરીકે અજ્ઞાત છોડો."
પરિણામ: પુરાવાના આધારે બચાવ કરી શકાય તેવું વ્યક્તિત્વ, જેમાં ગાબડાઓ પ્રમાણિકપણે દર્શાવવામાં આવ્યા છે.
તફાવત: મજબૂત પ્રોમ્પ્ટ સ્રોતની જવાબદારી લાવે છે + બનાવટનો પ્રતિબંધ + અજ્ઞાતને ચિહ્નિત કરે છે.
સામાન્ય ભૂલો
- ડેટા વિના વ્યક્તિત્વ બનાવવું. AI ને "વ્યક્તિત્વ બનાવવા" કહેવાથી તમારી ધારણાઓને ખોટી કાયદેસરતા મળે છે.
- તેને નરમ કરીને ક્લિચ રાખવું. "થોડું સાવધ" કહેવાથી સ્ટીરિયોટાઇપ સુધારી શકાતું નથી; જો કોઈ પુરાવા નથી, તો તેને દૂર કરવું જોઈએ.
- વાસ્તવિકતા માટે લાગણી રેખાને ભૂલ કરવી. મોડેલ લાગણીની આગાહી કરે છે; પુરાવા વિના લાગણી એ ધારણા છે.
- વ્યક્તિત્વને બિલકુલ અપડેટ કરી રહ્યાં નથી. નવા સંશોધનો ઉપલબ્ધ થતાં વ્યક્તિત્વને પણ અપડેટ કરવું જોઈએ; સ્થિર વ્યક્તિત્વ ભ્રામક છે.
- ઘણા બધા વ્યક્તિત્વો બનાવી રહ્યા છીએ. 5-6 વ્યક્તિત્વ ટીમને લકવાગ્રસ્ત કરે છે; થોડું રાખો, પણ જે મક્કમ છે તેને પકડી રાખો.
સારાંશમાં
વ્યક્તિત્વ અને પ્રવાસનો નકશો એ શક્તિશાળી સાધનો છે જે ટીમની સામાન્ય ભાષામાં સંશોધનનું ભાષાંતર કરે છે; પરંતુ તેમની શક્તિ સંપૂર્ણપણે ડેટામાંથી આવે છે જેના પર તેઓ આધારિત છે. AI મિનિટોમાં આ ટૂલ્સ માટે બ્લુપ્રિન્ટ બનાવે છે, જ્યારે વાસ્તવિક કાર્ય દરેક દાવાને સ્ત્રોત સાથે જોડવાનું છે, ક્લિચને ફ્લેગિંગ કરવું અને ડેટા સામે તેનું પરીક્ષણ કરવું, અને ધારણાઓ તરીકે અપ્રમાણિત લાગણી/પીડા બિંદુઓને અલગ કરવું. એક વ્યક્તિત્વ જે પ્રામાણિકપણે "કોઈ ડેટા નથી" તરીકે અંતર છોડી દે છે તે બનાવેલી વિગતોથી ભરેલી "વાસ્તવિક" વ્યક્તિત્વ કરતાં વધુ મૂલ્યવાન છે.
એપ્લિકેશન કાર્ય
- સંશોધન સંક્ષિપ્ત (વાસ્તવિક અથવા કાલ્પનિક)માંથી પ્રથમ પ્રોમ્પ્ટ સાથે 2 વ્યક્તિત્વ ડ્રાફ્ટ્સ બનાવો.
- બીજા પ્રોમ્પ્ટ સાથે પૂર્વગ્રહ માટે વ્યક્તિઓને તપાસો; ડેટા સાથે દરેક ચિહ્નિત વાક્યનું પરીક્ષણ કરો.
- કોઈપણ મામૂલી લક્ષણોને દૂર કરો અથવા "કોઈ ડેટા નહીં" બનાવો.
- ત્રીજા પ્રોમ્પ્ટ સાથે, વ્યક્તિત્વમાંથી પ્રવાસનો નકશો તૈયાર કરો.
- નકશામાં [ધારણા] કોષોની યાદી બનાવો અને દરેક માટે ચકાસણી પ્રશ્ન લખો.
ચેકલિસ્ટ
- [ ] મેં સંશોધન સારાંશ પર વ્યક્તિત્વ આધારિત છે, મેં તેને કલ્પનાથી બનાવ્યું નથી.
- [ ] મેં વ્યક્તિત્વમાં એવી કોઈ વિશેષતાઓ ઉમેરી નથી જે સ્ત્રોતમાં ન હોય.
- [ ] મેં ક્લિચ અને સામાન્યીકરણોને ચિહ્નિત કર્યા અને ડેટા સાથે તેનું પરીક્ષણ કર્યું.
- [ ] મેં પુરાવા સાથે લાગણીઓ અને પીડાના મુદ્દાઓની પુષ્ટિ કરી, અને અસમર્થિત મુદ્દાઓને ચિહ્નિત કર્યા.
- [ ] મેં વ્યક્તિઓની સંખ્યા વ્યવસ્થિત રાખી.
- [ ] મેં ધારણાઓ માટે ચકાસણી પ્રશ્નો તૈયાર કર્યા છે.