નફો:
- ઉપયોગિતા પરીક્ષણ રેકોર્ડ્સ અને અવલોકન નોંધોને કૃત્રિમ બુદ્ધિ સાથે તારણો, વજન અને ભલામણોમાં રૂપાંતરિત કરવાની ક્ષમતા
- ગંભીરતા અનુસાર તારણોને ક્રમાંકિત કરવાની અને પ્રાથમિકતા કોષ્ટક બનાવવાની ક્ષમતા
- કૃત્રિમ બુદ્ધિ જે વાસ્તવિક અવલોકન પુરાવા સાથે અવગણના કરે છે અથવા અતિશયોક્તિ કરે છે તે તારણોને સુધારવાની ક્ષમતા
ઉપયોગિતા પરીક્ષણ એ વાસ્તવિક વપરાશકર્તાઓને ચોક્કસ કાર્યો આપીને અને તેમનું નિરીક્ષણ કરીને ડિઝાઇન ક્યાં કામ કરે છે અને તે ક્યાં અટકી જાય છે તેનું નિરીક્ષણ કરવાની એક પદ્ધતિ છે. પરીક્ષણ પોતે જ સરળ છે; વાસ્તવિક પડકાર એ પછીનો છે: રેકોર્ડિંગના કલાકો, અવલોકન નોંધોના પૃષ્ઠો અને વિખરાયેલા સ્ક્રીનશૉટ્સને સ્પષ્ટ, પ્રાથમિકતાના તારણોમાં ફેરવવું. આ સંશ્લેષણ હાથથી દિવસો લે છે અને ટીમો ઘણીવાર તેને અધૂરું છોડી દે છે. કૃત્રિમ બુદ્ધિ આ અવરોધ ખોલે છે: રેકોર્ડ્સ અને નોંધોને તારણો, વજન અને ભલામણમાં ફેરવવું. પરંતુ અવલોકન ખરેખર સમસ્યા છે કે કેમ અને તે કેટલું મહત્વનું છે તે નક્કી કરવાનું માનવીય નિર્ણય છે.
અવલોકન, શોધ અને સૂચન વચ્ચેનો તફાવત
સંશ્લેષણમાં ત્રણ સ્તરોને અલગ પાડવું મહત્વપૂર્ણ છે:
- અવલોકન: શું થયું, કોઈ ટિપ્પણી નહીં. "સહભાગી 3 એ 40 સેકન્ડ માટે 'ચાલુ રાખો' બટન શોધ્યું."
- શોધવું: અવલોકનોમાંથી ઉભરતી પેટર્ન. "વપરાશકર્તાઓને પ્રાથમિક ક્રિયા શોધવામાં મુશ્કેલી આવી રહી છે."
- ભલામણ: શું કરવું. "પ્રાથમિક બટનને દૃષ્ટિથી અલગ બનાવે છે."
AI ઝડપથી આ ત્રણ સ્તરો ઉત્પન્ન કરે છે, પરંતુ ઘણીવાર અવલોકનને શોધવામાં મૂંઝવણમાં મૂકે છે અથવા એક અવલોકનમાંથી સંપૂર્ણ શોધનું અનુમાન કરે છે. તમારું કાર્ય એ ચકાસવાનું છે કે દરેક શોધ પાછળ પર્યાપ્ત અવલોકનો (કેટલા સહભાગીઓ, કેટલી વાર) છે.
ટીપ: કૃત્રિમ બુદ્ધિમત્તાને "દરેક શોધની નીચે, તેને સમર્થન આપતા અવલોકનો ઉમેરો અને તે કેટલા સહભાગીઓમાં જોવા મળ્યો હતો" એમ કહેવા દો. આ રીતે તમે તરત જ એક અવલોકનમાંથી ફૂલેલા તારણોને અલગ કરી શકો છો.
ગંભીરતા: પહેલા શું ઠીક કરવું?
બધા તારણો સમાન નથી. ગંભીરતા સૂચવે છે કે સમસ્યાને કેટલી તાકીદે ઠીક કરવાની જરૂર છે અને તે ત્રણ પરિબળો દ્વારા નક્કી કરવામાં આવે છે:
- અસર: શું સમસ્યા વપરાશકર્તાને કાર્ય પૂર્ણ કરવાથી અટકાવે છે અથવા તેમને હેરાન કરે છે?
- આવર્તન: કેટલા વપરાશકર્તાઓ અને કેટલી વાર?
- વ્યવસાયની અસર: આ સમસ્યા રૂપાંતરણ, આવક અથવા વિશ્વાસને કેટલી અસર કરે છે?
લાક્ષણિક સ્કેલ: જટિલ (સંપૂર્ણપણે મિશનને અવરોધે છે), ઉચ્ચ (ગંભીર મુશ્કેલી), મધ્યમ (ધીમો પડી જાય છે), નીચું (કોસ્મેટિક). AI પ્રારંભિક રેન્કિંગ સૂચવી શકે છે, પરંતુ અંતિમ વેઇટીંગ નિર્ણય - ખાસ કરીને વ્યવસાયિક અસર - માટે ટીમના સંદર્ભના જ્ઞાનની જરૂર છે.
શોધવું
અસર
આવર્તન
મહત્વ
સૂચન
પ્રાથમિક બટન શોધી શકાતું નથી
તે કાર્યમાં દખલ કરે છે
4/6 સહભાગીઓ
જટિલ
હાઇલાઇટ બટન
ભૂલ સંદેશ અસ્પષ્ટ છે
ધીમો પડી રહ્યો છે
3/6
ઉચ્ચ
સંદેશની સ્પષ્ટતા કરો
ચિહ્નનો અર્થ અસ્પષ્ટ
સહેજ ખચકાટ
2/6
મધ્યમ
ટેગ ઉમેરો
કલર ટોન પસંદ ન આવ્યો
સૌંદર્ય પ્રસાધનો
1/6
નીચું
તેને પછી માટે છોડી દો
ત્રણ નાના કેસો
કેસ 1 — રેકોર્ડિંગના 5 કલાક, અડધા દિવસમાં તારણો. એક ટીમે AI ને 6 વપરાશકર્તા પરીક્ષણો (કુલ 5 કલાક) ની નોંધો ખવડાવી. મોડેલે 14 તારણો સૂચવ્યા; ટીમે અવલોકનોની સંખ્યા સામે દરેકને તપાસી, તેને 9 સુધી સંકુચિત કરી, અને મહત્વના ક્રમમાં તેમને ક્રમાંકિત કર્યા. સિન્થેસિસ, જે મેન્યુઅલી 2 દિવસ લેતી હશે, તે ઘટાડીને અડધા દિવસ કરવામાં આવી હતી.
કેસ 2 - ફૂલેલું શોધ પકડાયું. "વપરાશકર્તાઓ નેવિગેશન સમજી શકતા નથી," એઆઈએ એક જટિલ શોધમાં લખ્યું. જ્યારે ટીમે સહાયક અવલોકનો પર ધ્યાન આપ્યું, ત્યારે તેમને જાણવા મળ્યું કે તે એક જ સહભાગીની એક ક્ષણ પર આધારિત છે. શોધને "મધ્યમ" પર ડાઉનગ્રેડ કરવામાં આવી હતી અને વધુ ડેટાની વિનંતી કરવામાં આવી હતી. પાઠ: એક જ અવલોકન નિર્ણાયક શોધ કરતું નથી.
કેસ 3 - ચૂકી ગયેલ જટિલ સમસ્યા. મોડેલે રિકરિંગ પરંતુ મોટે ભાગે નાની સમસ્યા (સ્વતઃ-સ્ક્રોલિંગ નથી) "નીચી" તરીકે ગણી છે. જ્યારે ડિઝાઇનરે અવલોકનો પર ધ્યાન આપ્યું, ત્યારે તેને સમજાયું કે આના કારણે 5 સહભાગીઓમાં કાર્ય છોડી દેવામાં આવ્યું અને તેને "ઉચ્ચ" પર સેટ કર્યું. પાઠ: AI ના મહત્વનો અંદાજ અવલોકનાત્મક પુરાવા દ્વારા સુધારેલ છે.
માત્રાત્મક અને ગુણાત્મક ડેટાને એકસાથે વાંચવું
ઉપયોગિતા પરીક્ષણ મોટે ભાગે ગુણાત્મક (નિરીક્ષણ-આધારિત) હોય છે, પરંતુ ત્યાં માત્રાત્મક (સંખ્યાત્મક) સંકેતો પણ છે: કાર્ય પૂર્ણ થવાનો દર, કાર્યનો સમયગાળો, ભૂલોની સંખ્યા, સંતોષનો સ્કોર. સૌથી શક્તિશાળી સંશ્લેષણ બેને જોડે છે: "માત્ર 33% સહભાગીઓએ ચેકઆઉટ કાર્ય પૂર્ણ કર્યું (માત્રાત્મક), અને જે પૂર્ણ કરવામાં નિષ્ફળ ગયા તેઓ શિપિંગ સ્ટેપ (ગુણાત્મક) પર અટવાઈ ગયા." આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ બે ડેટાને જોડવામાં મદદ કરે છે જ્યારે તમે તેને અલગથી આપો છો; પરંતુ તમે સંખ્યાઓની ચોકસાઈ અને નમૂનાના કદની પુષ્ટિ કરો છો. ટકાવારી વિશે વાત કરવી નાના નમૂનાઓમાં ગેરમાર્ગે દોરનારી હોઈ શકે છે (દા.ત. 5 વપરાશકર્તાઓ); "5 માંથી 3 વપરાશકર્તાઓ" કહેવું "60%" કહેવા કરતાં વધુ પ્રમાણિક છે. મોડેલને સંપૂર્ણ સંખ્યામાં બોલવા માટે કહો.
ટીપ: AI ને કહો કે "ટકાવારીને બદલે 'કેટલા વપરાશકર્તાઓ' તરીકે લખો." નાના નમૂનાઓમાં, ટકાવારી વાસ્તવમાં છે તેના કરતાં વધુ ચોકસાઇની છાપ આપે છે.
નકલ કરી શકાય તેવા સંકેતો
તમારી ભૂમિકા: ઉપયોગીતા વિશ્લેષક. નીચેની અનામી પરીક્ષણ નોંધોમાંથી તારણો દોરો. દરેક શોધ માટે: 1) સ્પષ્ટ નિવેદન, 2) સહાયક અવલોકનો અને કેટલા સહભાગીઓએ તે જોયું, 3) અસર (અવરોધિત/ધીમી/કોસ્મેટિક). એક અવલોકન પર આધારિત તારણોને "નબળા પુરાવા" તરીકે ચિહ્નિત કરો. નોંધો: <<text>>
મહત્વ દ્વારા તારણોની આ સૂચિને સૉર્ટ કરો. માપદંડ: અસર (કાર્ય અવરોધ?), આવર્તન (કેટલા સહભાગીઓ?), વ્યવસાય અસર. દરેક તારણો જટિલ/ઉચ્ચ/મધ્યમ/નીચું સોંપો અને તર્ક લખો. જો તમે વ્યવસાયની અસર વિશે અચોક્કસ હો, તો કહો કે "ટીમે મૂલ્યાંકન કરવું જોઈએ." તારણો: <<list>>
દરેક શોધ માટે એક નક્કર, કાર્યક્ષમ ડિઝાઇન ભલામણ લખો. ભલામણ: શું બદલાશે + આ સમસ્યા કેમ હલ કરે છે + તે કઈ સ્ક્રીનને અસર કરે છે. અસ્પષ્ટ ("વધુ સારું કરો") ભલામણો ટાળો. તારણો: <<list>>
હિસ્સેદારોની રજૂઆત માટે આ તારણો અહેવાલનો સારાંશ આપો: એક સંક્ષિપ્ત એક્ઝિક્યુટિવ સારાંશ લખો જેમાં 3 સૌથી નિર્ણાયક તારણો, પુરાવા (કેટલા વપરાશકર્તાઓ) અને ભલામણ કરેલ કાર્યવાહીનો સમાવેશ થાય છે. અતિશયોક્તિ; નોંધોમાંથી નંબરો લો. અહેવાલ: <<text>>
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા: "આ ટેસ્ટ સ્કોર્સમાંથી તારણો દોરો."
પરિણામ: કોઈ પુરાવા વગરની મિશ્ર સૂચિ, કોઈ મહત્વનો ક્રમ નથી અને એક જ અવલોકનને તારણો તરીકે ભૂલવું.
સશક્ત: "નોંધોમાંથી તારણો દોરો; દરેક શોધ હેઠળ, સહાયક અવલોકનો ઉમેરો અને તેમાં કેટલા સહભાગીઓ જોવા મળ્યા હતા; એક અવલોકન પર આધારિત એકને 'નબળા પુરાવા' તરીકે ચિહ્નિત કરો; પછી તેને અસર-આવર્તન-કાર્યની અસર અનુસાર મહત્વના ક્રમમાં ક્રમ આપો."
પરિણામ: પુરાવા-આધારિત, પ્રાથમિકતા, રક્ષણાત્મક તારણો.
તફાવત: મજબૂત પ્રોમ્પ્ટ પુરાવાની સંખ્યાને સંકેત આપે છે + નબળા પ્રોમ્પ્ટ + મહત્વનો માપદંડ.
સામાન્ય ભૂલો
- શોધવા સાથે ગૂંચવણભર્યું અવલોકન. એક "શું થયું" ને એકંદર નિષ્કર્ષમાં ફેરવવું.
- એક અવલોકનમાંથી નિર્ણાયક તારણો કાઢો. આવર્તનની ચકાસણી ન થાય ત્યાં સુધી કોઈ વજન આપવામાં આવશે નહીં.
- આર્ટિફિશિયલ ઇન્ટેલિજન્સ પર બિઝનેસની અસર નક્કી કરવી. આવક/રૂપાંતરણ અસર સંદર્ભની જરૂર છે; તે તેની ટીમમાં છે.
- પ્રાથમિકતા ન આપો. તારણોની અવ્યવસ્થિત સૂચિ ટીમને લકવાગ્રસ્ત કરે છે; એક જ સમયે બધું ઠીક કરી શકાતું નથી.
- સૂચનો અસ્પષ્ટ છોડી રહ્યા છીએ. "વધુ સારું કરો" લાગુ પડતું નથી; શું, શા માટે અને ક્યાં સ્પષ્ટ હોવું જોઈએ.
સારાંશમાં
ઉપયોગિતા પરીક્ષણનું મૂલ્ય રેકોર્ડિંગ્સ અને નોંધોને સ્પષ્ટ, પ્રાથમિકતાના તારણોમાં ફેરવવામાં આવે છે. કૃત્રિમ બુદ્ધિ આ સંશ્લેષણને મોટા પ્રમાણમાં વેગ આપે છે: તારણોમાં અવલોકનો એકત્ર કરે છે, ભલામણોનો ડ્રાફ્ટ બનાવે છે, મહત્વનો ક્રમ સૂચવે છે. પરંતુ દરેક શોધ પાછળના અવલોકનોની સંખ્યાને ચકાસવાનું, એકલ અવલોકનોના આધારે ફૂલેલા તારણોને નીંદણ કરવા અને સંદર્ભ સાથે વ્યવસાયિક પ્રભાવને વજન આપવાનું માનવ કાર્ય છે. તારણોનો અહેવાલ જે પુરાવા પર આધારિત હોય છે, તેની ચોક્કસ આવર્તન હોય છે, અને મહત્વના ક્રમમાં ગોઠવાયેલી હોય છે તે હિસ્સેદારો માટે ઝડપી અને બચાવપાત્ર હોય છે.
એપ્લિકેશન કાર્ય
- ઉપયોગિતા પરીક્ષણ (વાસ્તવિક અથવા કાલ્પનિક) માંથી અનામી નોંધો.
- પ્રથમ પ્રોમ્પ્ટ પર તારણો દૂર કરો; દરેક હેઠળ અવલોકનોની સંખ્યા તપાસો.
- "નબળા પુરાવા" તરીકે ચિહ્નિત થયેલા તારણોને અલગ કરો અને વધારાના ડેટાની જરૂર છે કે કેમ તે નક્કી કરો.
- બીજા પ્રોમ્પ્ટ સાથે, મહત્વના ક્રમમાં તારણોને ક્રમ આપો; એક ટીમ તરીકે વ્યવસાયની અસરનું મૂલ્યાંકન કરો.
- ત્રીજા પ્રોમ્પ્ટ સાથે, દરેક શોધ માટે નક્કર સૂચનો લખો અને પ્રાથમિકતા કોષ્ટક બનાવો.
ચેકલિસ્ટ
- [] મેં અવલોકન, તારણો અને સૂચનોને અલગ સ્તરો તરીકે રાખ્યા.
- [ ] મેં ચકાસ્યું કે કેટલા સહભાગીઓએ દરેક શોધ દર્શાવી.
- [ ] મેં એક અવલોકન પર આધારિત તારણોને નબળા પુરાવા તરીકે ચિહ્નિત કર્યા.
- [ ] મેં અસર-આવર્તન-જોબની અસર દ્વારા ગંભીરતાનું સ્તર નક્કી કર્યું.
- [ ] ટીમ સાથે વ્યવસાયિક અસરના નિર્ણયનું મૂલ્યાંકન કર્યું.
- [ ] મેં સૂચનો ચોક્કસ લખ્યા છે (શું/શા માટે/ક્યાં).