Notendarannsóknarmyndun og innsýn kynslóð

Hagnaður:

• Geta til að kóða viðtal, könnun og athugunargögn með gervigreind og draga út þemu og mynstur
• Geta til að semja persónu-, notendaferða- og innsæisyfirlýsingar með stuðningi gervigreindar
• Að vernda gegn tilbúningi og hlutdrægni með því að tengja og sannreyna innsýn sem myndast af gervigreind aftur í hrá gögn

Góðar vörur eru fæddar af raunverulegri þörf notandans, ekki af smekk hönnuðarins. Leiðin til að skilja þessa þörf er með notendarannsóknum: viðtölum, könnunum, vettvangsathugunum, nothæfisprófum. En erfiðasti hluti rannsókna er ekki að safna gögnunum, heldur hafa vit fyrir þeim. Það tekur reynslu og tíma að lesa tugi blaðsíðna af viðtalsafritum og hundruðum könnunarsvara og draga fram raunveruleg mynstur, þarfir og innsýn (innsýn; „aha“ merkingin á bak við gögnin). Þetta er þar sem gervigreind er öflugur myndun aðstoðarmaður: hún kóðar fljótt stóra bita af texta, flokkar þemu, bendir á mynstur. En þessi sami kraftur, ef hann er ekki notaður varlega, framkallar rangar tilvitnanir, brenglaðar áherslur og hlutdrægni. Þessi eining útskýrir hvernig á að nota gervigreind sem hraðal í rannsóknarmyndun og hvers vegna þú ættir að tengja alla innsýn aftur við hrá gögn.

Hvað er rannsóknarmyndun og hvar passar gervigreind inn?

Hrá rannsóknargögnin eru sóðaleg: Einn notandi segir að hann „leiti að hleðslusnúrunni í hvert skipti,“ annar segir „næturljósið er of bjart,“ annar kvartar yfir því að „finna ekki hnappana í myrkri“. Samsetning er sú athöfn að flokka þessar staku staðhæfingar ("næturnotkun er vandamál") og breyta þeim í innsýn ("notendur nota þessa vöru best í myrkri, en varan er hönnuð til notkunar á daginn"). Í klassísku aðferðinni gera hönnuðir þetta með skyldleikamynd (líkamleg/stafræn flokkun svipaðra nóta).

AI flýtir fyrir nokkrum skrefum þessa ferlis:

1. Kóðun: Úthluta þemamerkjum við hverja yfirlýsingu ("næturnotkun", "erfitt við að setja upp"). AI formerkir hundruð setninga á mínútum.
2. Þema: Safna merkjum í ofursett. AI bendir á endurtekin mynstur.
3. Innsýn skissa: Stingur upp á „aha“ setningum úr þemum. AI framleiðir drög, þú síar.
4. Persónu og ferðalag: Teikning á dæmigerðum notendasniðum og notkunarskrefum.

Mikilvæg regla: gervigreind tekur saman og flokkar, en hrá gögn segja sannleikann. Hvert þema og hverja tilvitnun ætti að vera tengd við raunverulegt viðtalsafrit og staðfest.

Tvær stærstu áhætturnar: falsaðar tilvitnanir og hlutdrægni

Það eru tvær hættulegar gildrur gervigreindar í rannsóknarmyndun. Sú fyrsta er tilvitnuð tilvitnun (ofskynjanir): gervigreind getur búið til notendatilvitnun sem er ekki í gögnunum en „hljómar rétt“. Þetta eru hættulegustu mistökin í rannsóknum vegna þess að þú tekur raunverulega hönnunarákvörðun byggða á fölsuðum sönnunargögnum. Annað er brenglun og hlutdrægni: gervigreind getur ýkt meirihlutaálitið og þurrkað út mikilvæga en lítt talaða þörf minnihlutans; eða staðalmyndir í þjálfunargögnum („gamalt fólk er hrætt við tækni“) gæti lekið inn í rannsóknir þínar. Eina leiðin til að verjast hvoru tveggja: stingdu hverri útkomu aftur inn í hrágögnin og spyrðu "í hvaða samtali, á hvaða línu, kemur þessi tilvitnun í raun fram?" er að spyrja spurningarinnar.

Varúð: Ekki setja neinar gervigreindar tilvitnanir til notenda í skýrslu, persónu eða kynningu án þess að finna og staðfesta þær orðrétt í hráa viðtalstextanum. Apókrýf tilvitnun gefur ranga mynd af raunverulegri hönnunarákvörðun.

Öruggt nýmyndunarflæði skref fyrir skref

1. Nafnlaus: Hreinsaðu persónuupplýsingar (nafn, tengilið, auðkennisupplýsingar) úr viðtalsafriti. Notendagögn eru persónuupplýsingar; Trúnaður er nauðsynlegur.
2. Kóðaðu, en biðjið um upprunann: Biddu gervigreindina um að biðja um hráa tjáningu og línu/uppspretta tilvísun sem samsvarar hverju merki.
3. Telja þemu: „Hversu margir notendur nefndu þetta? spyrja; Ekki láta eina manneskju setja fram skoðun sína sem almennt mynstur.
4. Bindið innsýnið aftur: Undir hverja innsýnarsetningu skaltu setja raunverulegar tilvitnanir sem hún er byggð á.
5. Leitaðu að gagndæmum: Spyrðu gervigreindina „eru til staðhæfingar sem standa gegn þessu þema, segðu hið gagnstæða? spyrja; þetta brýtur niður hlutdrægni og ofalhæfingu.

þrjú smámál

Mál 1 - Tilbúið tilvitnun náðist. Hópur tekur saman 12 samtöl við gervigreind; Gervigreindin býr til sláandi tilvitnun, „Einn af notendunum sagði: „Ég myndi kaupa þessa vöru sem gjöf,“ og teymið vildi láta hana fylgja með í kynningunni. Rannsakandi skannar hrátextana; Slík setning finnst ekki í neinu samtali. Gervigreindin „bjó til“ tilvitnun í jákvæða tóninn í heild sinni. Tilvitnunin er fjarlægð. Lærdómur: sérhver tilvitnun er staðfest orðrétt í hrágögnunum.

Mál 2 — Þurrkun á þörf minnihlutahópa. Hönnunarteymi framkvæmir rannsókn á eldhústækjum með 20 notendum. Gervigreindarskýrslan undirstrikar þemað „notendum er sama um hraða. En þegar teymið fer aftur að hráu gögnunum sjá þeir að 3 notendur nefndu þörfina fyrir einnar handarnotkun (einn með fatlaðan handlegg, einn með barn stöðugt); AI hefur vísað þessu á bug sem „minnihluta“. Hins vegar er þetta mikilvæg aðgengisinnsýn sem mun aðgreina vöruna. Lexía: töluleg þyngd þýðir ekki alltaf mikilvægi; minnihlutaþörf gæti verið verðmætasta innsýn.

Tilfelli 3 - Rétt notkun. Rannsakandi gefur 300 opin svör við könnunum við gervigreindinni og segir „merktu hvert svar við þessum þemum, teldu hversu mörg svör falla fyrir hvert þema og vitnaðu í 3 raunveruleg úrtakssvör orðrétt úr hverju þema. AI býr til 8 þemu, tölur og raunverulegar tilvitnanir. Rannsakandi skoðar tilvitnanir í sýnishorn í hrágögnum, þær eru allar raunverulegar. Þetta gerir töfluna upphaf skyldleikarannsóknarinnar. Lexía: skipulögð hvetja biðja um upptalningu + orðrétt tilvitnun gefur áreiðanlega og sannanlega myndun.

Afritanleg hvetja sniðmát

ÖRYGGI Kóðunarsniðmát "Merkaðu eftirfarandi (nafnlausu) viðtalsyfirlýsingar í þemu. Fyrir hverja staðhæfingu: (1) þemað sem þú úthlutaðir, (2) NÁKVÆMLEGA texta fullyrðingarinnar, (3) heimildartilvísun [númer viðtals/lína]. EKKI búa til neina staðhæfingu sem er EKKI í textanum. Merktu „óviss“ gögnin sem þú ert óviss um.“

ÞEMATALNINGARsniðmát" Dragðu þemu út úr eftirfarandi kóðuðu gögnum. Fyrir hvert þema: hversu margir Ólíkir notendur tjáðu það, dæmi 3 orðrétt tilvitnanir (með uppruna). Ekki setja fram skoðun sem einn einstaklingur hefur sett fram sem „almennt mynstur“; skrifaðu tíðnina skýrt. Gögn: [líma]."

MÓTIDÆMI / FORDÓMARBROTA SNIÐMÁT "Mig langar að prófa eftirfarandi innsýn sniðmát: '[innsýn]'. Listaðu fullyrðingar í hrágögnum sem GEGN þessu innsýn gefa til kynna hið gagnstæða, eða eru í minnihluta en geta verið mikilvæg. Markmiðið er að ná ofalhæfingu og hlutdrægni. Gögn: [líma]."

INSIGHT BACK-TENGING Sniðmát "Skrifaðu eftirfarandi innsýn setningu: [innsýn]. Strax fyrir neðan skaltu setja raunverulegar tilvitnanir (orðrétt, með heimild) sem STYÐJA þessa innsýn. Ef það eru ekki nægar beinar sannanir, segðu "ófullnægjandi sönnunargögn". EKKI BÆTA við tilbúnum sönnunargögnum."

Veik kvaðning / Sterk kvaðning

VEIK VEITING: "Taktu saman þessar samtöl og gefðu mér innsýn."

STERK HRINGING: "Greindu 12 nafnlausu viðtölin hér að neðan. (1) Merktu fullyrðingarnar í þemu. (2) Teldu hversu margir mismunandi notendur nefndu hvert þema. (3) Gefðu 2 NÁKVÆMAR tilvitnanir fyrir hvert þema (með viðtalsnúmeri). (4) Safnaðu minnihluta en hugsanlega mikilvægum þörfum undir sérstakri fyrirsögn. (5) Merktu ályktanir til að vera sannreyndar í texta sem staðfestar. EKKI búa til tilvitnanir sem eru ekki til Gögn: [líma].“

Veik hvetja gefur gervigreindinni frelsi til að afbaka og búa til; Það gerir samsetninguna sannreynanlega með sterkri skynditalningu, orðréttri tilvitnun, minnihlutavernd og „tilbúningsbanni“.

Algeng mistök

• Notaðu AI-myndaða tilvitnunina án þess að athuga það í hrágögnunum. Tilbúnar tilvitnanir eru hættulegustu rannsóknarmistökin.
• Að halda að tölulegur meirihluti sé eina viðmiðið sem skiptir máli. Minnihlutaþörfin er oft verðmætasta innsýn.
• Að gefa gervigreind persónuupplýsingar án þess að gera þau nafnlaus. Notendagögn eru persónuupplýsingar; Þagnarskylda er skylda.
• Er ekki að leita að gagndæmum. Samsetning sem reynir ekki á hið gagnstæða styrkir fordóma.
• Að misskilja gervigreindarskýrslu fyrir „rannsóknir“. Synthesis er upphaf; Innsýn byggist á hráum gögnum.

Ábending: Undir hverri innsýn skaltu spyrja "hvaða 2-3 raunverulegar tilvitnanir styðja þetta?" Skrifaðu spurninguna. Ef það er ekkert svar er sú innsýn samt tilgáta, ekki niðurstaða.

Í stuttu máli

Gervigreind er öflugur hraðall í nýmyndun notendarannsókna: það kóðar hundruð orðasambanda, flokkar þemu og framleiðir innsýn og persónur. En það eru tvær stórar áhættur: tilbúnar tilvitnanir og brenglun/hlutdrægni. Leiðin til að verjast þessu er að tengja hvert þema og vitna aftur í hrá gögnin, telja tíðni, varðveita þörf minnihlutahópa og leita að gagndæmum. Nafnlausu notendagögn, biðjið gervigreind um orðréttar tilvitnanir og heimildir, leggið á „ekki tilbúna“ reglu og teljið enga innsýn sem niðurstöður án þess að styðja þær með sönnunargögnum.

Umsóknarverkefni

Hafa 8-10 stuttar notendasögur, raunverulegar eða skáldaðar. Nafnleystu þá alla fyrst. Hafa gervigreindarþemu með „öruggri kóðun“ sniðmátinu; biðjið síðan um tíðni og orðrétt tilvitnanir með „Þemafjölda“ sniðmátinu. Athugaðu tilvitnanir sem gefin eru af gervigreindinni í hráa textanum eina í einu og merktu hvort þær séu raunverulegar eða ekki. Að lokum, með „mótdæmi“ sniðmátinu, leitaðu að fullyrðingum sem stangast á við meginþema þitt og skrifaðu niður hvort þú finnur þörf minnihlutahóps.

gátlisti

• [ ] Ég nafngreindi notendagögn áður en ég gaf þau til gervigreindar.
• [ ] Ég bað AI um orðréttar tilvitnanir og heimildatilvísanir fyrir hvert þema.
• [ ] Ég sannreyndi hverja tilvitnun með því að finna hana í hráum gögnum (fit check).
• [ ] Ég taldi tíðni þemanna og hélt þörfum minnihlutahópa sérstaklega.
• [ ] Ég prófaði hlutdrægni með því að leita að gagndæmum við helstu þemum mínum.
• [ ] Ég merkti ályktanir sem voru ekki byggðar á sönnunargögnum sem „tilgátur“ og taldi þær ekki sem niðurstöður.