Usanifu wa Utafiti wa Mtumiaji na Kizazi cha Maarifa

Faida:

• Uwezo wa kurekodi mahojiano, uchunguzi na data ya uchunguzi na akili ya bandia na kutoa mada na muundo
• Uwezo wa kuandaa persona, safari ya mtumiaji na taarifa za ufahamu kwa msaada wa akili ya bandia
• Kulinda dhidi ya upotoshaji na upendeleo kwa kuunganisha na kuthibitisha maarifa yanayotokana na akili bandia kurudi kwenye data mbichi.

Bidhaa nzuri huzaliwa kutoka kwa hitaji la kweli la mtumiaji, sio kutoka kwa ladha ya mbuni. Njia ya kuelewa hitaji hili ni kupitia utafiti wa watumiaji: mahojiano, tafiti, uchunguzi wa uwanjani, majaribio ya utumiaji. Lakini sehemu ngumu zaidi ya utafiti sio kukusanya data, lakini kuifanya iwe na maana. Inachukua uzoefu na muda kusoma makumi ya kurasa za nakala za mahojiano na mamia ya majibu ya uchunguzi na kutoa mwelekeo halisi, mahitaji na maarifa (umaizi; maana ya "aha" nyuma ya data). Hapa ndipo akili bandia ni msaidizi mwenye nguvu wa usanisi: huweka misimbo kwa haraka vipande vikubwa vya maandishi, mandhari ya vikundi, huonyesha ruwaza. Lakini uwezo huohuo, usipotumiwa kwa uangalifu, hutokeza nukuu za uwongo, mkazo uliopotoka, na upendeleo. Kitengo hiki kinaelezea jinsi ya kutumia AI kama kichapuzi katika usanisi wa utafiti na kwa nini unapaswa kuunganisha kila maarifa na data mbichi.

Usanisi wa utafiti ni nini na AI inafaa wapi?

Data mbichi ya utafiti ni ya fujo: mtumiaji mmoja anasema "hutafuta kebo ya kuchaji kila wakati," mwingine anasema "mwanga wa usiku unang'aa sana," mwingine analalamika kwamba "hawezi kupata vitufe gizani." Usanisi ni kitendo cha kupanga kauli hizi moja ("matumizi ya usiku ni ya shida") na kuzigeuza kuwa ufahamu ("watumiaji hutumia bidhaa hii vizuri zaidi gizani, lakini bidhaa imeundwa kwa matumizi ya mchana"). Kwa njia ya classical, wabunifu hufanya hivyo kwa mchoro wa mshikamano (kikundi cha kimwili / digital cha maelezo sawa).

AI huharakisha hatua kadhaa za mchakato huu:

1. Usimbaji: Kukabidhi lebo za mandhari kwa kila taarifa ("matumizi ya usiku", "ugumu wa kusakinisha"). AI huweka tagi mapema mamia ya vifungu kwa dakika.
2. Mandhari: Kukusanya lebo katika seti kuu. AI inaashiria mifumo inayorudiwa.
3. Mchoro wa maarifa: Kupendekeza sentensi "aha" kutoka kwa mada. AI hutoa rasimu, unachuja.
4. Mtu na muhtasari wa safari: Kuchora wasifu wa kawaida wa mtumiaji na hatua za utumiaji.

Kanuni muhimu: AI hufanya muhtasari na vikundi, lakini data mbichi husema ukweli. Kila mandhari na kila nukuu inapaswa kuunganishwa nyuma kwa nakala halisi ya mahojiano na kuthibitishwa.

Hatari kuu mbili: nukuu za uwongo na upendeleo

Kuna mitego miwili hatari ya AI katika usanisi wa utafiti. Ya kwanza ni nukuu iliyoundwa (hallucination): AI inaweza kutoa nukuu ya mtumiaji ambayo haiko kwenye data lakini "inasikika sawa." Hili ndilo kosa hatari zaidi katika utafiti kwa sababu unafanya uamuzi halisi wa kubuni kulingana na ushahidi bandia. Ya pili ni upotoshaji na upendeleo: AI inaweza kutia chumvi maoni ya wengi na kufuta hitaji muhimu lakini lisilosemwa kidogo la wachache; au dhana potofu katika data ya mafunzo (“wazee wanaogopa teknolojia”) zinaweza kuvuja katika utafiti wako. Njia pekee ya kulinda dhidi ya zote mbili: chomeka kila pato kwenye data mbichi na uulize "katika mazungumzo gani, kwenye mstari gani, nukuu hii inatokea?" ni kuuliza swali.

Tahadhari: Usijumuishe manukuu yoyote ya mtumiaji yanayotokana na AI katika ripoti, mtu au wasilisho bila kuyapata na kuyathibitisha kwa neno moja katika maandishi ghafi ya mahojiano. Nukuu ya apokrifa inawakilisha vibaya uamuzi halisi wa muundo.

Mtiririko wa usanisi salama hatua kwa hatua

1. Usitambulishe: Osha data ya kibinafsi (jina, anwani, maelezo ya kutambua) kutoka kwa nakala za mahojiano. Data ya mtumiaji ni data ya kibinafsi; Usiri ni muhimu.
2. Weka msimbo, lakini omba chanzo: Uliza AI iombe usemi ghafi na marejeleo ya mstari/chanzo sambamba na kila lebo.
3. Hesabu mada: "Ni watumiaji wangapi walitaja hii?" uliza; Usiruhusu mtu mmoja atoe maoni yake kama muundo wa jumla.
4. Funga ufahamu nyuma: Chini ya kila sentensi ya ufahamu, weka nukuu halisi ambazo msingi wake unategemea.
5. Tafuta mifano pinzani: Uliza AI "kuna taarifa zinazopinga mada hii, sema kinyume?" uliza; hii inavunja upendeleo na ujanibishaji wa jumla.

kesi tatu ndogo

Kesi ya 1 - Nukuu iliyotungwa imenaswa. Timu inatoa muhtasari wa mazungumzo 12 na AI; AI ​​inatoa nukuu ya kushangaza, "Mmoja wa watumiaji alisema, 'Ningenunua bidhaa hii kama zawadi,'" na timu ilitaka kuijumuisha kwenye wasilisho. Mtafiti anakagua maandishi mabichi; Sentensi kama hiyo haipatikani katika mazungumzo yoyote. AI "ilitengeneza" nukuu kutoka kwa sauti chanya ya jumla. Nukuu imeondolewa. Somo: kila nukuu inathibitishwa neno moja kwa moja katika data ghafi.

Kesi ya 2 - Kufutwa kwa hitaji la wachache. Timu ya wabunifu hufanya utafiti wa vifaa vya jikoni na watumiaji 20. Muhtasari wa AI unaonyesha mada ya "watumiaji wanajali kasi." Lakini wakati timu inarudi kwenye data mbichi, wanaona kuwa watumiaji 3 walitaja hitaji la matumizi ya mkono mmoja (mmoja aliye na mkono mlemavu, anayebeba mtoto kila wakati); AI imepuuza hili kama "wachache". Hata hivyo, huu ni ufahamu muhimu wa ufikivu ambao utatofautisha bidhaa. Somo: uzito wa nambari haimaanishi umuhimu kila wakati; hitaji la wachache linaweza kuwa ufahamu wa thamani zaidi.

Kesi 3 - Matumizi sahihi. Mtafiti analisha majibu 300 ya uchunguzi wazi kwa AI na kusema "weka lebo kwa kila jibu kwa mada hizi, hesabu ni majibu mangapi kwa kila mada, na nukuu majibu 3 halisi ya sampuli kutoka kwa kila mada." AI inazalisha mandhari 8, nambari na nukuu halisi. Mtafiti hukagua sampuli za dondoo kwenye data mbichi, zote ni za kweli. Hii inafanya jedwali kuwa mwanzo wa utafiti wa mshikamano. Somo: haraka iliyopangwa kuuliza hesabu + nukuu ya neno moja hutoa usanisi unaotegemeka na unaoweza kuthibitishwa.

Violezo vya haraka vinavyoweza kunakiliwa

KIOLEZO CHA USHINDI SALAMA "Weka kauli zifuatazo (zisizojulikana) katika mada. Kwa kila kauli: (1) mandhari uliyokabidhi, (2) maandishi HASWA ya taarifa hiyo, (3) marejeleo ya chanzo [nambari ya mahojiano/mstari]. USITUNGO taarifa yoyote ambayo HAIKO kwenye maandishi. Weka lebo 'haina uhakika' taarifa ambayo huna uhakika nayo. Data: [

KIOLEZO CHA KUHESABU MADHARA"Nyoa mandhari kutoka kwa data ifuatayo yenye msimbo. Kwa kila mada: ni watumiaji wangapi TOFAUTI waliielezea, kwa mfano manukuu 3 ya neno (pamoja na chanzo). Usiwasilishe maoni yaliyotolewa na mtu mmoja kama 'mchoro wa jumla'; andika marudio kwa uwazi. Data: [bandika]."

MFANO KINGA / UBAGUZI WA KUVUNJA "Nataka kujaribu kiolezo kifuatacho cha maarifa: '[maarifa]'. Orodhesha kauli katika data ghafi ambayo DHIDI ya utambuzi huu, inaashiria kinyume, au ziko katika wachache lakini inaweza kuwa muhimu. Lengo ni kupata ujanibishaji na upendeleo. Data: [bandika]."

KIOLEZO CHA KUUNGANISHA NYUMA UTAFITI "Andika sentensi ifuatayo ya umaizi: [maarifa]. Mara moja hapa chini, weka dondoo halisi (neno, pamoja na chanzo) ambazo ZINAUNGA Mwongozo huu. Ikiwa hakuna ushahidi wa kutosha wa moja kwa moja, sema 'ushahidi usiotosha'. USIONGEZE ushahidi wa maandishi."

Mwongozo dhaifu / Mwongozo thabiti

UHAKIKI DHAIFU: "Fanya muhtasari wa mazungumzo haya na unipe maarifa."

UHAKIKI MKALI: "Changanua mahojiano 12 ambayo hayakutambulisha kwa majina yaliyo hapa chini. (1) Weka taarifa kwenye mada. (2) Hesabu ni watumiaji wangapi tofauti walitaja kila mada. (3) Toa manukuu 2 SAHIHI kwa kila mada (pamoja na nambari ya mahojiano). (4) Kusanya mahitaji machache lakini yanayoweza kuwa muhimu chini ya kichwa tofauti. (5) Weka alama kwenye makisio yaliyothibitishwa kwa 'maelekezo' ya kutosha. USITUNGE nukuu zozote ambazo hazipo: [bandika].

Uharaka dhaifu unaipa AI uhuru wa kupotosha na kutengeneza; Hufanya usanisi uthibitishwe kwa kuhesabu haraka haraka, nukuu ya neno, ulinzi wa wachache, na "marufuku ya kutengeneza".

Makosa ya kawaida

• Kutumia nukuu inayotokana na AI bila kuiangalia kwenye data mbichi. Nukuu ya uwongo ni kosa hatari zaidi la utafiti.
• Kufikiri kwamba idadi kubwa ya idadi ni kigezo pekee cha umuhimu. Mahitaji ya wachache mara nyingi ni ufahamu wa thamani zaidi.
• Kutoa data ya kibinafsi kwa AI bila kuificha. Data ya mtumiaji ni data ya kibinafsi; Usiri ni lazima.
• Sio kutafuta mifano ya kupinga. Mchanganyiko ambao haujaribu kinyume huimarisha chuki.
• Kukosea muhtasari wa AI kwa "utafiti." Usanisi ni mwanzo; Maarifa yanatokana na data ghafi.

Kidokezo: Chini ya kila ufahamu, uliza "ni nukuu gani 2-3 halisi zinazounga mkono hili?" Andika swali. Ikiwa hakuna jibu, ufahamu huo bado ni dhana, sio kutafuta.

Kwa muhtasari

AI ni kichapuzi chenye nguvu katika usanisi wa utafiti wa watumiaji: huweka mamia ya misemo, mandhari ya vikundi, na hutoa maarifa na watu. Lakini kuna hatari mbili kuu: nukuu zilizotungwa na upotoshaji/upendeleo. Njia ya kujikinga dhidi ya haya ni kuunganisha kila mada na kunukuu nyuma kwa data ghafi, kuhesabu marudio, kuhifadhi hitaji la wachache, na kutafuta mifano pinzani. Usitambulishe data ya mtumiaji, uliza AI kwa manukuu na vyanzo vya neno mojamoja, weka sheria ya "kutotengeneza" na usihesabu maarifa yoyote kama matokeo bila kuyaunga mkono na ushahidi.

Jukumu la maombi

Kuwa na shuhuda 8-10 fupi za watumiaji, halisi au za kubuni. Wafiche wote kwanza. Kuwa na mandhari ya lebo ya AI yenye kiolezo cha "coding salama"; kisha uulize manukuu ya mara kwa mara na neno moja kwa kutumia kiolezo cha "Hesabu ya Mandhari". Angalia nukuu zilizotolewa na AI katika maandishi mbichi moja baada ya nyingine na uweke alama ikiwa ni za kweli au la. Hatimaye, kwa kiolezo cha "Mfano wa kukabiliana", tafuta kauli zinazokinzana na mada yako kuu na uandike ikiwa utapata hitaji la wachache.

orodha ya ukaguzi

• [ ] Nilificha data ya mtumiaji kabla ya kuipa AI.
• [ ] Niliuliza AI kwa manukuu ya neno moja na marejeleo ya chanzo kwa kila mada.
• [ ] Nilithibitisha kila nukuu kwa kuipata kwenye data mbichi (fit check).
• [ ] Nilihesabu marudio ya mada na kuweka mahitaji ya wachache kando.
• [ ] Nilijaribu upendeleo kwa kutafuta mifano ya kupingana na mada zangu kuu.
• [ ] Nilitia alama makisio ambayo hayakutegemea ushahidi kama "dhahania" na sikuyahesabu kama matokeo.