Tổng hợp nghiên cứu người dùng và tạo thông tin chi tiết

Lợi nhuận:

• Khả năng mã hóa dữ liệu phỏng vấn, khảo sát và quan sát bằng trí tuệ nhân tạo và trích xuất các chủ đề và mẫu
• Khả năng soạn thảo các tuyên bố về tính cách, hành trình của người dùng và cái nhìn sâu sắc với sự hỗ trợ của trí tuệ nhân tạo
• Bảo vệ chống lại sự bịa đặt và sai lệch bằng cách kết nối và xác thực những hiểu biết sâu sắc do trí tuệ nhân tạo tạo ra trở lại dữ liệu thô

Sản phẩm tốt ra đời từ nhu cầu thực sự của người sử dụng chứ không phải từ gu thẩm mỹ của người thiết kế. Cách để hiểu nhu cầu này là thông qua nghiên cứu người dùng: phỏng vấn, khảo sát, quan sát thực địa, kiểm tra khả năng sử dụng. Nhưng phần khó nhất của nghiên cứu không phải là thu thập dữ liệu mà là hiểu nó. Cần có kinh nghiệm và thời gian để đọc hàng chục trang ghi chép cuộc phỏng vấn và hàng trăm câu trả lời khảo sát, đồng thời rút ra các mô hình, nhu cầu và hiểu biết thực tế (cái nhìn sâu sắc; ý nghĩa "aha" đằng sau dữ liệu). Đây là lúc trí tuệ nhân tạo trở thành một trợ lý tổng hợp mạnh mẽ: nó nhanh chóng mã hóa các khối văn bản lớn, nhóm chủ đề, chỉ ra các mẫu. Nhưng chính sức mạnh này, nếu không được sử dụng cẩn thận, sẽ tạo ra những trích dẫn giả mạo, sự nhấn mạnh sai lệch và thành kiến. Học phần này giải thích cách sử dụng AI làm công cụ tăng tốc trong quá trình tổng hợp nghiên cứu và lý do bạn nên kết nối mọi hiểu biết sâu sắc trở lại với dữ liệu thô.

Tổng hợp nghiên cứu là gì và AI phù hợp ở đâu?

Dữ liệu nghiên cứu thô rất lộn xộn: một người dùng nói rằng anh ta "luôn tìm cáp sạc", một người khác nói "đèn ngủ quá sáng", một người khác phàn nàn rằng anh ta "không thể tìm thấy các nút trong bóng tối". Tổng hợp là hành động nhóm các tuyên bố đơn lẻ này ("sử dụng ban đêm có vấn đề") và biến chúng thành thông tin chi tiết ("người dùng sử dụng sản phẩm này tốt nhất trong bóng tối, nhưng sản phẩm được thiết kế để sử dụng vào ban ngày"). Trong phương pháp cổ điển, các nhà thiết kế thực hiện điều này bằng sơ đồ ái lực (nhóm vật lý/kỹ thuật số của các ghi chú tương tự).

AI tăng tốc một số bước của quá trình này:

1. Mã hóa: Gán thẻ chủ đề cho từng câu ("sử dụng ban đêm", "khó cài đặt"). AI gắn thẻ trước hàng trăm cụm từ trong vài phút.
2. Chủ đề: Thu thập các thẻ vào supersets. AI chỉ ra các mẫu lặp lại.
3. Bản phác thảo sâu sắc: Gợi ý các câu “aha” từ các chủ đề. AI tạo ra bản nháp, bạn lọc.
4. Phác thảo về tính cách và hành trình: Phác thảo hồ sơ người dùng điển hình và các bước sử dụng.

Quy tắc quan trọng: AI tóm tắt và nhóm lại, nhưng dữ liệu thô nói lên sự thật. Mọi chủ đề và mọi trích dẫn phải được liên kết trở lại bản ghi cuộc phỏng vấn thực tế và được xác minh.

Hai rủi ro lớn nhất: báo giá giả và sai lệch

Có hai cạm bẫy nguy hiểm của AI trong quá trình tổng hợp nghiên cứu. Đầu tiên là câu trích dẫn bịa đặt (ảo giác): AI có thể tạo ra một câu trích dẫn của người dùng không có trong dữ liệu nhưng “nghe có vẻ đúng”. Đây là sai lầm nguy hiểm nhất trong nghiên cứu vì bạn đưa ra quyết định thiết kế thực sự dựa trên bằng chứng giả mạo. Thứ hai là bóp méo và thiên vị: AI có thể phóng đại ý kiến ​​của đa số và xóa bỏ nhu cầu quan trọng nhưng ít được nói ra của thiểu số; hoặc những khuôn mẫu trong dữ liệu đào tạo (“người già sợ công nghệ”) có thể lọt vào nghiên cứu của bạn. Cách duy nhất để đề phòng cả hai: cắm lại từng đầu ra vào dữ liệu thô và hỏi "trong cuộc trò chuyện nào, trên dòng nào, câu trích dẫn này có thực sự xảy ra không?" là đặt câu hỏi.

Thận trọng: Không đưa bất kỳ trích dẫn nào của người dùng do AI tạo vào báo cáo, cá nhân hoặc bản trình bày mà không tìm và xác nhận chúng nguyên văn trong văn bản phỏng vấn thô. Một trích dẫn ngụy tạo trình bày sai một quyết định thiết kế thực tế.

Quy trình tổng hợp an toàn từng bước

1. Ẩn danh: Làm sạch dữ liệu cá nhân (tên, liên hệ, chi tiết nhận dạng) khỏi bản ghi cuộc phỏng vấn. Dữ liệu người dùng là dữ liệu cá nhân; Bảo mật là điều cần thiết.
2. Mã hóa nhưng yêu cầu nguồn: Yêu cầu AI yêu cầu biểu thức thô và tham chiếu dòng/nguồn tương ứng với mỗi thẻ.
3. Đếm chủ đề: “Có bao nhiêu người dùng đã đề cập đến điều này?” hỏi; Đừng để một người trình bày quan điểm của mình theo khuôn mẫu chung.
4. Gắn lại cái nhìn sâu sắc: Dưới mỗi câu cái nhìn sâu sắc, hãy đặt những trích dẫn thực tế làm cơ sở cho câu đó.
5. Tìm các phản ví dụ: Hỏi AI “có tuyên bố nào phản đối chủ đề này không, nói ngược lại?” hỏi; điều này phá vỡ sự thiên vị và khái quát hóa quá mức.

ba trường hợp nhỏ

Trường hợp 1 - Báo giá bịa đặt bị phát hiện. Một nhóm tóm tắt 12 cuộc hội thoại với AI; AI tạo ra một câu trích dẫn nổi bật, “Một trong những người dùng đã nói: ‘Tôi sẽ mua sản phẩm này làm quà tặng’” và nhóm muốn đưa nó vào bài thuyết trình. Một nhà nghiên cứu quét các văn bản thô; Một câu như vậy không được tìm thấy trong bất kỳ cuộc trò chuyện nào. AI “bịa ra” một câu trích dẫn từ giọng điệu tích cực tổng thể. Trích dẫn đã bị xóa. Bài học: mọi trích dẫn đều được xác minh nguyên văn trong dữ liệu thô.

Trường hợp 2 - Xóa bỏ nhu cầu của thiểu số. Một nhóm thiết kế tiến hành nghiên cứu thiết bị nhà bếp với 20 người dùng. Bản tóm tắt AI nêu bật chủ đề “người dùng quan tâm đến tốc độ”. Nhưng khi nhóm quay lại dữ liệu thô, họ thấy có 3 người dùng đề cập đến nhu cầu sử dụng bằng một tay (một người bị khuyết tật cánh tay, một người liên tục bế em bé); AI đã bác bỏ điều này như một "thiểu số". Tuy nhiên, đây là thông tin chi tiết quan trọng về khả năng tiếp cận giúp tạo sự khác biệt cho sản phẩm. Bài học: trọng số không phải lúc nào cũng có nghĩa là quan trọng; nhu cầu thiểu số có thể là cái nhìn sâu sắc có giá trị nhất.

Trường hợp 3 - Sử dụng đúng. Một nhà nghiên cứu cung cấp 300 câu trả lời mở cho cuộc khảo sát cho AI và cho biết “gắn nhãn cho từng câu trả lời cho các chủ đề này, đếm xem có bao nhiêu câu trả lời phù hợp với mỗi chủ đề và trích dẫn nguyên văn 3 câu trả lời mẫu thực tế từ mỗi chủ đề”. AI tạo ra 8 chủ đề, con số và dấu ngoặc kép thực. Nhà nghiên cứu kiểm tra các trích dẫn mẫu trong dữ liệu thô, tất cả đều có thật. Điều này làm cho bảng này trở thành sự khởi đầu của nghiên cứu mối quan hệ. Bài học: lời nhắc có cấu trúc yêu cầu liệt kê + trích dẫn nguyên văn mang lại sự tổng hợp đáng tin cậy và có thể kiểm chứng được.

Mẫu lời nhắc có thể sao chép

MẪU MÃ HÓA AN TOÀN "Gắn thẻ các câu trả lời phỏng vấn (ẩn danh) sau đây vào các chủ đề. Đối với mỗi câu phát biểu: (1) chủ đề bạn đã chỉ định, (2) văn bản CHÍNH XÁC của câu phát biểu, (3) tài liệu tham khảo nguồn [số/dòng phỏng vấn]. KHÔNG tạo nên bất kỳ câu phát biểu nào KHÔNG có trong văn bản. Dán nhãn 'không chắc chắn' cho câu phát biểu mà bạn không chắc chắn. Dữ liệu: [dán]."

MẪU ĐẾM CHỦ ĐỀ"Trích xuất các chủ đề từ dữ liệu được mã hóa sau. Đối với mỗi chủ đề: có bao nhiêu người dùng KHÁC NHAU thể hiện nó, ví dụ 3 trích dẫn nguyên văn (có nguồn). Không trình bày quan điểm do một người bày tỏ dưới dạng 'mẫu chung'; viết tần suất rõ ràng. Dữ liệu: [dán]."

MẪU ĐÁNH GIÁ / PHÁ VỠ ĐỊNH GIÁC "Tôi muốn thử nghiệm mẫu thông tin chi tiết sau: '[thông tin chi tiết]'. Liệt kê các tuyên bố trong dữ liệu thô CHỐNG LẠI thông tin chi tiết này, ngụ ý điều ngược lại hoặc thuộc nhóm thiểu số nhưng có thể quan trọng. Mục tiêu là để nắm bắt được sự khái quát hóa quá mức và thành kiến. Dữ liệu: [dán]."

MẪU LIÊN KẾT TRỞ LẠI CHI TIẾT "Viết câu sâu sắc sau: [cái nhìn sâu sắc]. Ngay bên dưới, đặt những trích dẫn thực tế (nguyên văn, có nguồn) HỖ TRỢ cái nhìn sâu sắc này. Nếu không có đủ bằng chứng trực tiếp, hãy nói 'không đủ bằng chứng'. KHÔNG THÊM bằng chứng bịa đặt."

Dấu nhắc yếu / Dấu nhắc mạnh

NHẮC NHỞ YẾU: "Tóm tắt những cuộc trò chuyện này và cung cấp cho tôi thông tin chi tiết."

LƯU Ý MẠNH MẼ: "Phân tích 12 cuộc phỏng vấn ẩn danh bên dưới. (1) Dán nhãn các câu phát biểu thành các chủ đề. (2) Đếm xem có bao nhiêu người dùng khác nhau đã đề cập đến từng chủ đề. (3) Đưa ra 2 câu trích dẫn CHÍNH XÁC cho mỗi chủ đề (kèm theo số cuộc phỏng vấn). (4) Thu thập các nhu cầu thiểu số nhưng có thể quan trọng dưới một tiêu đề riêng. (5) Đánh dấu các suy luận không đủ bằng chứng là 'cần được xác minh' trong văn bản. KHÔNG tạo ra bất kỳ trích dẫn nào không tồn tại. Dữ liệu: [dán].”

Dấu nhắc yếu giúp AI có quyền tự do bóp méo và chế tạo; Nó làm cho sự tổng hợp có thể kiểm chứng được bằng cách đếm nhanh chóng, trích dẫn nguyên văn, bảo vệ thiểu số và "lệnh cấm bịa đặt".

Những lỗi thường gặp

• Sử dụng trích dẫn do AI tạo mà không kiểm tra nó trong dữ liệu thô. Báo giá bịa đặt là sai lầm nghiên cứu nguy hiểm nhất.
• Nghĩ rằng đa số là tiêu chí quan trọng duy nhất. Nhu cầu thiểu số thường là cái nhìn sâu sắc có giá trị nhất.
• Cung cấp dữ liệu cá nhân cho AI mà không ẩn danh nó. Dữ liệu người dùng là dữ liệu cá nhân; Bảo mật là bắt buộc.
• Không tìm phản ví dụ. Tổng hợp không kiểm tra điều ngược lại sẽ củng cố thành kiến.
• Nhầm bản tóm tắt AI với “nghiên cứu”. Tổng hợp là một sự khởi đầu; Cái nhìn sâu sắc dựa trên dữ liệu thô.

Mẹo: Dưới mỗi thông tin chi tiết, hãy hỏi “2-3 câu trích dẫn thực tế nào hỗ trợ điều này?” Viết câu hỏi. Nếu không có câu trả lời, cái nhìn sâu sắc đó vẫn là một giả thuyết, không phải là một phát hiện.

Tóm lại

AI là một công cụ tăng tốc mạnh mẽ trong việc tổng hợp nghiên cứu người dùng: nó mã hóa hàng trăm cụm từ, nhóm chủ đề và tạo ra thông tin chuyên sâu cũng như cá tính. Nhưng có hai rủi ro chính: báo giá bịa đặt và sự bóp méo/sai lệch. Cách để đề phòng những điều này là liên kết từng chủ đề và trích dẫn lại dữ liệu thô, đếm tần suất, duy trì nhu cầu thiểu số và tìm kiếm các ví dụ phản biện. Ẩn danh dữ liệu người dùng, yêu cầu AI cung cấp các trích dẫn và nguồn nguyên văn, áp đặt quy tắc “không bịa đặt” và không coi bất kỳ thông tin chi tiết nào là phát hiện mà không có bằng chứng hỗ trợ.

Nhiệm vụ ứng dụng

Có 8-10 lời chứng thực ngắn gọn của người dùng, có thật hoặc hư cấu. Ẩn danh tất cả chúng trước tiên. Có chủ đề thẻ AI với mẫu “mã hóa an toàn”; sau đó yêu cầu tần suất và trích dẫn nguyên văn bằng mẫu “Số chủ đề”. Kiểm tra từng câu trích dẫn do AI đưa ra trong văn bản thô và đánh dấu xem chúng có thật hay không. Cuối cùng, với mẫu “Ví dụ phản biện”, hãy tìm những câu mâu thuẫn với chủ đề chính của bạn và viết ra xem bạn có thấy nhu cầu của thiểu số hay không.

danh sách kiểm tra

• [ ] Tôi đã ẩn danh dữ liệu người dùng trước khi đưa nó cho AI.
• [ ] Tôi đã yêu cầu AI cung cấp các trích dẫn nguyên văn và nguồn tham khảo cho từng chủ đề.
• [ ] Tôi đã xác minh từng báo giá bằng cách tìm nó trong dữ liệu thô (kiểm tra mức độ phù hợp).
• [ ] Tôi đếm tần suất của các chủ đề và giữ riêng các nhu cầu của thiểu số.
• [ ] Tôi đã kiểm tra độ thiên vị bằng cách tìm kiếm các ví dụ phản bác lại các chủ đề chính của mình.
• [ ] Tôi đã đánh dấu những suy luận không dựa trên bằng chứng là "giả thuyết" và không tính chúng là phát hiện.