用户研究让你的AI更智能

导语：AI时代，用户研究机遇与挑战并存。如何让AI赋能传统的用户研究？ 如何通过用户研究解决AI带来的体验新痛点？这是广大研究人员共同面临的问题。微软Office首席用户研究经理Penny Marsh Collisson 与Gwenyth Hardiman、Michaelvincent Santos 等人通过《User Research Makes Your AI Smarter》一文探讨了对该问题的思考。本文在不改变作者原意的情况下进行了编译，分享给大家。

随着人工智能（Artificial Intelligence, AI）的普及，人机互动方式也发生着改变，人们对产品的期望也越来越高。用户体验从业者不仅要考虑AI产品的有效性，还需收集用户对AI产品的使用反馈，从而创造更好的使用体验。但是，收集AI产品的使用反馈并不是一件容易的事情。

传统的研究方法诸如民族志、原型设计、用户问卷调查、日志分析等仍可用来评估AI产品的用户体验。但是，AI系统具有情境感知能力，可以提供个性化服务，能通过机器学习不断升级，还**有出错的风险。这些新的特征为研究AI产品的用户体验带来了新的机遇和挑战。

接下来，我们将分享几点从工作中总结的AI产品用户体验研究实用技巧。

01 招募多样化的被试

作为用户体验从业者，我们有责任提供多样化的AI产品体验，来满足不同背景、不同能力的用户的需求。如果我们仅关注部分用户需求，那么所构建的AI交互模型将**存在偏差，并且这些偏差**随着机器学习的训练而不断加深。因此，在研究AI产品用户体验时，仅按照基本的人口属性（如：性别、年龄等）进行随机抽样是不够的，还需要考虑一些与AI产品使用体验相关的抽样因素。如：

• 用户对AI和隐私的态度；
• 用户对新兴科技的接受程度；
• 用户对科技的自我效能感（译者注：自我效能感指人们对自身能否完成任务或达成目标的自信程度）；
• 用户所在的地域分布；
• 用户所处的社**环境和社**规范；
• 用户的体能、认知能力、情感能力等；
• 即使是在产品前期收集用户反馈时，也需要招募具有以上因素的用户。

02 用绿野仙踪法来“模拟”AI

在早期的原型设计阶段，

AI系统可能尚未实现全部的功能或交互方式，还不能称之为“产品”。如果使用这样的系统做研究，被试的使用体验是不完整的。因此，我们可以尝试使用绿野仙踪研究法（Wizard of Oz techniques）。

这个方法中，研究人员在“幕后“模拟AI系统的交互过程和结果，让被试误认为自己是在与真实的AI系统进行互动。例如，研究人员根据被试之前的选择设置AI系统的推荐结果，被试却以为这是AI系统的实时反馈。当被试认为他们操作的是真实的AI系统时，他们能够更认真地、更自然地进行互动。

03 将被试的“真实信息”整合到你的AI系统原型中

在进行绿野仙踪测试时，将被试的“真实信息”预先整合到AI系统原型中也是很重要的。

例如，系统对手机相册进行人脸识别时，识别出普通人的照**和识别出好朋友的照**，用户的感受是大不相同的。如果仅仅在AI系统中使用一些通用的内容，用户可能不**流露真情实感，而与自己相关的真实信息才**让用户更投入地交互。

04 在谈论AI时，多了解用户对人本身的期待

生活中有很多关于AI的传闻，当我们向被试提及AI，他们可能**基于对AI的刻板印象或目前热议的AI负面事件进行联想，也可能过分理想地认为AI无所不能。如果想更好地了解用户对AI产品的期待，研究人员可以让用户更多思考“如果是人类，TA能如何帮助到你”。

在谈论AI产品时，可以使用以下问题来帮助用户多谈论对人本身的期待：

• 你目前如何寻求他人帮助来达成自己的目标？
• 你希望的（某个领域）专家是什么样的，**做什么？

05 关注AI产品出错时的体验

AI产品并不完美。人工智能算法是基于概率的、有缺陷的，所以是**犯错误的。特别是在AI产品设计的早期，原型设计通常比较理想化，使用这样的交互原型进行用户研究得到的用户体验反馈往往过于乐观。

为此在AI产品原型评估阶段，我们应该多考虑AI产品实际应用过程中**出现的错误，从而弥补实际体验与理想原型之间的差距。一旦了解AI产品出错对用户体验的影响，研究人员就可以通过设计来减轻这类负面影响。

在关注出错体验时，有以下几点值得思考：

• 有意在AI产品原型中引入可能“出错”的东西；
• 使用绿野仙踪研究时，确保你的交互系统包含不同类型的错误；
• 让被试体验不同出错程度的交互模型，如：一切运行正确；有些地方出错了；大部分出错了；全部都出错了；
• 邀请被试讨论哪些出错对他们的体验影响最大。

06 洞察用户的心智模型

虽然人们在不了解AI技术背后的具体细节时，也能获得积极的产品体验，但在用户的心智模型中，对于AI系统能提供什么服务，何时以及为什么提供，是有预期的。

研究人员容易假设用户能够正确理解AI系统是如何工作的，实际上用户的理解经常是错误的（即使他们对此非常有信心）。找到用户的心智模型与AI系统的实际表现之间的差距，就能通过设计来更好地改善AI系统的设计。

要了解被试如何理解你的AI系统运作模式，可以尝试如下方法：

• 让被试写下他们理解的AI系统的实现逻辑。例如，给用户一个结果，让他们解释产生该结果的原因和方式；
• 给用户一个结果，让用户思考导致该结果产生的数据或者交互行为是什么。

07 关注共性趋势的同时，也需要关注个性化需求

不同的用户处于不同情境，**产生不同的输入内容和交互方式，因此，每个人对AI产品都有不同的体验需求。只是洞察大多数人的共性需求是不够的，也需要关注少数人的个性化需求，并理解他们为什么**产生这种个性化需求。这在评估覆盖用户类型较广的AI产品时，尤为重要。

版权声明：本文在不改变作者原意的情况下，做了删减和编排，版权属原作者所有。本文仅为翻译，不代表本院观点。

编译：AIID非正式编译组

原文作者：Penny Marsh Collisson, Gwenyth Hardiman，Michaelvincent Santos

原文链接：https://medium.com/microsoft-design/user-research-makes-your-ai-smarter-70f6ef6eb25a

本文由 @Du Design 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议