هوش مصنوعی | متن کامل رایگان | طبقه بندی خودکار نیازهای کاربر برای طراحان تجربه کاربری مبتدی: مدل کانو و رویکرد تحلیل متن با استفاده از یادگیری عمیق

۱٫ معرفی

در سال های اخیر، تمرکز چشم انداز صنعتی در چین به تدریج از تولید به سمت خدمات تغییر کرده است و تحقیق در مورد نیازهای کاربران برای موقعیت یابی محصول و عملکرد خدمات بسیار مهم شده است. [۱]. تقاضای سازمانی برای تجربه کاربری بهتر (UX) نیاز به آموزش UX را ایجاد کرده است [۲,۳]. اگرچه تجزیه و تحلیل نیازهای کاربران برای تحقیقات UX ضروری است، اما بسیار چالش برانگیز است [۴]. با محبوبیت صنعت UX، بسیاری از مبتدیان با سوابق حرفه ای متنوع وارد این عرصه می شوند [۵]. عدم تجربه و بینش آنها در صنعت، طبقه بندی یا اولویت بندی نیازهای کاربران و تعیین جهت توسعه محصول یا خدمات را دشوار می کند. روش‌های کنونی، مانند نمودارهای وابستگی، اگرچه ارزشمند هستند، اما اغلب به منابع و تخصص گسترده نیاز دارند، که دسترسی آنها را برای مبتدیان و محیط‌های آموزشی محدود می‌کند. بنابراین، این مطالعه با معرفی یک ابزار نوآورانه که مدل کانو را با یادگیری عمیق ادغام می کند، این شکاف را پر می کند. از نظر تئوری، درک ما از این که چگونه هوش مصنوعی می تواند به طور موثر در تحقیقات UX به کار گرفته شود را ارتقا می دهد. در عمل، راه حلی کاربرپسند برای مبتدیان در طراحی UX ارائه می دهد که فرآیند پیچیده طبقه بندی نیازهای کاربر را قابل دسترس تر و منابع کمتری را مصرف می کند.

۱٫۱٫ پیشینه و اهمیت

این مطالعه از دوره UX Foundation الهام گرفته است. این دوره به طور ارگانیک تفکر طراحی و استراتژی‌های دانشگاه استنفورد را ادغام می‌کند و رویکردی مبتنی بر پروژه را برای کل فرآیند توسعه محصول، از تحقیقات کاربر تا طراحی نمونه اولیه، آموزش می‌دهد. [۶,۷]. به طور سنتی، نیازهای کاربران با استفاده از نظرسنجی های پرسشنامه، مصاحبه ها (یا گروه های متمرکز)، و نقشه های سفر کاربر بر اساس سناریوها یا اهداف خاص، جمع آوری و طبقه بندی شده است. [۸,۹]. با این حال، در عصر کنونی داده های بزرگ و روند صنعت ۴٫۰، محققان شروع به استفاده از خزنده های وب برای گرفتن نظرات کاربران از انجمن ها یا پلت فرم های رسانه های اجتماعی مختلف برای استخراج نیازهای کاربران کرده اند. [۱۰,۱۱]. علاوه بر این، نشان داده شده است که انواع مختلف مدل‌های یادگیری عمیق در وظایف طبقه‌بندی متن چینی به خوبی عمل می‌کنند و برای طبقه‌بندی نیازهای کاربر استفاده شده‌اند. [۱۲,۱۳]. در مقایسه با روش‌های سنتی، رویکردهای مبتنی بر یادگیری عمیق کارآمدتر هستند و می‌توانند تصمیم‌گیری را برای پزشکان تازه کار در UX راهنمایی کنند. با این حال، توسعه یا اجرای کدهای پیچیده چالش مهمی را برای تیم های طراحی ایجاد می کند و مانع از قابلیت استفاده این ابزارهای طبقه بندی می شود. بنابراین، فعال کردن مبتدیان UX برای استفاده آسان از روش های تجزیه و تحلیل متن برای طبقه بندی نیازهای کاربر بسیار مهم است.

۱٫۲٫ اهداف پژوهش

هدف این مطالعه توسعه یک ابزار کاربرپسند با رابط کاربری گرافیکی (GUI) است که از تکنیک‌های یادگیری عمیق برای طبقه‌بندی نیازهای کاربر بر اساس مدل کانو استفاده می‌کند. هدف از این ابزار برای افرادی است که در تحقیقات UX تازه کار هستند. علاوه بر این، مطالعه حاضر این ابزار را با یک روش نمودار میل سنتی مقایسه می‌کند تا قابلیت استفاده و اثربخشی آن را در دستیابی به اهداف مبتدیان UX، کاهش حجم کاری و بهبود UX ارزیابی کند. انگیزه اصلی این مطالعه، تسهیل طراحی تجربه کاربری (UX) برای مبتدیان برای تجزیه و تحلیل و تفسیر بهتر نیازهای کاربر است. هدف این تحقیق با شناخت چالش‌هایی است که تازه‌کاران با آن مواجه هستند، رویکردی بصری و عملی برای طبقه‌بندی نیازهای کاربران ارائه دهد. این مطالعه با ادغام تکنیک‌های یادگیری عمیق با مدل کانو سعی در ساده‌سازی و شفاف‌سازی فرآیند طبقه‌بندی نیازهای کاربر دارد. این رویکرد نه تنها قصد دارد فرآیند طراحی UX را برای مبتدیان در دسترس‌تر کند، بلکه درک اساسی از اینکه چگونه ابزارهای تحلیلی پیشرفته مانند یادگیری عمیق را می‌توان به طور هماهنگ با چارچوب‌های UX تثبیت‌شده مانند مدل Kano القا کرد. در نهایت، این تحقیق به دنبال توانمندسازی مبتدیان با ابزارها و دانش لازم برای مشارکت موثر در زمینه طراحی UX است.

۳٫ مواد و روشها

گردش کار نشان داده شده در شکل ۲ مراحل روش تحقیق ما، از جمله جمع‌آوری داده‌ها، طبقه‌بندی از طریق مدل کانو، ساخت مجموعه داده‌ها، استفاده از مدل‌های یادگیری عمیق و ارزیابی قابلیت استفاده را مشخص می‌کند. در بخش مربوطه، هر مرحله ابزارها و روش‌های بکار گرفته شده را با دقت شرح داده و شفافیت و تکرارپذیری تحقیق را تضمین می‌کند. هدف این فلوچارت ارائه یک راهنمای تصویری واضح برای خوانندگان است که به درک کل فرآیند تحقیق کمک می کند.

۳٫۱٫ جمع آوری داده ها

اولین گام این مطالعه جمع آوری نیازهای کاربران تا حد امکان جامع بود. با پشتیبانی از پروژه ای در دوره UX Foundation، این مطالعه بر روی نیازهای نسل Z (متولد بین ۱۹۹۵ و ۲۰۰۹) متمرکز شد. برای جمع‌آوری داده‌ها از ترکیبی از روش‌های مصاحبه و اسکراپینگ استفاده شد. دوازده شرکت‌کننده که قبلاً یا در حال حاضر از اسباب‌بازی‌ها استفاده می‌کردند، به صورت جداگانه مصاحبه شدند و هر مصاحبه حدود ۳۰ دقیقه طول کشید. هدف از مصاحبه ها جمع آوری اطلاعات اولیه در مورد شرکت کنندگان، از جمله درک آنها از اسباب بازی ها، ترجیحات، UX و ویژگی های مورد انتظار بود. بر اساس نتایج مصاحبه، ۱۶ نیاز یا انتظار شناسایی و سازماندهی شد. علاوه بر مصاحبه ها، ۳۰۰۰ بررسی آنلاین اسباب بازی های LEGO (بیلوند، دانمارک) از JD.com با استفاده از تکنیک های خراش دادن وب جمع آوری شد. برای اطمینان از اینکه داده ها عمدتاً از نسل Z تهیه شده اند، محصولات انتخاب شده برای جمع آوری داده ها برای سنین ۱۴ سال و بالاتر مناسب هستند. محققان سه نیاز اضافی را از بررسی های آنلاین استخراج کردند که در مصاحبه ها ذکر نشده بود.

به طور خلاصه، این مطالعه ۱۹ دسته از خواسته های نسل Z را از طریق مصاحبه و تکنیک های خراش دادن وب جمع آوری کرد. علاوه بر این، ما ۳۰۰۰ نظر آنلاین در مورد اسباب بازی های LEGO از JD.com جمع آوری کردیم.

۳٫۲٫ طبقه بندی بر اساس مدل کانو

ما ۱۹ نیاز کاربر را با استفاده از پرسشنامه مبتنی بر مدل کانو بررسی کردیم و آنها را بر اساس نتایج طبقه بندی کردیم. مطالعه شامل مراحل زیر بود.

ابتدا پرسشنامه ای متشکل از دو بخش تهیه کردیم. بخش اول شامل اطلاعات جمعیت شناختی شرکت کنندگان، از جمله سن، جنسیت، و اینکه آیا آنها اسباب بازی های لگو را خریداری کرده اند یا خیر. بخش دوم شامل مجموعه ای از سؤالات بود که هر کدام شامل یک جفت سؤال مثبت و منفی برای هر یک از ۱۹ نیاز شناسایی شده کاربر، همانطور که در نشان داده شده است. میز ۱. لازم به ذکر است که از آنجایی که این مطالعه شامل رتبه بندی نیازها نمی شود، از سؤالی در مورد اهمیت هر نیاز استفاده نکرده ایم.

در مرحله بعد، پرسشنامه آنلاین را منتشر کردیم و پاسخ‌ها را با استفاده از پلتفرم Credamo جمع‌آوری کردیم. یکصد و دو شرکت کننده معتبر (۳۲ مرد و ۷۰ زن) با میانگین سنی ۲۵/۲ ± ۴۵/۲۳ سال برای این مطالعه انتخاب شدند. همه شرکت‌کنندگان معیارهای نسل Z را داشتند. در میان آنها، ۹۰٫۲۰٪ (۹۲ نفر) گزارش دادند که اسباب‌بازی‌های LEGO را خریداری کرده‌اند، که نشان‌دهنده نمایندگی بالای نمونه است.

متعاقباً با استفاده از روش ارزیابی نشان داده شده در جدول ۲ضرایب A، O، M، I، R و Q از ۱۹ نیاز کاربر را به دست آوردیم. تجزیه و تحلیل پرسشنامه مبتنی بر مدل کانو از ضرایب A، O، M، I، R و Q برای طبقه بندی نیازهای کاربران استفاده می کند. ‘A’ مخفف نیازهای جذاب، ‘O’ مخفف نیازهای یک بعدی، ‘M’ مخفف نیازهای ضروری، ‘I’ مخفف نیازهای بی تفاوت، ‘R’ مخفف نیازهای معکوس و ‘Q’ مخفف نیازهای ضروری است. پاسخ های مشکوک یا نامطمئن این ضرایب نشان دهنده طبقه بندی نیازهای هر کاربر بر اساس پاسخ شرکت کنندگان به جنبه های عملکردی و ناکارآمد محصولات است. جدول ۲ روش مورد استفاده برای تعیین این ضرایب را نشان می دهد. پاسخ‌های پاسخ‌دهندگان به جفت سؤالات مثبت و منفی برای هر نیاز کاربر باید ترکیب‌های مختلف مربوط به یکی از این ضرایب را به دست دهد. سپس مقوله هر نیاز با بیشترین فراوانی پاسخ‌ها که با این ضرایب همسو می‌شوند تعیین می‌شود.

در نهایت، ضرایب تأثیر رضایت (SI) و ضرایب تأثیر نارضایتی (DSI) برای تجسم نتایج تحلیل بر روی محور مختصات محاسبه می‌شوند. [۲۸]. ضرایب SI و DSI با استفاده از مقادیر بهتر و بدتر محاسبه می شوند [۲۹].

مقدار بهتر (SI) = (A + O)/(A + O + M + I)

(۱)

مقدار بدتر (DSI) = (O + M) × (-۱)/(A + O + M + I)

(۲)

۳٫۳٫ پیش پردازش و برچسب گذاری مجموعه داده

در فرآیند برچسب‌گذاری دستی، هدف اصلی ما حاشیه‌نویسی مجموعه داده‌ها بر اساس مقوله‌های متمایز نیازهای کاربر است که طبق مدل کانو شناسایی شده‌اند. در این مطالعه، ما از چهار نوع برجسته نیاز کاربر استفاده کردیم: نیازهای جذاب، نیازهای تک بعدی، نیازهای ضروری و نیازهای بی تفاوت. در نتیجه، برچسب‌گذاری ما این برچسب چهار طبقه‌بندی را در خود جای داد. این دسته بندی دلخواه نبود. در کاربردهای عملی و تحقیقات آکادمیک، انتظار می رود نیازهای کاربران به چهار دسته بالا طبقه بندی شوند. بروز مقوله های دیگر، مانند نیازهای معکوس و گزینه های مشکوک، نسبتاً نادر است.

ابتدا، داده‌های تکراری را در بررسی‌ها حذف کردیم و کاراکترهای بی‌فایده (از جمله حروف انگلیسی، اعداد، شکلک‌ها و علائم نقطه‌گذاری) را حذف کردیم. سپس با استفاده از ابزار تقسیم‌بندی کلمات چینی Jieba در پایتون برای بخش‌بندی متن، کلمات توقف و کم فرکانس (کلمات با فرکانس کمتر از ۱۰ در همه متون) را حذف کردیم تا فایل پیش‌پردازش اولیه را به دست آوریم و داده‌ها را از ۳۷۶۰ به ۳۷۶۰ کاهش دهیم. ۲۷۹۵ رکورد. در نهایت هر متن را بر اساس مدل کانو برچسب گذاری کردیم. علاوه بر این، ما تمام فضاهای متنی مجموعه داده را حذف کردیم تا مجموعه داده دیگری تولید کنیم. این کار می‌تواند گزینه‌های بیشتری را برای مدل یادگیری عمیق ارائه دهد، که می‌تواند بر اساس کلمات یا شخصیت‌ها آموزش داده شود.

پس از پیش پردازش و برچسب گذاری مجموعه داده، دو نسخه به دست آوردیم، یکی با فاصله متنی و دیگری بدون. این دو مجموعه داده برای آموزش مدل استفاده خواهند شد.

۳٫۴٫ مدل های یادگیری عمیق برای طبقه بندی متن

ابزار طبقه‌بندی متن توسعه‌یافته در این مطالعه با کمک یک پروژه طبقه‌بندی متن چینی منبع باز بر اساس چارچوب PyTorch، که می‌توانید در github.com/649453932/Chinese-Text-Classification-Pytorch (دسترسی در ۳) پیاده‌سازی شود. مارس ۲۰۲۳). این پروژه در مجموعه داده‌های طبقه‌بندی سرفصل اخبار ۲۰۰۰۰۰ نمونه به نتایج عالی دست یافت [۳۰]. در این مطالعه، مجموعه داده سرفصل اخبار را با دو مجموعه داده به‌دست‌آمده از مرحله پیش‌پردازش و برچسب‌گذاری جایگزین کردیم. ما هفت مدل یادگیری عمیق را روی این مجموعه داده‌ها آموزش دادیم و آزمایش کردیم، از جمله TextCNN، TextRNN، TextRNN_Att، TextRCNN، FastText، DPCNN، و Transformer. هر مدل را می توان با استفاده از جاسازی کلمات به طور تصادفی اولیه یا از قبل آموزش داده شده آموزش داد. ما ۲۸ دقت طبقه بندی (۷ مدل × ۲ مجموعه داده × ۲ روش جاسازی) را به دست آوردیم.

بر اساس مدل و حالت آموزش با بالاترین دقت، ما یک ابزار طبقه‌بندی متن کاربرپسند برای کمک به کاربران مبتدی در طبقه‌بندی خودکار نیازهای کاربر ایجاد کردیم. در حالی که ابزار موجود چینی-متن-طبقه بندی (CTC)-PyTorch یک طبقه بندی کننده متن چینی همه منظوره است، ابزار ما برای دسته بندی متن بر اساس نیازهای کاربر، همانطور که در مدل Kano تعریف شده است، به خوبی تنظیم شده است. این شامل دسته بندی های سفارشی ساخته شده یعنی نیازهای ضروری، جذاب، تک بعدی و بی تفاوت است که به ویژه برای تحقیقات UX مرتبط هستند. هنگام دریافت متنی که نمایانگر بازخورد یا نظرات کاربر در مورد محصولات است، این ابزار دسته بندی مربوط به نیاز کاربر و احتمال آن را برای چهار نوع نمایش می دهد.

۳٫۵٫ ارزیابی قابلیت استفاده

۳٫۵٫۱٫ شرکت کنندگان

چهل شرکت‌کننده (۱۹ مرد و ۲۱ زن) با میانگین سنی ۰۸/۳ ± ۶۵/۲۲ سال برای این مطالعه انتخاب شدند. آنها دانشجویان مقطع کارشناسی در دوره “تفکر طراحی” و دانشجویان کارشناسی ارشد در دوره “بنیاد UX” در موسسه ما بودند. همه شرکت‌کنندگان در UX مبتدی بودند و هیچ تجربه کاری مرتبطی نداشتند، اما برخی از روش‌های کلاسیک تحقیق کاربر را آموخته بودند. ۴۰ شرکت کننده به طور تصادفی به هشت گروه پنج نفره تقسیم شدند (روش نمودار میل معمولاً یک کار تیمی است). چهار گروه ابتدا به‌طور تصادفی انتخاب شدند تا از ابزار طبقه‌بندی متن استفاده کنند و سپس از روش نمودار میل کلاسیک برای طبقه‌بندی نیازهای کاربر استفاده کنند. چهار گروه باقی مانده ابتدا از روش نمودار میل و به دنبال آن ابزار طبقه بندی متن استفاده کردند.

برای جلوگیری از هر گونه سردرگمی، باید روشن شود که در این مطالعه، از جمله مرحله ارزیابی قابلیت استفاده، شرکت کنندگان در سه نوبت جداگانه از طریق مصاحبه، نظرسنجی آنلاین و ارزیابی قابلیت استفاده انتخاب شدند. هیچ تداخلی بین شرکت کنندگان در این مناسبت های مختلف وجود نداشت. اطلاعات دقیق در مورد شرکت کنندگانی که برای هر یک از این سه موقعیت استخدام شده اند در ارائه شده است جدول ۳.

۳٫۵٫۲٫ مواد و ابزار

مواد و ابزار مورد استفاده در این آزمایش را می توان به سه بخش اصلی تقسیم کرد:

۳٫۵٫۳٫ طراحی تجربی

در این مطالعه، یک طرح تک عاملی، دو سطحی، درون موضوعی برای ارزیابی و مقایسه عملکرد ابزار طبقه‌بندی متن توسعه‌یافته در مراحل قبلی با روش طبقه‌بندی نیازهای کاربر معمولی – نمودار میل، مورد استفاده قرار گرفت. روش تست قابلیت استفاده در ارائه شده است شکل ۳. توالی مرحله دوم (نمودار میل ترکیبی) و مرحله چهارم (ابزار تجزیه و تحلیل متن) ممکن است در گروه ها متفاوت باشد تا اثرات سفارش بالقوه را متعادل کند.

گرفتن دنباله در شکل ۲ به عنوان مثال، شرح مفصل زیر از روش آزمایشی استفاده می شود.

در مرحله آماده سازی، پس از خواندن و امضای هر ۴۰ شرکت کننده فرم رضایت آگاهانه، به طور تصادفی در هشت گروه قرار گرفتند. روش گروه بندی در بخش قبل معرفی شد، “بخش ۳٫۵٫۱ “شرکت کنندگان”. ما یک چت گروهی WeChat برای هر تیم ایجاد کردیم تا مواد آزمایشی را به طور موثر و موثر بین شرکت کنندگان توزیع کنیم.

پس از تکمیل مرحله آماده سازی، از چهار شرکت کننده گروه دعوت شد تا ابتدا از روش نمودار میل ترکیبی برای طبقه بندی استفاده کنند. آنها از ابزار تخته سفید آنلاین از پیش آماده شده، Boardmix، برای آزمایش استفاده کردند. این کار را می توان به سه بخش تقسیم کرد: اول، شرکت کنندگان باید متن را از فایل اکسل در بلوک های مستطیلی زرد قرار می دادند. سپس، آنها این مستطیل های زرد را بر اساس شباهت ساختاری یا محتوایی گروه بندی کردند و نیازهای مشترک خود را در مستطیل های صورتی نوشتند. در نهایت، آنها این مستطیل های صورتی را بیشتر اصلاح کردند و اشتراکات آنها را در مستطیل های آبی ثبت کردند.

پس از تکمیل کار طبقه بندی با استفاده از نمودار میل، از هر شرکت کننده خواسته شد تا یک پرسشنامه آنلاین را تکمیل کند.

پس از استراحت کافی، از شرکت کنندگان خواسته شد تا از ابزار تحلیل متن برای طبقه بندی استفاده کنند. این کار را نیز می توان به سه بخش تقسیم کرد. ابتدا، شرکت‌کنندگان برای دسترسی به ابزار طبقه‌بندی که ما توسعه داده‌ایم، باید پیوند صفحه وب را باز کنند. سپس متون مورد نیاز کاربران را از فایل اکسل در ابزار جایگذاری کردند. در نهایت روی “submit” کلیک کردند و دسته بندی های حاصل را در فایل اکسل ثبت کردند.

پس از انجام این کار، از شرکت کنندگان خواسته شد که همان پرسشنامه آنلاین را تکمیل کنند.

سه نکته دیگر نیز قابل توجه است. ابتدا، چهار گروه دیگر از شرکت‌کنندگان، با استفاده از ابزار تجزیه و تحلیل متن قبل از نمودار وابستگی آنلاین، دو کار را در یک توالی متفاوت انجام دادند تا اثرات ترتیب را در طراحی درون سوژه‌ها متعادل کنند. دوم، هر دو کار از مجموعه یکسانی از ۴۰ متن نیاز استفاده می کردند که در یک سند اکسل قرار می گرفتند و از طریق چت های گروهی وی چت برای شرکت کنندگان ارسال می شدند. سوم، گروه ها از ابزار طبقه بندی متن برای طبقه بندی نیازها به صورت جداگانه به عنوان وظایف فردی استفاده کردند. در مقابل، گروه ها از نمودار میل به عنوان یک کار تیمی استفاده کردند. شکل ۴ اجرای ۲ روش را نشان می دهد.

۳٫۵٫۴٫ تحلیل داده ها

نمونه های جفت شده تیبرای تعیین اینکه آیا تفاوت معنی داری بین دو روش بر اساس داده های جمع آوری شده از NASA-TLX و UEQ وجود دارد یا خیر، استفاده شد.

۵٫ بحث

این مطالعه به دو حوزه کلیدی کمک می کند. در مرحله اول، یک ابزار طبقه‌بندی متن جدید را معرفی می‌کند که از مدل Kano و فناوری یادگیری عمیق برای دسته‌بندی نیازهای کاربر به طور کارآمد، با کاربردهای بالقوه در آموزش استفاده می‌کند. این مطالعه ۱۹ نیاز کاربر را از کاربران نسل Z اسباب‌بازی‌های LEGO از طریق مصاحبه و خزیدن در وب جمع‌آوری کرد. متعاقباً، محققین با استفاده از پرسشنامه مبتنی بر مدل کانو، این نیازها را به چهار دسته تقسیم کردند که شامل دو نیاز ضروری، دو نیاز تک بعدی، سیزده نیاز جذاب و یک نیاز بی تفاوت است. بر اساس نتایج طبقه بندی، یک مجموعه داده از طریق پیش پردازش و برچسب گذاری بیش از ۳۰۰۰ بررسی آنلاین ایجاد شد. سپس محققان از هفت مدل یادگیری عمیق برای آموزش و پیش‌بینی داده‌ها استفاده کردند که مدل RCNN به عنوان مؤثرترین آنها شناسایی شد. با استفاده از این مدل، محققان یک ابزار طبقه‌بندی متن گرافیکی ایجاد کردند که دسته‌بندی متناظر و احتمال متن ورودی کاربر را با توجه به مدل کانو به طور دقیق خروجی می‌دهد. با ادغام این ابزار در برنامه‌های درسی طراحی UX، مربیان می‌توانند فرآیند یادگیری را برای دانش‌آموزان تسهیل کرده و به آنها کمک کنند تا اهمیت طبقه‌بندی نیازهای کاربران را درک کنند و روشی کاربردی و کارآمد برای استفاده از مدل کانو در پروژه‌های خود ارائه دهند. در مرحله دوم، این مطالعه یک تست قابلیت استفاده بر روی ابزار توسعه یافته انجام داد و پتانسیل آن را به عنوان یک منبع آموزشی برای دوره های طراحی UX برجسته کرد. نتایج نشان داد که این ابزار در شش بعد و در سه کیفیت UEQ بهتر از روش نمودار میل سنتی عمل می‌کند که نشان‌دهنده UX برتر است. علاوه بر این، این مطالعه از NASA-TLX برای اندازه گیری بار کار استفاده کرد. نتایج نشان داد که ابزار دارای سطوح پایین‌تری از تقاضای ذهنی، تقاضای فیزیکی، تقاضای زمانی، عملکرد، تلاش و ناامیدی نسبت به نمودار میل است که نشان‌دهنده حجم کاری کمتر است. علاوه بر این، نمره NPS 23 نگرش مثبت کلی شرکت کنندگان را نسبت به روش نشان داد. این یافته‌ها نشان می‌دهد که ابزار توسعه‌یافته این پتانسیل را دارد که افزوده‌ای ارزشمند برای ابزارهای طبقه‌بندی متن باشد و می‌تواند طبقه‌بندی کارآمد نیازهای کاربر را با UX برتر برای اهداف آموزشی تسهیل کند.

هنگام تجزیه و تحلیل دلایل این نتایج، متوجه شدیم که جذابیت بالاتر ابزار ما در مقایسه با روش‌های نمودار میل سنتی را می‌توان به رابط کاربر پسند آن و ادغام فناوری‌های پرطرفدار مرتبط با هوش مصنوعی و تجزیه و تحلیل متن نسبت داد. وضوح، کارایی و قابلیت اطمینان بالاتر آن ممکن است ناشی از توانایی آن در ارائه خروجی های احتمالی و طبقه بندی واضح، سریع و سازگار باشد. در مقابل، روش نمودار میل، که به جای دسته‌بندی، بر خوشه‌بندی متکی است، فاقد پشتوانه تصمیم‌گیری واضح است که به طور بالقوه منجر به وضوح، کارایی و قابلیت اطمینان کمتر می‌شود. این عوامل به عملکرد برتر ابزار ما کمک می کند. علاوه بر این، تحریک و تازگی بیشتر ابزار ما می تواند به دلیل ترکیب نوآورانه آن از مدل Kano با روش های تجزیه و تحلیل متن باشد که دیدگاه جدیدی را برای کاربران به ارمغان می آورد. این عوامل به کیفیت برتر لذت ابزار ما کمک می کند. از دیدگاه NASA-TLX، تقاضاها و تلاش‌های ذهنی و فیزیکی کمتر این ابزار احتمالاً به دلیل مکانیسم ورودی ساده آن است که منجر به نتایج فوری می‌شود، در مقایسه با فرآیند شناختی بیشتر نیازهای خوشه‌بندی و پالایش با استفاده از نمودارهای میل ترکیبی. بر خلاف نتایج ذهنی و متفاوت نمودارهای میل ترکیبی، عملکرد پایین تر ابزار (مقادیر پایین نشان دهنده عملکرد بهتر) را می توان به نتایج قطعی و قابل اعتماد آن نسبت داد. در نهایت، سطح ناامیدی پایین‌تر ابزار می‌تواند به دلیل توانایی ثابت آن در طبقه‌بندی نیازها باشد، و از ابهامی که می‌تواند با نمودارهای وابستگی رخ دهد اجتناب کند. NPS بالاتر برای ابزار ما را می توان با تجربه کاربری برتر و بار کار کمتر در مقایسه با نمودارهای تمایل توضیح داد.

با این حال، مطالعه حاضر دارای چندین محدودیت است. اولاً، مطالعه ما شامل برچسب زدن دستی نظرات آنلاین برای یک دوره خاص بود که به زمان حساس و کار فشرده است. ثانیا، ویژگی های ابزاری که ما توسعه داده ایم نسبتاً محدود است. بنابراین، ما قصد داریم ویژگی‌های بیشتری را در آینده اضافه کنیم، مانند ثبت خودکار دسته‌های متن ورودی و خروجی در یک جدول یا اجازه دادن به کاربران برای ارائه بازخورد به عنوان مبنایی برای یادگیری تقویتی.

اگرچه این ابزار هنوز در مراحل اولیه توسعه است، اما ثابت شده است که قابل استفاده است و به خوبی مورد استقبال قرار می گیرد. هوش مصنوعی عمیقاً بر زندگی روزمره ما تأثیر می گذارد، از ChatGPT [36] به میانه سفر [۳۷]. به طور همزمان، محققان، از ابتدا [۳۸] به CNN Explainer [39]بر اهمیت ارائه ابزارهای کاربرپسند، گرافیکی و تعاملی برای انتشار یافته های پژوهشی به مخاطبان گسترده تر، به ویژه تازه کارها یا فراگیران، تاکید کرده اند، بنابراین افراد بیشتری را قادر می سازد از این نتایج تحقیقاتی بهره مند شوند. مطالعات اخیر اهمیت رو به رشد ابزارهای طبقه بندی خودکار مبتنی بر یادگیری عمیق را برجسته می کند. به عنوان مثال، روش Deep-PR در شبکه های لبه تلفن همراه، توصیه های بهبود یافته POI را با اصلاح فضاهای ویژگی ارائه می دهد. [۴۰]. در حوزه اینترنت اشیا، DeepClassifier به طور موثر امضاهای NOMA را طبقه بندی می کند و پیچیدگی محاسباتی را تا ۹۰٪ کاهش می دهد. [۴۱]. به طور مشابه، یک مدل جدید پیش‌بینی ترافیک، جاسازی‌های عمیق و نمودار را در اینترنت سبز وسایل نقلیه ترکیب می‌کند و قابلیت اطمینان پیش‌بینی را تا ۲۵ درصد افزایش می‌دهد. [۴۲]. این پیشرفت‌ها نقش محوری ابزارهای یادگیری عمیق را در افزایش کارایی و قابلیت‌های فن‌آوری در بخش‌های مختلف نشان می‌دهد.

مهم است که تأکید کنیم که ما قصد نداریم پیشنهاد کنیم که روش سنتی نمودار میل ترکیبی مفید نیست. در مقابل، روش تحقیق موثری است. از یک طرف، روش دیاگرام میل جنسی نیازهای کاربر را دو بار اصلاح می کند که نشان دهنده خلاقیت انسان است. در حالی که روش‌های یادگیری عمیق بر اساس داده‌های موجود پیش‌بینی می‌کنند (طبقه‌بندی می‌کنند)، تیم‌های طراحی با استفاده از روش نمودار میل ممکن است ایده‌های بی‌سابقه‌ای ایجاد کنند که نمی‌توانند در دسته‌های از قبل موجود طبقه‌بندی شوند. [۴۳]. از سوی دیگر، دامنه کاربرد روش نمودار میل به طبقه بندی نیازهای کاربر محدود نمی شود. بسیاری از محققین با استفاده از روش نمودار میل ترکیبی، از جمله مدیریت دولتی، نتایج تحقیقاتی عالی را تولید کرده اند [۴۴] و توسعه نرم افزار [۴۵]. علاوه بر این، طبقه بندی خودکار نمی تواند جایگزین محققان یا طراحان کاربر با تجربه غنی شود. اگرچه ممکن است تجربه صنعت یا ویژگی های کاربر را از مقدار زیادی داده استخراج کند، اما همچنان فاقد همدلی و خلاقیت انسانی است که در UCD بسیار مهم است. [۴۶,۴۷,۴۸].

۶٫ نتیجه گیری

نتایج ارزیابی قابلیت استفاده نشان می‌دهد که طراحان مبتدی UX ابزار طبقه‌بندی نیاز کاربر را به طور قابل‌توجهی بهتر از روش نمودار میل نسبت به جذابیت، واضح بودن، کارایی، قابلیت اطمینان، تحریک و تازگی یافته‌اند. علاوه بر این، این ابزار نمرات کمتری را در تقاضای ذهنی، تقاضای فیزیکی، تقاضای موقت، عملکرد، تلاش و سطوح سرخوردگی در مقایسه با روش نمودار میل نشان داد. علاوه بر این، این ابزار به امتیاز خالص تبلیغ کننده (NPS) بالاتری دست یافت. این نتایج به‌طور قانع‌کننده‌ای برتری ابزار خودکار را نسبت به روش نمودار میل نشان می‌دهد و بر اهمیت ارائه طراحان UX تازه‌کار با ابزار طبقه‌بندی نیازهای کاربر مؤثر تأکید می‌کند. ابزار خودکار، با تجربه کاربری پیشرفته و کاهش حجم کار، به عنوان یک منبع آموزشی امیدوارکننده در طراحی UX ظاهر می شود. درک مدل کانو و تحلیل متن را ساده می کند، به ویژه برای مبتدیان مفید است. رابط کاربری کارآمد و کاربرپسند و استقبال مثبت نشان داده شده توسط NPS پتانسیل آن را برای آموزش UX برجسته می کند.

نکته اساسی ما این است که محققان باید رابطه هماهنگ‌تری بین هوش مصنوعی و کاربران ایجاد کنند و دستاوردهای هوش مصنوعی را در زمینه‌های مختلف قابل دسترس‌تر کنند. یک رابط تعاملی ساده می تواند UX (جذابیت، سودمندی و ارزش لذت جویانه) را افزایش دهد و حجم کار را کاهش دهد. در آینده، بهبود UX در عین همزیستی با هوش مصنوعی، هم یک چالش و هم فرصت است.

منبع: https://www.mdpi.com/2673-2688/5/1/18