Synthetic personas as support for UX research
Dit artikel stelt een op Design Science Research gebaseerde procedure voor voor het integreren van synthetische persona's en door AI gegenereerde journeys in UX-onderzoek om vroege analyse en hypothesevorming te versnellen, waarbij de nadruk wordt gelegd op de kritieke noodzaak van menselijk toezicht om bias te mitigeren en empirische validiteit te waarborgen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk product dat we gebruiken, van een smartphone-app tot een bankwebsite, is gebouwd op een verborgen aanname over wie het zal gebruiken en hoe diegene zich erdoorheen zal bewegen. Ontwerpers creëren vaak een mentaal beeld van deze gebruiker, maar om dat beeld nuttig te maken voor een heel team, bouwen ze traditioneel een "persona". Beschouw een persona als een gedetailleel karakterprofiel dat de doelen, gewoonten en frustraties van een specif kind type persoon samenvat. Naast dit profiel brengen teams een "journey" (reis) in kaart, een stapsgewijs verhaal over hoe die persoon probeert een taak te voltooien, waar ze vast kunnen lopen en wat ze verwachten dat er vervolgens gebeurt. Deze hulpmiddelen helpen teams overeenstemming te bereiken over voor wie ze ontwerpen en waar de ervaring zou kunnen haperen. Echter, het creëren van deze profielen en verhalen kost tijd, en zodra ze zijn gemaakt, blijven ze vaak hetzelfde, zelfs als het product of de wereld verandert. Met de opkomst van kunstmatige intelligentie die verhalen kan schrijven en afbeeldingen kan genereren, is er een nieuwe vraag ontstaan: kunnen machines deze gebruikersprofielen en verhalen voor ons creëren, en zo ja, hoe gebruiken we ze zonder misleid te worden door een overtuigend maar verzonnen verhaal?
Een team onderzoekers aan de Federale Universiteit van Rio de Janeiro zette zich af om deze vraag te beantwoorden door een nieuwe manier te ontwikkelen om kunstmatige intelligentie in designonderzoek te gebruiken. Ze vroegen een computer niet simpelweg om een gebruiker uit te vinden; in plaats daarvan bouwden ze een strikte methode om ervoor te zorgen dat de output van de computer een hulpmiddel blijft voor het denken, en geen vervanging voor echt bewijs. De onderzoekers begonnen door een cruciaal risico te erkennen: een kunstmatige intelligentie kan een verhaal over een gebruiker schrijven dat volkomen logisch en gedetailleerd klinkt, maar dat volledig verzonnen is. Als een designteam dit verhaal als feit accepteert, bouwen ze misschien een product op basis van een fantasie in plaats van de realiteit. Om dit op te lossen, creëerde het team een stapsgewijze procedure die deze door AI gegenereerde profielen behandelt als "hypothesen" of onderbouwde vermoedens die door mensen gecontroleerd moeten worden.
De methode die zij voorstellen begint met het menselijke team dat duidelijk de specifieke probleemstelling definieert die ze proberen op te lossen en de context van het product. Pas nadat deze context is vastgesteld, vragen ze de AI om een profiel te creëren. De AI krijgt specifieke instructies over wat belangrijk is voor die specifieke situatie, zoals het hoofddoel van de gebruiker, wat hen kan tegenhouden in hun succes, en welke hulpmiddelen ze bekend zijn. De AI genereert vervolgens een verhaal over hoe deze hypothetische persoon zich door het product zou bewegen. Cruciaal is dat de onderzoekers erop aandringen dat het menselijke team dit verhaal onmiddellijk moet beoordelen. Ze controleren of het verhaal logisch is gezien de regels die ze hebben gesteld, of het onrechtvaardige stereotypen vermijdt en of het hen daadwerkelijk helpt om betere vragen te stellen. Het team vereist ook dat elke stap wordt gedocumenteerd, waardoor een duidelijk spoor ontstaat dat de oorspronkelijke probleemstelling verbindt met de gok van de AI en uiteindelijk met de beslissing van het menselijke team. Dit zorgt ervoor dat niemand vergeet dat het verhaal van een machine komt en niet van een echt persoon.
Om te testen of deze methode werkte, nodigden de onderzoekers elf ervaren designprofessionals uit om het uit te proberen. De deelnemers kregen de opdracht om de nieuwe procedure te gebruiken om een gebruikersprofiel en een journey-verhaal te creëren voor een project waarmee zij bekend waren. De resultaten waren bemoedigend. De professionals rapporteerden dat het proces zeer nuttig was, waarbij bijna al hen het hoog beoordeelde op een schaal van één tot vijf. Ze vonden dat de AI hen hielp snel van start te gaan door een eerste concept van een verhaal te bieden, dat ze vervolgens konden bekritiseren en verbeteren. Het fungeerde als een vonk voor discussie, waardoor het team potentiële problemen kon opsporen die ze wellicht gemist hadden als ze vanaf een leeg blad waren begonnen. De deelnemers maakten er echter ook duidelijk op dat de AI het denken niet voor hen kon overnemen. Ze benadrukten dat de gegenereerde verhalen zorgvuldige redactie vereisten en dat het team de controle moest behouden om te garanderen dat de verhalen niet te generiek of bevooroordeeld werden.
De studie concludeert dat kunstmatige intelligentie een krachtige partner kan zijn in de beginfases van design, maar alleen als het wordt gebruikt met een duidelijke set regels. De AI kan snel veel verschillende scenario's genereren, waardoor teams meer mogelijkheden kunnen verkennen dan zij zelf zouden kunnen. Toch zijn de onderzoekers er standvastig op dat deze door machines gegenereerde verhalen nooit een vervanging zijn voor het spreken met echte mensen. De waarde van de methode ligt in het vermogen om vragen te organiseren en aannames zichtbaar te maken, niet in het bieden van definitieve antwoorden. Door de AI-output te behandelen als een startpunt voor menselijke beoordeling in plaats van een eindproduct, kunnen designteams deze tools gebruiken om zich voor te bereiden op real-world testen zonder het oog te verliezen voor de complexiteit van de werkelijke menselijke ervaring. Het onderzoek suggereert dat, wanneer het verantwoord wordt gebruikt, deze aanpak teams helpt sneller te bewegen en dieper na te denken, mits zij nooit vergeten dat het verhaal door een machine is geschreven, en niet door een persoon is beleefd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.