✨ 要点🔬 技术摘要
我们使用的每一种产品，从智能手机应用到银行网站，都是建立在一个关于谁将使用它以及他们将如何操作的隐藏假设之上的。设计师通常会为这种用户构建一个心理图景，但为了让这个图景对整个团队有用，他们传统上会构建一个“用户画像”（persona）。可以将用户画像想象为一个详细的角色档案，总结了特定类型人群的目标、习惯和挫折。除了这个档案之外，团队还会绘制出一条“旅程”（journey），即这个人尝试完成某项任务时的逐步故事，包括他们在哪里可能会遇到困难，以及他们期望接下来会发生什么。这些工具帮助团队就他们正在为谁设计，以及体验可能在哪里崩溃达成共识。然而，创建这些档案和故事需要时间，而且一旦制作完成，即使产品或世界发生了变化，它们往往也会保持不变。随着能够编写故事和生成图像的人工智能的兴起，一个新的问题出现了：机器能否为我们创建这些用户档案和故事？如果可以，我们该如何在不被一个看似合理但却是虚假的故事所迷惑的情况下使用它们？
里约热内卢联邦大学的一个研究小组致力于通过开发一种将人工智能用于设计研究的新方法来回答这个问题。他们并没有简单地要求计算机发明一个用户；相反，他们建立了一套严格的方法，以确保计算机的输出仍然是思考的工具，而不是真实证据的替代品。研究人员首先承认了一个关键风险：人工智能可以写出一个关于用户的、听起来逻辑完美且细节详尽的故事，但它完全是编造出来的。如果设计团队接受了这个故事并将其视为事实，他们可能会基于幻想而非现实来构建产品。为了解决这个问题，该团队创建了一个循序渐进的程序，将这些由人工智能生成的档案视为必须由人类进行验证的“假设”或经过推测的猜想。
他们提出的方法始于人类团队清晰地定义他们试图解决的具体问题以及产品的背景。只有在设定好这些背景之后，他们才会要求人工智能创建一个档案。AI 会收到关于该特定情况中重要事项的具体指令，例如用户的核心目标、可能阻碍其成功的因素，以及他们熟悉的工具。随后，AI 会生成一个关于这个假设人物如何使用该产品的故事。至关重要的是，研究人员坚持要求人类团队立即审查这个故事。他们要检查这个故事在既定规则下是否合理，是否避免了不公平的刻板印象，以及它是否确实有助于他们提出更好的问题。团队还要求记录每一个步骤，创建一个清晰的轨迹，将原始问题与 AI 的猜想以及最终的人类团队决策联系起来。这确保了没有人会忘记这个故事来自机器而非真实的人。
为了测试这种方法是否有效，研究人员邀请了十一名经验丰富的设计专业人士来尝试这一方法。参与者被要求使用这一新程序，为他们熟悉的一个项目创建用户档案和旅程故事。结果令人鼓舞。专业人士报告称该过程非常有用，几乎所有人都在 1 到 5 分的量表中给出了高分。他们发现 AI 能帮助他们快速入门，提供一个故事初稿，随后他们可以对其进行评判和改进。它充当了讨论的火花，帮助团队发现如果从空白页面开始可能会忽略的潜在问题。然而，参与者也明确表示，AI 不能代替他们进行思考。他们强调，生成的叙述需要仔细编辑，且团队必须保持控制权，以确保故事不会变得过于平庸或带有偏见。
研究结论认为，人工智能可以成为设计早期阶段的强大伙伴，但前提是必须遵循一套明确的规则。AI 可以快速生成许多不同的场景，帮助团队探索比他们独立完成时更多的可能性。然而，研究人员坚称，这些由机器生成的叙述永远不能替代与真实的人交谈。该方法的价值在于其组织问题和使假设透明化的能力，而不是提供最终答案。通过将 AI 输出视为人类审查的起点而非成品，设计团队可以使用这些工具来为现实世界的测试做准备，而不会忽视真实人类体验的复杂性。研究表明，只要使用得当，这种方法可以帮助团队行动得更快、思考得更深，前提是他们永远不要忘记，这个故事是由机器编写的，而不是由人亲历的。
技术摘要：合成人格（Synthetic Personas）作为 UX 研究的支持工具
问题陈述
用户体验（UX）研究依赖于诸如人格（Personas）和用户旅程（User Journeys）等人工制品，以实现对用户及其交互行为的假设可视化。然而，传统的人格模型通常是静态的、更新成本高昂的，且在快速设计周期内难以探索多样化的剖面。虽然生成式人工智能（Generative AI）提供了以更高速度和更多变性创建合成人格与用户旅程的潜力，但它也引入了显著的方法论风险：AI 生成的叙述可能在逻辑上显得连贯且详尽，但并不构成关于真实用户的经验证据。
识别出的核心差距在于，缺乏关于如何批判性地创建、审查和利用这些合成人工制品的结构化指导。如果没有特定的方法论控制，合成人格可能会变成具有说服力但却脆弱的叙述，并被误认为是经过验证的知识，从而可能导致偏见性的设计决策，或在不加批判的情况下取代实证用户研究。
方法论
本研究采用了**设计科学研究（Design Science Research, DSR）**方法，旨在构建并评估一种旨在解决实践问题的程序化人工制品。研究分为五个明确阶段进行：
研究设计： 遵循 DSR 逻辑，本研究将提出的程序视为一种旨在支持合成人格的创建与批判性使用的程序化人工制品。快速回顾： 文献综述梳理了关于人格、用户建模、人工智能及 UX 评估的研究。此阶段识别了传统人格模型的局限性、AI 的机遇以及与偏见、信任和缺乏经验验证相关的风险。推导模型维度： 从文献回顾中综合出五个引导维度：
剖面多样性（Profile Diversity）： 确保在目标、约束和语境方面具有相关的变化。可扩展性（Scalability）： 实现无需过度成本的迭代探索。个性化（Personalization）： 将人工制品置于特定的项目领域和流程之中。信任与透明度（Trust and Transparency）： 记录语境、参数和决策，以实现可追溯性。偏见与公平性（Bias and Fairness）： 批判性地审查语言和表征，以避免刻板印象。
构建程序： 开发了一种结构化的方法论程序，该程序是一个包含语境定义、人格参数化、旅程生成、人工审查、可追溯性和发现综合的循环过程。实证评估： 该程序由 11 名 UX 专业人员 （熟悉 UX、产品设计或数字产品开发）进行了评估。参与者按照程序定义语境、配置合成人格、生成 UX 旅程并评估输出结果。数据收集包括李克特量表问卷（n=154 份响应）、开放式问题和活动记录。
核心贡献
本文的主要贡献是一个用于指导批判性使用合成人格和 AI 生成旅程的方法论程序 。该程序并非计算工具，而是一个结构化的工作流，将合成人工制品视为中间分析支持 而非自主证据。
该程序的核心组成部分包括：
四个前提：
合成人格必须与明确的 UX 语境相关联。
它们的功能是剖面假设，而非经验证据。
AI 生成的旅程是组织交互轨迹的初始分析人工制品。
每一次使用都需要通过可追溯性将语境、人格、旅程与决策联系起来。
参数化： 程序定义了创建人格的最小字段（使用语境、主要目标、动机、障碍、知识储备、成功标准、关注点），以确保分析的相关性而非仅仅是叙述的丰富性。旅程结构： 它要求包含阶段、行动、预期、触点、潜在摩擦、改进机会和设计假设的结构。人工审查与可追溯性： 一个强制性步骤，研究人员在此评估连贯性、分析效用性和偏见。它要求记录 UX 语境、人格参数、生成的旅程、执行的审查、得出的发现以及设计决策。发现综合： 一个将发现转化为设计决策的框架，区分了假设 （未验证的假设）、迹象 （反复出现的摩擦点）和决策 （采取的行动）。
结果
实证评估显示该程序在实用性方面得到了积极评价：
定量结果：
96.8% 的李克特量表响应为正面（评分 4 或 5）。使用意向 的平均分最高（4.8/5），其次是感知有用性 （4.7/5）和生成旅程的质量 （4.6/5）。感知易用性 略低（4.4/5）且离散度较大，表明需要更多的指导和更具灵活性的流程。
定性结果：
速度与结构化： 参与者指出该程序减少了初始工作量，为可以被审查和完善的旅程提供了一个起始结构。支持反思： 生成的旅程作为质疑假设和讨论摩擦点的输入。一致性： 人工制品被认为与提供的语境和人格保持连贯。控制需求： 参与者强调了人工审查的必要性、调整细节水平的能力，以及比较不同剖面以避免泛化的需求。
观察到的局限性：
语境依赖性： 宽泛或模糊的语境会导致生成通用的角色和旅程。细节控制： 过程可能无法始终支持调查特定的时刻或局部旅程，而不生成完整的叙述。信任风险： AI 输出的连贯性可能导致不加批判的接受。偏见： 生成多个角色并不保证有意义的多样性；表面的变化仍可能重复潜在的假设。范围： 本研究属于探索性研究，样本量较小，限制了广泛的普适性。
重要性与主张
本文主张，合成人格和 AI 生成的旅程在支持 UX 研究早期阶段 时最具价值，具体包括假设制定、场景探索以及摩擦点的初步识别。
作者明确指出，这些人工制品并不能取代与真实用户进行的实证验证 。相反，所提出的程序提供了一条“中间路径”，介于拒绝使用 AI 与不加批判地采用 AI 之间。通过强制执行可追溯性、人工审查以及在假设与证据之间进行清晰区分，该程序允许团队：
在设计周期的早期阶段组织问题并将假设可视化。
在投入用户测试之前，扩大考虑的场景范围。
为随后的实证研究准备好团队的视角。
其重要性在于将讨论从“AI 能否生成人格？”转向“如何从方法论角度整合这些人工制品？”。本文认为，应将 AI 视为分析和中介的工具，保留 UX 团队的解释责任，并确保合成叙述与关于人类体验的已验证知识保持区别。未来的工作建议将合成发现与实证数据进行对比，并研究审计偏见和剖面覆盖率的机制。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。