Как всегда в последнее время, подборки о пользовательских исследованиях — на стыке классики и передового:

1. Dovetail запустили цифровых двойников пользователей — они собирают вместе все прошедшие исследования, обратную связь, опросники и т.п. По сути это другой способ работать с базой знаний и инсайтов — не просто искать, а задавать вопросы в формате диалога.

Они рекомендуют собрать типовых персонажей из всех этих данных. И дают хорошую инструкцию, как это сделать.

Само собой, всё это работает при условии, что цифровые двойники явно говорят, где их ответ основан на реальных данных, а где — галлюцинации (тем более, что сами Dovetail уже обжигались тут). Но это одно из немногих здравых использований ИИ в исследованиях.

2. MeasuringU: Решили дотошно раскопать, насколько хорошо ИИ может выявлять интерфейсные проблемы в записях сессий пользовательских исследований. В первой статье из цикла они скормили нейронке такое видео и получили список проблем. А теперь — проверили повторяемость результата (первые выводы подтвердились).

3. NN/g: Как анализировать качество ответов ИИ-систем, которые они выдают пользователю. Она рекомендует делать выборку из множества результатов одного и того же запроса, чтобы выявить потенциальные проблемные.

4. Jim Lewis и Jeff Sauro: Провели пользовательское исследование популярных ИИ-чатботов. И вывели из него 6 критериев отношения пользователей к таким интерфейсам.

5. NN/g: Напоминают, что замена цитат реальных пользователей на ИИ-генерацию при построении карт эмпатии — бессмыслица. Это про всех сразу и ни про кого конкретно, при том что реальные инсайты богаты на детали и личную боль.

6. Jenna Herring и Jeff Sauro: Качества хорошего модератора исследования. И как построить раппорт с респондентом.

7. Wildberries: Прогноз тепловых карт внимания для карточек товаров. Он предполагает типичное поведение пользователей.

8. Steve Bromley: Как проводить игровые тесты основной истории. И как правильно подбирать респондентов.

#research