论文部分内容阅读
随着人工智能技术的高速发展,计算机系统逐渐对用户和环境具备了更强的感知和学习能力。为此,越来越多的系统在智能技术的驱动下,通过预测用户的意图和行为,给用户提供便利。在这种趋势下,预测型界面的用户体验设计研究也将成为热点。由于预测的结果具有不确定性,传统的面向确定性系统的用户体验设计方法也将面临挑战。第一,传统的设计方法不区分系统预测的对错,而一次错误的预测若没有搭配强健的体验设计,容易会对用户造成负面干扰甚至伤害;第二,传统设计方法的设计对象是相对被动式的交互系统,不考虑系统的主动行为对用户的影响;第三,传统的设计方法习惯于对用户和场景进行细分,针对典型的用户和场景进行个性化设计,而智能系统对用户和场景的理解是更加抽象而精细的,与体验设计师的理解难以匹配;第四,传统的设计方法通常站在设计师的角度探讨如何理解用户,没有考虑如何让系统能够更好地理解用户,学习用户的行为习惯。人工智能技术的日趋成熟,从技术上使更主动的、预测型的交互系统成为可能,然而,从工业设计的角度来说,学术界对于以上问题尚未提供针对性的设计指导。为解决上述问题,本文从工业设计的角度出发,提出了基于侵扰度的预测型界面用户体验强健设计方法。提出了单一低侵扰度交互设计模型和动态多侵扰度交互设计模型,并结合实例设计验证了方法的可行性和有效性。研究主要分为四个部分:第一部分提出了单一低侵扰度交互设计模型,并进行实例设计与验证。(1)提出单一低侵扰度交互设计模型,讨论了该模型关注的重点以及对提升用户体验强健性的作用;(2)基于单一低侵扰度交互设计模型,针对智能电视输入方式进行实例应用;(3)通过计算机模拟与用户可用性测试对设计方案进行评估,验证了单一低侵扰度交互设计模型的可行性与有效性。第二部分构建了面向快速原型设计的交互规则训练与预测模型。(1)以情境智能推荐产品为例,基于马尔科夫决策过程将情境推荐过程建模;(2)通过问卷调查和用户访谈,识别了典型的情境状态特征和可推荐行为,提出了交互行为经验的采集与发散设计方法,构建了经验回放池;(3)基于经验回放构建并训练了面向设计师快速原型设计的强化学习精简预测模型,用于后续动态多侵扰度界面设计的评估和优化迭代。第三部分对情境智能推荐行为的设计元素进行提取,并识别其优先级。(1)以手机应用程序展示推荐行为为例,通过问卷调查、用户访谈识别出初步的设计元素,以及个别设计元素对用户的影响;(2)通过眼动实验对设计元素进一步提取,结合问卷和访谈的结果,生成最终的设计元素集合,以及优先级排序;(3)将该提取方法推广到其他多个推荐行为,最终实现所有可推荐行为的设计元素提取,作为后续动态多侵扰度设计的设计素材。第四部分提出了动态多侵扰度交互设计模型,并基于第二和第三部分的成果,进行了动态多侵扰度界面设计。(1)提出了动态多侵扰度交互设计模型,讨论分析该模型对提升不确定性系统用户体验强健性的作用;(2)对当前移动端交互控件的侵扰度进行评估,根据评估结果选择具有合适侵扰度的交互控件用于下一步的详细设计;(3)基于第三部分提取的设计元素及其优先级,针对上述第二部分识别的所有情境推荐行为进行多侵扰度界面的详细设计,并基于训练的预测模型进行方案的评估和优化迭代。在以上研究的基础上,构建了面向预测型界面的模型训练与设计评估系统。支持动态多侵扰度设计方案的训练和预测评估,方便方案的优化迭代。