brandnew

积极的情绪体验一方面能够让用户容忍产品的一些缺陷，另一方面可以提升品牌价值。但是，究竟如何衡量用户在面对产品或使用产品中的情绪变化，从而对产品进行评估，就是用户研究人员需要关心的问题了。

对情绪（emotion）进行测量的方法已经有比较长的研究历史。一般来说，情绪包含三个组成部分：主观感受，生理反应，可观察到的表达。比如说，当你高兴的时候，可能内心里会有一种感觉，这种感觉只有本人可以感知的到，这就是主观感受；你的心跳可能会加快，这是生理反应，此外，你还可能会微笑或者大笑，甚至跳起来，这就是可观察到的对于情绪的表达。因此，对应的测量方式也可以分为三类：自我报告（self-reporting），生理测量（phisiological measurement）以及从观察进行推断。在实际操作中，我们需要在条件允许的范围内，灵活地使用多种方法来评估用户的情绪。

自我报告要求用户报告他们的感受，比如，像“你感觉如何？”就是一个典型的问题。作为唯一一种可以测量内在感受的方法，自我报告的方式有很大局限性，首先，因为情绪是很难用语言表达清楚的，其次，这种表达还会受到个体差异，地域差异等因素的影响。不过，在实际操作中，自我报告非常普遍，几乎用于所有界面的评估。三种常用的研究工具分别是：问卷，访谈和日志。问卷和访谈一般在一个阶段结束后使用。而日志是在研究时限较长的研究中使用（如较长的测试，或让用户在自己的环境中使用产品）。

为了测量与情绪相关的生理反应。研究人员开发了各种生理传感器（Physiological sensors），可以用来从三个途径捕获生理信号：自主神经系统（ANS），中央神经系统（CNS），以及中央神经化激素系统。多数和产品界面相关的情绪研究比较关注自主神经系统的模式。自主神经系统主要负责自主调节体内的器官和肌肉的状态，包括腺体，血管，皮肤毛囊，心肌，虹膜以及消化系统。一般来说，这些生理变化都直接和情绪相关。在用户研究中比较常用的有，皮肤电反应（GSR），肌电图（EMG），血压（BVP），心电图（ECG）以及脑电图（EEG）。为了早点睡觉，我在这里先不细说，后续文章会慢慢介绍相关的内容和实例。

通过观察来推断情绪可以依赖于不同的线索。如面部的线索，肢体线索以及声音线索。通过综合这些信息，也可以较为准确地推断出用户的情绪。

没有人会否认面部表达和情绪之间的关系。达尔文（别怀疑，就是那个进化论的达尔文）就相信人的脸可以反映其所有的情绪。而跨文化的研究，又证实了不同民族和地区的人，在表达情绪时，采用相似的表情。看过lie to me的同学对男猪那套出神入化的人肉测谎技术可能心生向往。而其背后的理论支持就包括了FACS，也就是面部活动编码系统。这套系统将人的面部分解为32个特定的活动单元（AU），这些单元短暂的活动就产生了情绪表达。在FACS厚厚的说明书里不仅对这些独立的单元进行了界定，还对它们活动进行了描述。

人们也通过身体来表达情绪。腾讯CDC的一片博文对此进行了说明，我在这里就偷懒了。http://cdc.tencent.com/?p=1663

声音毫无疑问也是我们表达情绪的一方途径。目前的研究非常细节化。如有人研究声音的韵律，操作讲话的韵律可以表达欢快的情绪。还有人研究声音的品质，得出结论如人在表达和缓的情绪时声音的品质更有效。

本篇日志代表我近期感兴趣的一个主题。其实，上述提到的方法在国外的产品研究中应用的已经相当广泛。例如在《Probing experience》一书中，就有多篇文章与此相关。真希望能很快尝试做相关的研究。

今天终于暂缓了忙碌状态。。。。

读了几页书。

Measuring the user experience

是一本很对我胃口的好书。如果说《don't make me think》和《usability engineering》是入门书，让我“知其然”的话，那么这本书就是一本可以让我“知其所以然”的书。

今天阅读的章节是：Number of participants

Five participants is enough vs Five participants is not enough

其实，关于这个问题，确实是一个在现实中常见的问题。比如，最近的项目就常出现这样的对话——

“5个不行，一定要10个以上，这是××说的！”

“其实5个就够了，多了做重复劳动没意思。”

“那次培训不是说了么，8个用户就能发现90%以上的问题。”

其实，这样的争论是一直存在的。答案也多种多样。

但是，光靠嗓门大的答案是没用的，只有知其所以然才是解决问题的正道。因为不同的答案一定是在不同的范围内才有意义的。

困了，改日分享。

对于传统的可用性度量，可用性分析师需要一种方法来有效地比较以及获得它们的意义。并且更好地与相关人员进行交流。这里介绍一种方法，通过对传统的可用性度量进行标准化，从而更有效地对可用性数据进行分析。

6 西格玛是一种提升产品或系统质量的方法。这一方法的核心是利用统计技术定量地测量由顾客或用户所界定的“流程缺陷（process defect）”。

使用6西格玛这一方法的最大益处在于，它可以为过程测量界定有意义的目标，并且提供一种基于目标的统一尺度。统一的尺度可以提供一种背景，从而可以让我们对流程的不同方面进行比较。更有意义的是，它提供了一种比较的框架，从而使得不同流程的相似的方面可以进行比较。目前，传统的可用性尺度的分析是欠缺这一框架。

方法介绍

6西格玛是基于统计技术的质量促进方法，包含如下一些指标：

à  可接受的质量水平：规格界限（Specification limit），目标（goal），对象（target）

à  不可接受的质量水平：缺陷（Defects）

à  缺陷可能发生的状况（condition）：机会（opportunity）

à  缺陷在样本中出现的几率（probability）：缺陷比例（defect rate），相当于“流程西格玛”（process sigma）

对于某些关键的功能，99%的零缺陷（defect-free，roughly3-sigma）还不够好。6西格玛意味着在一百万中有3.4个缺陷。

如何使用Sigma分析可用性数据

用研学习笔记：系统可用性量表简介

本文参考原文下载地址：http://www.upassoc.org/upa_publications/jus/2009may/JUS_Bangor_May2009.pdf

系统可用性量表（SUS）是一种成本较低但有用的工具，它提供了一种易于理解的评分方式来评估产品可用性。，分数范围从0（负）到100（正）。尽管以100分计在很多方面都很直观，同时也允许存在相对的判断，但是对于描述如何将分数数值转化为绝对的可用性判断的信息仍然未知。为了帮助解答这一问题，一个7级的限定形容词的李克特量表作为追加的第11个问题添至1000份SUS问卷中去了。结果显示，这一量表的分数和SUS分数呈现高度相关（相关系数为0.822）。附加到SUS中去的形容词评定量表可以帮助从业人员解读出个体的SUS分值，并且有助于将结果解释给非人因素研究的专业人员。 

  形容词评定量表被添加在SUS问卷的最后，用户在完成SUS之后，马上可以填写这一问题。在获得用户的问卷数据后，可以使用下表来对数据进行汇总和初步的统计。

    下图是分析结果的图例

SUS(Syestem Usability Scale)用来测量系统的可用性，百分制来计算的分数，超过60分被认为是good usability。SUS可用来测量某个网站或者产品的可用性，尤其在竞争对手分析(competitive analysis)的时候，SUS的最终数据的差异和实际使用中用户感受到的差异是很一致的。这也说明SUS具有很高的效度。

系统可用性量表（SUS ）

评分标准

SUS的评分为0~100。在计算评分之前，要先计算每一项的基值（contribution），基值的范围在0~4之间。

1，3，5，7，9题的基值为“得分-1”

2，4，6，8，10题的基值为“5-得分”计分

最后所有题目得分总合再乘以2.5为最后评分。评分在60分以上的系统一般被认为是可用性较好的产品。

Brooke, J. (1996) SUS: a "quick and dirty" usability scale. In P. W. Jordan, B. Thomas, B. A. Weerdmeester & A. L. McClelland (eds.) Usability Evaluation in Industry. London

http://en.wikipedia.org/wiki/System_Usability_Scale 

研究方法本身其实无好坏之分。关键是要在合适的时间，恰当地使用合适的方法，并以合理有效的方式分析并呈现研究结果。在用户研究中，一般会有三个层面的问题。如果底层出了问题，一般会对上一层产生较大的影响。

1.   方法论

这一层面是操作和沟通的基础，包含了对用户研究和项目流程的整体把握，以及对具体方法的理解和掌握。方法论主要用来解决如下一些问题，如：

l  该在什么时候选择什么样的研究方法？

l  特定研究方法的优势是什么？局限是什么？

l  方法的具体操作流程是什么？

l  如何收集数据，并进行分析整理？

如果方法论这一层面出了问题，很可能导致如下一些后果：

l  需求把握不清，研究目标偏差，如：焦点小组的研究目标可能被界定为研究用户的产品操作使用习惯；

l  沟通无依据，以主观认识为判断标准，如：沟通时会经常出现“我觉得“，”我想“，而非”根据……，我认为……“

l  数据资料收集有偏差，造成成本浪费，如：采用焦点小组收集行为操作数据是不恰当的，所收集大量信息可信度不高，无参考价值。

l  难以获得深入的分析结果，如：对数据的分析只停留在表层，未结合其他研究结果以及当时的情景和用户的个人背景进行分析，所得到的结果可参考价值不高。

2.   具体操作

这一层面已经是显性层面，一方面，会受到方法论的影响，如，研究人员对流程不清，导致操作混乱。另外，也可能受到如工作人员的心理因素，设备损坏以及突发状况等因素的影响，常见的几种情况如下：

l  招募用户时由于来不及在规定时间内找到用户，所以放宽标准，招募非目标用户；

l  操作时未按照规定进行，如将用户提前带进访谈或测试的场所；

l  文档准备出了差错，如缺失或错误；

l  记录设备出了问题，未保存记录

操作层面出了问题，一方面会影响数据的收集和方法的可信度，另一方面，会影响到用研的专业形象和可信度，对于长期工作的开展不利。

3.   与需求方沟通

与需求方的沟通贯穿在方法的整个实施流程中，大致包含前期的需求沟通阶段，中间的问题探讨，总结，简报阶段以及后期报告的宣讲和提交阶段。沟通的问题一方面受到另外两个层面所发生的问题的影响，另一方面，也源于需求方与用研人员在观念，专业背景以及工作方式等方面的差异。因此，在沟通中，首先必须要保持开放的态度，从用研的角度，更要从另外两个层面下功夫，将自己的工作标准化，专业化。

在用户研究中，常常会遇到这样的问题：“要掌握总体(population)情况，到底需要多少样本量(sample)？”，或者说“我要求调查精度达到95%，需要多少样本量？”。

在采用的问卷调查时，我们多用到比例型变量来描述总体。对于这一类变量，确定样本量的公式为：

                                                             Z² ( p ( 1-p))

n   =   -----------------   

                    d²

其中：

n ：所需样本量

z：置信水平的z统计量（95%，Z=1.96；99%，Z=2.68）

p：目标总体的比例期望值 (一般情况下，推荐选择50%)

d：置信区间的半宽(如我们要求上下误差不超过3%，则3%就是半宽)

例如：要了解某产品的的用户年龄分布，假定我们要求调查误差不超过3%，则在99%的置信水平下，所需的样本量为:

n=2.68²*（0.5（1-0.5））²/0.03²=1995

虽然我们根据公式可以从理论上确定样本量的上限，但是在实际的调查研究中，要综合考虑多方面的因素，如调查目标，调查区域的大小等，采用多种方式来确定实际样本量。在实际操作中，可采用计算工具来方便快速地计算样本量。如surveysystem所提供的样本量以及置信区间的计算工具，网址为：http://www.surveysystem.com/sscalc.htm。

之前在油茶会发的博文，今天挪过来了~

Allen Copper 大人在他的经典作品“about face”中专门写一章节：“Implementation Models and Mental Models”。Mental model是心智模型的意思，也可以称为概念模型，说的通俗一点，其实就是人是如何认识，定义一个事物的。最近，越发觉得，在用户研究中，很核心的一个环节就是要理解用户的心智模型，因为，只有理解了用户是怎么样定义，表征一个（类）产品的，才能更好地去挖掘和预测用户的态度，期望，行为。

但是，应当如何理解用户的的心智模型呢？

“The deepest form of understanding another person is empathy…[which] involves a shift from…observing how you seem on the outside, to…imagining what it feels like to be you on the inside.”

上面一段话的意思是说，要理解一个人，最深入的方式是“移情”，不仅要细致地观察，还要将自己代入其中，感受和体会。同时，其作者还强调了，这种“移情”并非简单地研究他人是如何使用产品的。而是要更深入地了解人们要使用产品完成什么，也就是理解人的目标，动机，情感以及其所遵从的哲学和程序。

上面的这段话听起来很有道理，不过可操作性并不强。抛开这些不谈，其实，从认知心理学的角度来看，可以将心智模型看作一种“关系图表”。这种图表表现了一些互相联系的事物。要理解这一点，可以想象在我们的大脑中，知识就好像一个个小点，彼此之间相互联系，形成巨大的网络，而在这一网络中，那些彼此联系紧密的，就聚合成一个概念，只要有一个点被激活，其他的也迅速被激活。这样，人就可以理解一个事物。简单的例子，比如对于我来说，“豆浆”和“包子”就是两个联系紧密的点，它们共同连接一个中心的概念——“早饭”。

而以Gmail为例，有用户将Gmail 看作神经中枢，其中涉及到多个相互关联的产品。而用户的目的，是使用Gmail来方便有效地来管理自己工作和生活上的多种事物。

看到上图，可以理解为什么用户喜欢使用Gmail，因为Gmail一直在朝着用户的心智模型努力，变成越来越强大的管理工具，而非一个简单的邮件收发工具。

在最近的项目中，我尝试使用卡片分类法来获得用户脑中的“关系图表”，效果不错。通过让用户将各种不同的功能以及产品进行归类，发现用户对于某一类产品的心智模型，结论对于指导产品的开发设计有很好的参考作用。不仅如此，卡片分类法也是最常见，最好操作的一种方法。只是，在设计卡片之前，还需要通过其他方法，如实地观察，访谈法等，来获得假设，这样可以减少卡片数目，从而使得分类法获得更好的结果。

知道自己无知，

是一件又惶恐，又幸福的事情。