Kiedy jesteś specjalistą UX, Twoja praca często pełna jest czasochłonnych procedur. Wiele z tych zadań skoncentrowanych jest wokół prowadzenia badań związanych z użytecznością. Dodatkowo spoczywa na Tobie odpowiedzialność za dostarczenie rzetelnych informacji, które często wykorzystywane są do podejmowania kluczowych decyzji w organizacji, dla której pracujesz. Równie częstą sytuacją jest praca w pojedynkę w ramach zespołów projektowych. Jedna osoba, która musi przeprowadzić badania, warsztaty, zaprojektować i przetestować rozwiązania.
Możesz się oczywiście obrazić na taki stan rzeczy i powiedzieć, że nie zgadzasz się na taki układ. Moje doświadczenie podpowiada mi jednak, że niewiele tym zmienimy. Warto więc spróbować pomóc sobie w optymalizacji swojego czasu. Szczególnie, gdy jesteś jedynym projektantem lub badaczem użyteczności w zespole albo nie masz zbyt dużego doświadczenia w prowadzeniu badań.
Z pomocą mogą przyjść popularne już od pewnego czasu generatywne modele językowe, czyli na przykład ChatGPT, Claude itp. Dla uproszczenia tematu nazwę je na potrzeby tego artykułu wirtualnymi asystentami AI.
Narzędzia tego typu nie wykonają za nas wszystkich zadań (na szczęście), ale mogą pomóc nam przyśpieszyć cześć z tej koronkowej pracy, którą masz do wykonania przy okazji badań. Pokażę Ci, w jakich momentach możesz wykorzystać narzędzie takie jak ChatGPT.
Jednak najpierw warto, żebym opisał zalety i ryzyka płynące z wykorzystania modeli językowych do pracy badacza UX.
Zalety i wady wykorzystania modeli językowych w pracy badacza UX
Zalety:
- Łatwość użycia – możesz komunikować się z nimi za pomocą naturalnego języka, bez konieczności uczenia się interfejsu czy znajomości języka programowania.
- Wszechstronność – modele te są wytrenowane na bardzo różnorodnych danych, więc mogą być przydatne do pracy nad wieloma tematami.
- Personalizacja – masz możliwość określania kontekstu swojej pracy, stylu języka, obszaru zainteresowań, które następnie zostaną wykorzystane do tworzenia dostosowanych dla Ciebie treści.
- Błędne informacje – modele, choć trenowane na ogromnych zbiorach danych, nie zawsze gwarantują poprawność informacji. Mogą generować odpowiedzi brzmiące przekonująco, ale niezgodne z rzeczywistością.
- Ograniczona prywatność – zdecydowana większość tego typu rozwiązań oparta jest na działaniu w chmurze. Wprowadzając dane wrażliwe, wysyłamy je poza organizację i stwarzamy ryzyko.
- Ograniczony kontekst – LLM-y (ang. Large Language Model) bazują na danych, ale nie „rozumieją” ich w takim sensie jak Ty czy ja. Mogą błędnie interpretować informacje, jeśli dane są niepełne lub nietypowe. Nie potrafią też empatyzować ani podejmować decyzji na podstawie dodatkowych, ludzkich czynników.
Po tym długim, ale potrzebnym wstępie, mogę przejść do sedna dzisiejszego tematu. Podzieliłem ten artykuł na trzy sekcje, ze względu na miejsce w procesie badań, oraz dodałem jeden krótki, który jest związany bardziej z pracą na danych zastanych niż na samym procesie ich zbierania i obrabiania.
Tworzenie badania
Przygotowanie badania jest w mojej ocenie najbardziej newralgicznym momentem w całym procesie. Ustalenie grupy docelowej, stworzenie odpowiednich pytań czy wybór metody badawczej potrafią pochłonąć wiele godzin lub dni. Jeśli nie czujesz się pewnie na tym gruncie, lub nie masz z kim skonsultować swoich pomysłów, z pomocą może przyjść jeden z LLM-ów jak wspomniany już ChatGPT, udostępniany również w darmowej wersji. Wtedy wiadomości, którymi będzie dysponował, nie będą najbardziej aktualne, lecz wystarczą do użycia w bardziej ogólnych zadaniach.
Przyjęło się nazywać polecenia wydawane modelom generatywnym jako “prompt”. Tłumaczenie z języka angielskiego to nic innego jak „podpowiedź”.
Warto, abyś na początku propmtu podał jak najwięcej informacji wstępnych, które pomogą narzędziu w określeniu kontekstu, w którym się poruszasz. Opisz:
- zakres – co badasz, do czego to służy,
- cel badania – czego chcesz się dowiedzieć z tego badania,
- ograniczenia – np. czas, budżet, dostępne narzędzia.
Kiedy już poinformujesz asytenta AI, w jakim ekosystemie działasz, możesz przejść do pracy z zadawaniem pytań.
Poniżej podam przykłady takich poleceń. Zwróć uwagę, że mają one nadany jakiś kontekst, aby łatwiej można było zrozumieć sposób użycia. Dowolnie dostosuj poniższe prompty do potrzeb swojego projektu.
Pytania o metody badań
- Dobór metody badawczej na podstawie celu badania: „Chcę zidentyfikować, dlaczego użytkownicy opuszczają stronę koszyka w aplikacji e-commerce przed finalizacją zakupów. Jakie metody badawcze mogę zastosować, aby najlepiej zrozumieć ten problem?”
- Dobór metody do etapu projektu: „Pracuję nad nowym prototypem aplikacji zdrowotnej i chcę go przetestować przed wdrożeniem. Jakie metody badawcze będą najbardziej odpowiednie na tym etapie projektu?”
- Porównanie kilku metod badawczych: „Zastanawiam się, czy lepiej zastosować wywiady pogłębione, czy obserwacje kontekstowe do zbadania, jak użytkownicy korzystają z naszej aplikacji w codziennych sytuacjach. Jakie są zalety i wady obu tych metod w moim przypadku?”
Polecania do scenariusza wywiadu
- Tworzenie ogólnych pytań do wywiadu: „Jestem UX Researcherem i chcę przeprowadzić wywiady z użytkownikami aplikacji mobilnej do zarządzania budżetem. Pomóż mi stworzyć 10 pytań otwartych, które pozwolą zrozumieć, jakie trudności napotykają użytkownicy podczas planowania wydatków.”
- Personalizacja pytań pod konkretną grupę docelową: „Przygotowuję wywiad z osobami w wieku 20-25 lat, które korzystają z aplikacji fitness i studiują. Stwórz listę pytań, które pomogą zrozumieć ich motywacje do regularnych treningów i problemy w korzystaniu z aplikacji.”
- Dopasowanie pytań do specyficznych problemów: „Użytkownicy aplikacji do zamawiania jedzenia zgłaszają problemy z czasem dostawy. Pomóż stworzyć 5 pytań otwartych i 3 zamknięte, które pomogą zidentyfikować przyczyny frustracji użytkowników i ich oczekiwania wobec tej funkcji.”
Prośby o optymalizację lub sprawdzenie naszych pytań
- Optymalizacja pytań do ankiety: „Mam listę pytań do ankiety dotyczącej doświadczeń użytkowników aplikacji. Pomóż mi zoptymalizować te pytania, aby były bardziej precyzyjne i angażujące, oraz zaproponuj format odpowiedzi (otwarte, skala Likerta, wybór wielokrotny).”
- Uporządkowanie listy pytań i nadanie im struktury: „Mam surową listę pytań do wywiadu z użytkownikami. Pomóż mi uporządkować te pytania w logiczną strukturę, zaczynając od ogólnych pytań wprowadzających, a kończąc na pytaniach szczegółowych.”
- Dostosowanie pytań do specyficznej grupy docelowej: „Przygotowuję pytania do wywiadu z osobami w wieku 50+, które korzystają z aplikacji zdrowotnej. Pomóż mi dostosować te pytania, uwzględniając potrzeby starszych użytkowników oraz ich ewentualne trudności technologiczne.”
Prowadzenie wywiadów
Pewnym wyzwaniem dla mnie jest zawsze prowadzenie wywiadu w pojedynkę. Powód jest prozaiczny – zadawanie pytań i jednoczesne zapisywanie odpowiedzi nie idą ze sobą w parze. Zdarzyć się może, że pominiesz coś w notatkach lub speszysz swojego rozmówcę, kiedy wyczuje, że nie koncentrujesz się na rozmowie z nim.
Nie zawsze możesz nagrać takie spotkanie, żeby następnie je ponownie odsłuchać, ale kiedy już się to zdarzy, to musisz poświęcić jeszcze raz tyle czasu, aby przebrnąć przez cały utrwalony materiał.
Pomocne może się okazać tworzenie transkrypcji ze spotkania. Istnieją specjalne narzędzia, które sprawują się przy tym świetnie (m.in. Otter.ai, Fellow), ale potrafią też być bardzo drogie. Jednak dzisiaj chciałem Ci przedstawić alternatywne, niskokosztowe rozwiązania.
Transkrypcja Google Meet
Jeśli używasz do prowadzenia wywiadów z komunikatora od Google, to istnieje bardzo prosty trik, który pozwoli Ci pobrać wygenerowane w locie napisy ze spotkania.
Pierwszym krokiem będzie dodanie do paska zakładek w przeglądarce dwóch skrótów – do „nagrywania” napisów oraz do ich zapisania na dysku. Opiszę to na bazie przeglądarki Chrome.
- Aby dodać pierwszy skrót, kliknij w pasek zakładek prawym przyciskiem i wybierz opcję z menu o nazwie Dodaj stronę.
- W pole Nazwa wpisz „Rejestruj napisy”
- W pole URL dodaj następujący kawałek kodu javascript
javascript:var transcript=[],transcriptTime=[],lastMessage={};function startTimer(){setTimeout(recordTranscript,5e3)}function recordTranscript(){for(var t=document.getElementsByClassName("iTTPOb"),r=document.getElementsByClassName("zs7s8d"),s=0;s<t.length;s++){var e=t[s].innerText,a=r[s].innerText;if(null==e||""==e)return void startTimer();var n=a+": "+e;console.log(n);var i=lastMessage[a];null==i?(transcript.push(n),transcriptTime.push(Date.now()),i=transcript.length-1,lastMessage[a]=i):n.includes(transcript[i])?transcript[i]=n:(transcript.push(n),transcriptTime.push(Date.now()),i=transcript.length-1,lastMessage[a]=i)}startTimer()}recordTranscript();
- Następnie powtórz procedurę, klikając Dodaj stronę w pasku zakładek, a kolejno w pole Nazwa wpisz „Zapisz na dysku” oraz w URL kolejny kawałek kodu javascript
javascript:function saveTranscript(){for(var t,e,n=[],r=0;r<transcript.length;r++)n.push(transcriptTime[r]),n.push("\t"),n.push(transcript[r]),n.push("\n");t=new Blob([n.join("")],{type:"text/csv"}),(e=document.createElement("a")).download=Date.now().toString(),e.href=window.URL.createObjectURL(t),e.style.display="none",document.body.appendChild(e),e.click()}saveTranscript();
- Podczas prowadzenia wywiadu w Google Meet, upewnij się, że włączyłeś wyświetlanie napisów w interfejsie komunikatora i naciśnij na pasku zakładek pierwszy skrót „Rejestruj napisy”. Pozwoli to na rejestrowanie w tle generowanej przez Google Meet transkrypcji.
- Po zakończonym spotkaniu wybierz drugi z utworzonych skrótów „Zapisz na dysku”. To sprawi, że zostanie wygenerowany plik w formie CSV, który będzie zawierał treść transkrypcji spotkania.
Następnie tak wygenerowany plik CSV dodaj do ChatGPT i wykorzystaj następujący prompt, aby go oczyścić i przedstawić w bardziej czytelnej postaci:
„To plik z zapisem rozmowy z wywiadu. Pomóż mi go oczyścić z powtórzeń i przedstaw treść w układzie chronologicznym z uwzględnieniem osób, które brały udział w rozmowie”.
MacWhisper
Świetnym rozwiązaniem, które uratowało mnie wiele razy, jest aplikacja MacWhisper. Dostępna obecnie tylko dla systemu MacOS, ale bazuje na rozwiązaniu Whisper od OpenAI – firmy tworzącej ChatGPT, więc istnieje szansa, że bliźniacze rozwiązanie funkcjonuje na innych platformach.
Działanie aplikacji jest bardzo proste – transkrybuje nagraną ścieżkę audio. Wydaje się, że to niewiele, ot program jakich sporo. Jest jednak duży atut, który nie jest oczywisty na pierwszy rzut oka. Mianowicie – pobieramy modele językowe na nasz komputer, przez co nagranie nie jest wysyłane na serwery firm trzecich i ograniczamy ryzyko łamania ograniczeń prawnych z tym związanych.
Jeśli jednak nie mamy takich obostrzeń, możemy też skorzystać z transkrypcji w chmurze i jeśli dysponujemy dostępem do API ChatGPT (obecnie tylko w płatnym planie), to możemy przy pomocy predefiniowanych promptów poprosić AI o:
- podział treści na paragrafy,
- wyszczególnienie z zapisu poszczególnych rozmówców,
- próbę opisania emocji osób biorących udział w nagraniu,
- podsumowanie treści i wiele innych.
W rezultacie potrafiłem zaoszczędzić bardzo dużo czasu. W podstawowej wersji program jest bezpłatny, za dodatkowe funkcje trzeba zapłacić jednorazową opłatę.
Podsumowanie badań
Opisując możliwości MacWhisper, wszedłem już na grunt kolejnego etapu w pracy badacza UX. Tutaj także mamy cały wachlarz możliwości, jak wykorzystać jeden z dostępnych LLM-ów do pomocy w codziennej pracy.
Mając surowy materiał z badań, przed rozpoczęciem pracy z wykorzystaniem ChatGPT (lub innego podobnego narzędzia, także powinieneś opisać jak najwięcej informacji wstępnych, które pomogą wirtualnemu asystentowi zorientować się w jakim kontekście będzie miał pracować.
Opisz na początku promptu:
- czego dotyczyło badanie,
- kim byli uczestnicy,
- jak pozyskałeś ten materiał,
- czy były jakieś ograniczenia podczas zdobywania tych danych.
Na koniec dodaj plik z transkrypcją wywiadów lub danymi z badań ilościowych.
Warto też dodać w tym miejscu, że Chat GPT ma możliwość wybrania bardziej specjalistycznego modelu do analizy danych ilościowych. Polecam przetestowanie Data Analyst (do wykonywania analizy danych) lub Wolfram (do wykonywania obliczeń).
Podsumowanie wywiadów
- Podsumowania treści pojedynczego wywiadu: „Przeanalizuj transkrypcję i wypisz kluczowe wnioski z wywiadu. Skup się na najczęściej poruszanych kwestiach i cytatach, które to ilustrują.”
- Analiza nastroju (sentiment analysis): „Określ nastrój wypowiedzi użytkownika w transkrypcji. Zidentyfikuj fragmenty o wydźwięku pozytywnym, negatywnym i neutralnym.”
- Porównanie wielu wywiadów: „Porównaj transkrypcję dodanych wywiadów w celu zidentyfikowania wzorców lub różnic w opiniach użytkowników.”
Podsumowanie badań ilościowych
- Klasteryzacja danych:„Na podstawie danych przeprowadź segmentację użytkowników, używając algorytmu k-średnich (k-means) lub innej metody klasteryzacji.”
- Obliczenia statystyczne: „Przeprowadź test statystyczny (np. t-test) dla przesłanych danych, aby sprawdzić, czy różnice w wynikach satysfakcji między różnymi grupami użytkowników są istotne.”
- Wskaźniki agregujące: „Oblicz wskaźniki agregujące, takie jak średnia, mediana czy suma, w podziale na grupy (np. regiony, wiek, płeć).”
Desk research
Ostatnim z obszarów, jakie chcę dzisiaj opisać, jest prowadzenie analiz w oparciu o dane zastane. Tutaj także w kilku przypadkach mogą przydać Ci się powszechnie dostępne generatywne modele językowe. Chciałbym zwrócić jednak szczególną uwagę na dwa rozwiązania, które mogą okazać się szczególnie przydatne.
Pierwszym są dodatkowe specjalistyczne modele dostępne w ramach ChatGPT, które znajdziesz w kategorii Research&Analysis. Jest tam dostępnych kilka modeli, które są wytrenowane na danych pochodzących ze źródeł naukowych i możesz je bez problemu zapytać o wykaz badań z zakresu, jaki jest dla Ciebie aktualnie interesujący. Powinieneś w bardzo szybkim czasie otrzymać linki do raportów z badań prowadzonych w danej dziedzinie.
Drugim przydatnym rozwiązaniem jest Perplexity, które jego twórcy sami określają jako wyszukiwarkę AI. Na pierwszy rzut oka możesz nie dostrzec różnicy pomiędzy nim a wspomnianym już ChatGPT czy innymi usługami tego typu. To co jest siłą Perplexity, to cytowanie źródeł, na których usługa opierała swoją odpowiedź. To bardzo istotne w zadaniach, w których potrzebujesz wiadomości z internetu, które są poparte rzetelnymi źródłami.
Perplexity ma jeszcze jedną zaletę. To możliwość wybrania innego modelu AI do wykonywania poleceń. Usługa jest dostępna w wersji płatnej narzędzia, ale oferuje wtedy dostęp do modeli ChatGPT, Claude i Grok. To daje jeszcze szerszy wachlarz możliwości i porównania wyników zwracanych przez różne usługi.
Na zakończenie
AI szturmem zdobywa kolejne dziedziny życia. Możesz wygenerować grafikę, podsumować treść smsów czy plan dietetyczny. Czemu nie miałbyś zatem spróbować wykorzystać tej technologii do pomocy sobie w pracy?
Mam nadzieję, że powyższe przykłady będą dla Ciebie dobrą inspiracją do rozpoczęcia przygody z jedną z dostępnych na rynku usług. Pamiętając o ograniczeniach asystentów AI, możesz bardzo szybko usprawnić swoją codzienną pracę.
***
Jeśli interesuje Cię tematyka U, zajrzyj koniecznie również do innych artykułów naszych specjalistów.
Zostaw komentarz