談交互設計用戶心智模型建模方法范文

本站小編為你精心準備了談交互設計用戶心智模型建模方法參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

[摘要]本文從數(shù)據(jù)、過程、內(nèi)容和方法三個方面闡述心智模型（Mentalmodel）的復雜特性，并通過鏈接表分解心智模型節(jié)點，結合不同節(jié)點的鏈接關系，通過EC算法、PR算法分析識別心智模型網(wǎng)絡關鍵節(jié)點，從口語數(shù)據(jù)分解、節(jié)點時序、關鍵節(jié)點識別、主題聚類等方面開展對用戶心智模型節(jié)點的復雜度、重要度分析研究。

[關鍵詞]心智模型;交互設計;認知心理;自然語言

一、概述

隨著現(xiàn)代科學技術的快速發(fā)展，智能化與交互化在智能產(chǎn)品與服務之間扮演著越來越重要的角色。在這種趨勢下，用戶與產(chǎn)品的關系逐步演變?yōu)槿伺c產(chǎn)品之間的一種交互行為[1]。傳統(tǒng)設計研究大多偏向于對產(chǎn)品本身功能、效率、美學等方面的挖掘，而忽視了人機交互溝通下用戶心智模型（Mentalmodel又稱心理模型）對現(xiàn)實交互邏輯的重要價值，尤其對人的心智模型研究尚未深入。只有通過深入地探索大腦的思維和心理活動的發(fā)展演變過程，才能在思維和心理層面上找到需求點，然后根據(jù)需求點有效地改進復雜產(chǎn)品與服務的人機交互設計。心智模型的分析和創(chuàng)建基于心理學、邏輯學、人工智能以及認知科學的基礎，對建模和計算人類思維與心理活動的過程有著重要作用。目前在認知心理學和創(chuàng)新設計領域，創(chuàng)建并分析心智模型已經(jīng)成為了熱門的研究手段[2]。目前，心智模型研究領域研究主要以英國心理學家KennethCraik（1943）對心智模型做過的解釋理論最具代表性，他認為心智模型是構建現(xiàn)實的“小型模型”，以預測事件、進行推理或者將其作為解釋事物的基礎[3]。PhilipN.Johnson-Laird（1983）繼KennethCraik之后對心智模型進行了系統(tǒng)的研究，他認為心智模型是個體為了解和解釋他們的經(jīng)驗所建構的知識結構[4]。Rouse和Morris(1986)將心智模型闡釋為人類描述系統(tǒng)的目標與形式，解釋系統(tǒng)功能，觀察系統(tǒng)狀態(tài)和預測系統(tǒng)未來狀態(tài)的心理機制[5]。彼得•圣潔也提出心智模型的概念，認為心智模型是深植人們心中、對于周遭世界如何運作的看法和行為[6]。可以看出，目前國內(nèi)外專家學者對心智模型的研究主要集中在其結構和內(nèi)容方面，而從細粒度的語義層面上對其進行的研究不足，也尚未得出具有普適性的心智模型的多維建模以及分析方法。本文將復雜網(wǎng)絡分析的理論和方法與鏈接表結構理論相結合，應用于心智模型內(nèi)容、結構與活動路徑等方面的研究，探求量化分析和建構能夠充分表達用戶心理活動的結構化模型。

二、心智模型多維表達

心智模型是用戶心理活動的框架，用戶心理活動可以理解為思維在心智模型節(jié)點之間的遷移。對心智模型的研究主要通過解構用戶自然狀態(tài)下的語言、文字以及草圖等非結構性數(shù)據(jù)，探索用戶心理活動的外顯形式、演變路徑以及邏輯結構。本文運用數(shù)據(jù)矩陣、過程鏈接、內(nèi)容網(wǎng)絡等方法，以節(jié)點和鏈接為基礎構建用戶心智模型，刻畫和表征模糊心理活動過程，提取、計算及構建用戶的心智模型。在Goldschmidt的研究中，研究者使用鏈接表來重新解構用戶人機交互的思維活動，試圖建立其在人機交互過程中的思維模型。基于口語實驗，鏈接表將語音數(shù)據(jù)解構成不同的元素并儲存在獨立的節(jié)點中，每一節(jié)點建立通向下一節(jié)點的鏈接，以此來探索認知推理過程中不同語音要素的結構性關系[7]。通過建立語義節(jié)點鏈接，歸納節(jié)點索引方向產(chǎn)生的相關節(jié)點，進一步得出口語語義的前后相關關系，最終建構出基于語義鏈接的多維模型。口語表達過程中用戶產(chǎn)出的每個思維點稱為一個“節(jié)點”，用戶的思維移動過程稱為“節(jié)點移動”，采用鏈接表示（如圖1），通過判定所有節(jié)點間相互關系，再依據(jù)語義分析來作出不同節(jié)點間的鏈接判斷，連線任何可鏈接的思維節(jié)點，從而建立鏈接表（如圖2）。用戶心智模型包括三個部分：數(shù)據(jù)矩陣、過程鏈接和內(nèi)容網(wǎng)絡（圖3）。它們分別從思維活動的量化形式、活動過程的時間順序以及內(nèi)容的相互關系、三個維度概括心智模型的構建過程。數(shù)據(jù)矩陣是以矩陣形式構建心智模型和思維過程的基本數(shù)據(jù)模塊，通過結構化的形式建立心智模型的信息數(shù)據(jù)集，以達到對心智模型信息的量化及結構化重構，并結合過程鏈接來表達思維的聚合以及發(fā)散狀態(tài)。過程鏈接是以結構鏈接表為基礎，分解復雜的時序性心理活動過程，顯示思維節(jié)點遷移和轉變狀態(tài)，借助PR值和EC值大小和波動效應定位心智模型網(wǎng)絡中的關鍵思維節(jié)點。內(nèi)容網(wǎng)絡是用網(wǎng)絡形式，集中式聚類和路徑回溯分析心智模型生成過程，進而提取思維的主題大類。

三、用戶心智模型建模方法

心智模型的結構化和量化分析需要綜合設計思維活動內(nèi)容、過程和關聯(lián)關系等，從而構建一種兼具推理、表達和分析功能的多維模型。借助數(shù)據(jù)矩陣、過程鏈接、內(nèi)容網(wǎng)絡、運用關鍵節(jié)點識別等方法，從信息處理角度量化心智模型的數(shù)據(jù)結構，揭示心理活動的斂散過程，解析心智模型的復雜度及其演變路徑。

1.基于語義關聯(lián)的數(shù)據(jù)鏈接表達分解口語語音數(shù)據(jù)，劃分為獨立節(jié)點，建立量化及結構化的數(shù)據(jù)矩陣，并利用過程鏈接分析節(jié)點的相關性及時序性，根據(jù)語義內(nèi)容的關聯(lián)程度對其進行編碼，若相關程度高，則記錄對應鏈接為相關，記為1；反之，如果相關度低，則記錄對應鏈接為不相關，記為0，從而形成完整的鏈接矩陣，將抽象化語音數(shù)據(jù)轉化為結構化運算數(shù)據(jù)。對于任意節(jié)點i，記為Ni，對應的鏈接矢量表達式為：其中，Li是節(jié)點Ni的鏈接矢量，lin代表節(jié)點Ni與Nn的關聯(lián)程度，稱作語義關聯(lián)編碼值。（其中節(jié)點對自身鏈接并不具有實際意義，對其歸零處理。）依據(jù)公式編碼各個節(jié)點，鏈接所有節(jié)點，形成一個完整的全鏈接矢量圖（如圖2）。

2.基于語義關聯(lián)的數(shù)據(jù)鏈接建模與計算心智模型求解的復雜性源于心理活動過程的模糊性及多變性。本文利用基于特征向量的排序方法與鏈接表相結合識別心理活動重要節(jié)點。這里引入基于特征向量的兩種典型算法，EC算法和PageRank算法[7]來計算節(jié)點鄰居數(shù)量和質量對節(jié)點重要性的影響。基于特征向量的排序的重要度指標包括EC值和PR值。EC中心性算法(EigenvectorCentrality)[8]認為一個節(jié)點的重要性既取決于其鄰居節(jié)點的數(shù)量(即該節(jié)點的度),也取決于每個鄰居節(jié)點的重要性.記xi為節(jié)點vi的重要性度量值,則:其中c為一個比例常數(shù).記x=[x1,x2,x3,…xn]T,在經(jīng)過多次迭代運算后達到穩(wěn)定狀態(tài)時，可以將其寫為以下的矩陣形式：x=cAx。其表示x是對應矩陣A的特征值c-1的特征向量。計算向量x的基本方法是給出初始值x（0），然后使用下面的迭代算法:直到歸一化的x’(t)=x’（t-1）為止。EC為節(jié)點的復雜度，EC值越高表示節(jié)點信息越復雜，表征相關節(jié)點與其他節(jié)點鏈接的復雜性。具有極大EC值的節(jié)點往往正向思維邏輯思維的關鍵樞紐點，一般為思維線索的開始。PageRank算法是在有向網(wǎng)絡中著名算法。由Google的創(chuàng)始人拉里•佩奇和謝爾蓋•布林于1998年在斯坦福大學提出這項技術[9]。簡單來說，就是在網(wǎng)絡中的節(jié)點相互鏈接之前，會提前給出網(wǎng)絡中每一個節(jié)點PageRank值（下文用PR值表示PageRank值）。物理意義上的PR值是指網(wǎng)絡中某一節(jié)點被其他節(jié)點鏈入的概率，數(shù)值通常為1/N，其中N表示此網(wǎng)絡中所有節(jié)點的數(shù)量。此外，所有節(jié)點的PR值之和一般為1[10]。以下（圖4）四個節(jié)點的鏈接為例，可以看做一個有向圖。這時節(jié)點A的PR值就可以表示為：在兼容種特色鏈接情況下，一個節(jié)點的PR值計算如下：公式中的Mpi指的是在此網(wǎng)絡中出鏈至pi節(jié)點的所有節(jié)點的集合，L(pj)指的是節(jié)點pj對其他節(jié)點的出鏈數(shù)目，N指的是此網(wǎng)絡中所有節(jié)點的數(shù)量，a通常情況下取0.85（a表示為節(jié)點i鏈接到隨機節(jié)點的概率）。我們可以依據(jù)上述的公式計算出每一個節(jié)點的PR值，最終的PR值需要在不斷迭代運算后，當運算后的PR值趨于平穩(wěn)時才能夠得到。以（圖5）鏈接表為例： 該圖的出入鏈關系可以通過下文的矩陣公式來表示，當Smn=0時，是指節(jié)點n沒有到節(jié)點m的出鏈：所有分量都是1的列向量為e,然后定義矩陣：PR值具體計算方法如下，其中Pn為第n次迭代運算時各個節(jié)點PR值所組成的列向量：計算PR值的過程為馬爾科夫過程（Markov），即：P=APP是矩陣A中特征值為1所對應的特征向量：所有分量都為1的列向量為e，P的所有分量之和為1：如果一個節(jié)點被很多其他節(jié)點鏈接到的話說明這個節(jié)點比較重要，PageRank值會相對較高。如果一個PageRank值很高的節(jié)點鏈接到一個其他的節(jié)點，那么被鏈接到的節(jié)點的PageRank值會相應地因此而提高[9]。PR值預示著節(jié)點的重要性，PR值越高意味鏈入節(jié)點（回溯鏈接）的數(shù)量多和重要性高。具有極大PR值的節(jié)點往往心理活動的關鍵節(jié)點，往往思維回溯的關鍵點，或者一次心理活動的終結點，通常也是內(nèi)容聚類的關鍵點。

3.基于內(nèi)容網(wǎng)絡的聚類分析一次心理活動可以解釋為思維在內(nèi)容網(wǎng)絡上幾個節(jié)點間的遷移，節(jié)點所構成的路徑鏈接即為思路。但心理活動過程中的不同節(jié)點之間的關系并不僅限于時間順序，也呈現(xiàn)出一定的空間分布關系。節(jié)點鏈接表用于表達節(jié)點之間的時序性和關聯(lián)關系，而內(nèi)容網(wǎng)絡則在呈現(xiàn)語義內(nèi)容和主題轉換路徑的同時，更進一步通過分析不同節(jié)點的主題聚類，探究思維活動的內(nèi)容特征及遷移路徑。內(nèi)容網(wǎng)絡突破了僅僅依據(jù)時間序列對同一思維活動分類的約束，其形成過程主要是基于聚類分析的結果[12]。將相同類別的內(nèi)容節(jié)點集聚成群，共同形成一個節(jié)點集群，這就是聚類的過程，節(jié)點間的鏈接關系不會因為聚類而改變，只是隨著聚類的深入，會形成不同的節(jié)點集群，代表著其對應主題的思維內(nèi)容。隨著主題集群的產(chǎn)生，完整的心智模型也隨之浮現(xiàn)出來。具體的運算過程利用聚類分析中使用的CONCOR算法[11]，將鏈接矩陣中向量的相關系數(shù)進行多次迭代運算后得出收斂的相關系數(shù)，并使用最終得到的收斂相關系數(shù)對它們進行分類。內(nèi)容網(wǎng)絡的集中式聚類分析是一種語義交叉分析方式，通過回溯式交叉分析再現(xiàn)鏈接矩陣中思維節(jié)點的鏈接路徑，挖掘節(jié)點間連續(xù)性、跳躍性的交叉信息，將抽象思維轉化為具象鏈接。此外，內(nèi)容網(wǎng)絡有助于探索思維節(jié)點演化路徑，對于任意的節(jié)點m和n，兩者之間的路徑P(m,n)可以描述為：Cmn代表節(jié)點m與節(jié)點n之間的最短演化路徑，即內(nèi)容網(wǎng)絡中從節(jié)點m通向節(jié)點n的最短鏈接數(shù)目。通過聚類思維節(jié)點以及回溯語義節(jié)點在內(nèi)容網(wǎng)絡中的演化路徑，可以篩選出思維遷移過程中的關鍵節(jié)點，有助于捕捉思維過程的主題變化。

四、實例研究

1.實驗及數(shù)據(jù)處理該實驗以手機端線上約車APP的設計為研究主題，實驗對象由2名具有豐富工作經(jīng)驗的研究人員與2名缺乏智能手機使用經(jīng)驗的老年人構成，實驗中通過對手機端線上約車APP認知水平的考察來探求老年人關于線上約車APP的心智模型，以此對用戶心智模型的建模和解析方法進行實例驗證研究。實驗中訪談交流時間為1.5小時，主要流程如下：①使研究人員與老年用戶充分明確此次實驗目標、時間限制、訪談內(nèi)容、實驗步驟等；②研究人員針對目前的APP向老年人提出相應問題，與之交流并探討完成軟件操作的過程；③研究人員根據(jù)老年用戶交流與反饋，深入分析用戶潛在需求，并提出設計方案；④實驗團隊完善并總結設計方案，直至完成最終設計方案。在實驗中，設計思路及其流程以圖文形式來交流和表達，語音交流數(shù)據(jù)以錄音的形式記錄保存。用文本形式再現(xiàn)語音交流信息，重新梳理并轉換為文本數(shù)據(jù)，提取與此次實驗任務相關的語言數(shù)據(jù)，使用口語分析法對語言數(shù)據(jù)進行斷句、無用信息清理和關鍵詞篩選，最后進行編碼工作，共計獲得81句可用文本，記錄為81個思維節(jié)點，數(shù)據(jù)匯總如表1所示。表中A、B分別代表每個節(jié)點所對應的老年人實驗對象，鏈接欄標記出每個節(jié)點所鏈接到的其他所有節(jié)點，以標識其鏈接狀態(tài)。表1實驗數(shù)據(jù)編碼結果

2.設計認知斂散性分析將表1中的節(jié)點鏈接數(shù)據(jù)用更加可視化的方式表達出來，量化為可計算的鏈接矩陣，如下所示：將整個思維節(jié)點的持續(xù)過程分為三個階段（圖7），所有節(jié)點按縱向和橫向排列，縱向作為參考方向，鏈接分為前連接和后鏈接，對角線下方為前鏈接區(qū)域，思維具有收斂性，標記為F區(qū)；對角線上方為后鏈接區(qū)域，思維具有發(fā)散性，標記為B區(qū)；節(jié)點之間的鏈接與否用“0”和“1”表示，體現(xiàn)在網(wǎng)格中，有鏈接為黑色圓點標注，無鏈接為空白。鏈接又分為長鏈接和短鏈接，距離對角線較近的為短鏈接，反之，距離對角線較遠的為長鏈接，短鏈接相比長鏈接更具活躍性。節(jié)點N1-N29為設計溝通的開展階段，節(jié)點之間的短鏈接明顯多于長鏈接，表示這一階段思維更為活躍、更具新穎性，第一階段后期，前鏈接多于后鏈接，說明思維活動趨于收斂；節(jié)點N30-N59是設計溝通的中期階段，該階段的鏈接特征與第一階段趨同，部分節(jié)點呈現(xiàn)出與第一階段節(jié)點相關的長鏈接；節(jié)點N60-N81這一階段為設計溝通末期，該階段與之前階段的長鏈接明顯增多，說明這一階段的思維活動更加成熟穩(wěn)定。

3.關鍵節(jié)點的識別在對語言數(shù)據(jù)分解的基礎之上，結合PR值來分析心智模型節(jié)點的重要程度。節(jié)點PR值變化情況如（圖11）所示。從圖中可以看出，初始階段的PR值波動較為明顯，節(jié)點N3的PR值最小，為0.004；節(jié)點N5的PR值最大，為0.026，變化幅度比較大，表面這一階段思維活動較為活躍，用戶的心理活動呈現(xiàn)出無序的狀態(tài)，說明思維活動較為不確定；而到了中期階段，PR值位于中等水平，波動較為平穩(wěn)，而末期新概念產(chǎn)出較少，此時不僅PR值的波動幅度比較小，并且節(jié)點的PR值也相對較小。以PR值最高點的N5為例，該節(jié)點鏈接在鏈接表整體分布圖中具有長鏈接和后鏈接的特征，屬于設計認知復雜度比較大的階段，說明其對后續(xù)概念的產(chǎn)出具有啟發(fā)和引導作用。回顧文本數(shù)據(jù)可知，N5總結了上述關于降低網(wǎng)約車APP操作難度的討論結果，并引導從操作方式的角度思考，給出了兩種可行度較高的操作方式。N29引入了對APP操作方式的思考，但后續(xù)并未能深化，所以其PR值局部較高但整體上看并不那么明顯。N51是局部區(qū)域當中一個比較重要的節(jié)點，它是局部區(qū)域中PR值的極大值，提出了一個承前啟后的“APP軟件透明收費”的新概念；而N45“考慮安全保障問題“的概念節(jié)點，也是PR值局部變化的極值點，雖然其無前鏈接是一個新概念點，但它促進了后續(xù)概念的產(chǎn)生，并呈現(xiàn)局部創(chuàng)新的演化特征。表2為各個節(jié)點PR值和特征向量中心度統(tǒng)計表。其中如果一個節(jié)點的PR值較高，說明它被很多其他節(jié)點鏈接并且鏈入節(jié)點比較重要。也就是如果一個PR值很高的節(jié)點鏈接到另一個節(jié)點，那么被鏈接到的節(jié)點的PR值會相應地提高。EC值（特征向量中心度）表示一個節(jié)點的中心程度，其取決于與該節(jié)點所有相關節(jié)點的數(shù)量以及質量。

五、結論

對用戶復雜心理活動的求解過程，是對用戶語言內(nèi)容、思維方式以及表達形式的綜合性研究過程。本文在口語實驗的基礎上，對語言數(shù)據(jù)進行分解與重構，將自然狀態(tài)的語言數(shù)據(jù)轉化為可計算的結構化數(shù)據(jù)。將這些數(shù)據(jù)建立數(shù)據(jù)矩陣，隨后進行過程鏈接并形成內(nèi)容網(wǎng)絡，最后生成多維心智模型，從時序性、關聯(lián)性和空間分布關系角度來探究用戶心理活動過程中不同節(jié)點之間的關系，將心理活動過程的復雜特性轉化為可評估的量化指標，挖掘最有價值的設計方向，為基于自然語言探究用戶心理活動、心智模型提供普適性方法，為設計研究提供更有參考價值的研究方法。后續(xù)工作中還將進一步就如何利用人工智能自然語言處理技術提高研究效率進行探索，并且找尋更高效的自然語言分析方法，為解析用戶心智模型問題提供參考方向。

作者：姜霖 單位：南京理工大學