我的 AI 與 UX 研究協作之旅，完整實戰心得分享
AI 不是拿來取代人，而是邀請更多人，讓他們有能力達到更遠的地方
昨晚，我在悠識有一場線上講座：《人機協作：點燃 AI 與 UX 研究碰撞的火花》，討論若 AI 運用在 UX 研究當中，目前會有哪些限制與可能性，先分享幾個大家最關心 三個問題的結論：
1. 我們可以直接用 AI 模擬使用者形象，不找使用者訪談嗎？
簡答：盡量不要，因為 AI 會跟你說：「不管你給我什麼，我全都要」
2. 時間有限的狀況下，我可以直接都用 AI 分析質性資料嗎？
簡答：不可以，就跟你看電影解說一樣，劇情是知道了，但你會錯過很多人物的前因後果與細節。
3. Prompt Engineering 很重要嗎？要怎麼運用 prompt framework？
簡答：重要，但是以一般需求來說，你直接反問 AI：「請告訴我，若要做 OOOO，要怎麼提問比較好」，就可以解決日常分析情境的問題。
以下文章我會整理從去年到現在，我運用 AI 在 UX 研究的精華心得。
沒有時間閱讀的人，可以直接看我昨天的簡報 👉：
https://gamma.app/docs/AI-UX--4790tmmxmrbpall
關於我嘗試 AI 用在 UX 研究的探索歷程、我的 AI 工具 TOP3 🏅
其實我是從去年 2023 開始，就在探索 AI 和 UX 研究協作的可能性。我的第一個嘗試是用於公部門服務的研究，當時要處理的是橫跨全台灣政府服務的 12 項大議題。
每一項大議題，都可以獨立成為一個研究案。
而我們需要在短時間當中，快速分析出這幾大議題是否有共同之處，例如：政府內部資訊系統、法律調適議題、民眾需求等等。
而當時的 AI 只能吃少量的資料，因此我製作了「資訊罐頭」，賦予 ChatGPT4 更多資料分析的能力。（詳細紀錄可以參考此篇文章：https://medium.com/@meiling-c/%E5%88%A9%E7%94%A8-notion-ai-chatgpt4-%E8%BC%94%E5%8A%A9%E5%A4%A7%E7%AF%84%E5%9C%8D-ux-%E7%A0%94%E7%A9%B6-61a13639531a）
第二次比較大的嘗試，是在今天某次執行易用性研究時，試圖利用 AI 整理介面議題，但嘗試過後，我們發現以下問題：
📍介面議題是整理出來了，但我難以判斷優先順序
📍好像很有道理，但不確定到底要參考多少
📍有時候它 cite 會錯誤，明明受訪者沒講過，它卻自己腦補 (AI 幻覺)
於是，我就在思考到底 AI 在 UX 研究的哪些階段中，可以進行輔助。
我目前較常用於質性資料分析的 AI 工具有下面三種：
1. Claude：我目前有付費使用，擅長文本處理、質性的邏輯推理，Projects 功能可建立知識庫。
2. ChatGPT：綜合型 LLMs，什麼都會做一些。還有不同情境的 GPTs.
3. Perplexity：找新東西先打開這個，而不是Google，可以明確提供資料來源，更能查證是否有誤
為什麼我特別喜歡 Claude？
特別談論一下我喜歡 Claude 的原因，Amanda Askell 是 Anthropic 的 AI 性格設計師，本身是紐約大學的哲學碩士。
他設計 Claude 的人格理念是：航行世界的旅行家，也就是一個能夠環遊世界、擁有很多見聞，但是能真誠對待人個性。
Claude 他會扮演智慧的導師，針對有明確科學事實的事情，他會堅定支持科學立場；但遇到一些文化相關的軟性議題時，他則會保持開放的心胸，給予人們思考的空間，而不會簡單給出結論。
而這也很符合，我在執行研究時的價值觀，包容開放，但不會妄下定論。
可以直接用 AI 模擬使用者形象，不找使用者訪談嗎？
很多人關心，在 AI 出來之後，能否直接用 AI 模擬使用者就好，不需要花時間、花金錢進行訪談了。
在今年六月，NNG 發布了一篇很有趣的文章《Synthetic Users: If, When, and How to Use AI-Generated Research》
他們比較了：在訪談時，Synthetic Users (AI 受訪者) 和真人受訪者的回答差異。
Synthetic Users 是一個可以模擬使用者 Persona 的 AI 平台，只要你輸入研究目標、還有目標族群的特質，你就可以開始用「文字對談」的方式，和使用者進行模擬訪談。
但他們發現，Synthetic Users 有個很重大的問題。
人類覺得很無聊而做不完的事情，Synthetic Users 會說：「你提供的功能很讚，我全部都體驗完畢了，而且給我很多的幫助」
我們知道人類在接受訪談時，可能會有「社會期許效應」(Social Desirability)，受訪者可能會知道研究者想聽什麼、想知道什麼，而盡量滿足這個期待。
但沒想到 AI 的討好型性格，會讓這件事更嚴重。
AI 過於理想化的回答，將很難看到一些真實的痛點。
況且，與 AI 用文字對談的方式，甚至根本就沒有辦法觀察到「操作行為」的狀況。
(至少現在還不行)
在 UX 研究流程中，我與 AI 互動的兩種策略模式
詳細的互動流程，可以看我的簡報 👉：https://gamma.app/docs/AI-UX--4790tmmxmrbpall
以下萃取一些，我認為最重要的核心精神。
1️⃣ 由零開始，讓 AI 發展骨架：
當你什麼都不了解的時候，讓 AI 協助你探索。
例如：我在執行桌面研究，或是踏入一個新領域的時候，我會下類似的提示詞：
「如果我現在要了解 OOOO 領域，有哪些需要了解的面向？」
「你可以協助我逐步了解關於 OOOO的知識嗎？」
通常，我會把提示詞都丟進去 Claude, ChatGPT, Perplexity 都試試看，互相比較一下。
2️⃣ 先發展骨架，再讓 AI 填肉
當你掌握基本知識時，自己搭建基本架構，避免 AI 回答偏離歪掉，你會更有互動上的主導權。
例如：我先提供研究目標、訪談大綱架構，再請 AI 進行來進行產出。
假設我今天要執行一個電子書閱讀器的顧客研究：
提示詞：
以下是我的訪談架構，訪談大約執行 1.5 小時，依照我的訪談架構、研究目標，列出合適的訪談問題。
- 暖身與基本背景
- 電子書購買決策流程
- 電子書軟體介面易用性測試
- 未來會員經營期待」
若你有更多時間，我會更推薦自己先做完，再讓 AI 檢查錯誤，或是否有任何要補充的地方，把 AI 當成是「輔助」，而非「取代」的角色。
時間有限的狀況下，我可以直接用 AI 分析質性資料嗎？
基本上，如果你完全依賴 AI 分析資料，自己沒有花時間與資料互動，
你就完全不會發現 AI 產出的問題。
我曾經直接請 AI 分析過資料後，再自己親自執行過分析，發現我對於資料的感受是完全不同的。
手動分析原始資料，我能在使用者旅程當中，看到更多事件的前後因素與細節，如果純用 AI，其實對資料會很無感，因為咻一下就結束了。
如果你親自分析，增加和資料互動的時間，
可以一邊想到產品設計的新解法與策略方向，這兩件事情是共同交織產生的。
對你來說，資料的立體度就會很低。
這就跟你親自看電影，還有看谷阿莫電影講解一樣，
其實都可以知道大部分的電影劇情，但有些彩蛋，要親自參與才能發現。
如何避免 AI 幻覺：自行判斷、請 AI 自行檢查、善用有 RAG 的 AI
基本上要判斷 AI 幻覺是非常困難的事情。
我在使用 AI 輔助資料分析時，還是得不斷的將產出去核對我的商業策略、研究目標。
所以我會認為，在 AI 的時代當中，持續培養研究素養是非常重要的事情，因為這是加速你判斷產出品質的關鍵。
AI 出來後，不代表進行研究可以開始偷懶了，這並不是一個取代的過程，專業的判斷將會更為重要。而增加研究知識素養，除了加速判斷之外，甚至你可以發展出屬於自己的 AI 對話模式。
（像現在我很常用訪談技巧，來反問 AI 的研究產出：請他比較、請他補充、請他分享是否還有遺漏的事情）
再來，你也可以下提示詞：
「請檢查一下，上述的產出是否有錯誤的地方」
有時候，AI 還真的會檢查出自己的錯誤。
而現在很多 AI 是配有 RAG (Retrieval-Augmented Generation) 的功能，也就是檢索增強生成。藉由使用者提供的基本背景資料，提供更高精確程度的產出。
例如：Claude Projects, Notebook LLM, Perplexity Space，都是很經典的例子。
以質性資料的邏輯分析上，我更推薦 Claude，體感實驗之後，他目前的表現確實比較好。
Prompt Engineering？提示詞工程？我一定要學會詠唱咒語，才能優化和 AI 之間的互動嗎？
Andrew Ng 和 OpenAI 合作推出了給開發者的 Prompt Engineering 免費公開課程。
在 2023 年，新加坡的提示詞大賽，Sheila Teo 分享了請 AI 角色扮演、給予範例、指定回答格式…等提示詞的技巧。
對於一般人來說，這些提示詞根本又臭又長很難被記住，其實並不符合自然對話語境的狀態。而且還會引起很多初學者使用 AI 的知識焦慮感。
其實，最為單純的方法就是，直接反問 AI ，要怎麼問你比較好：
在OOO的情況下，我要如何對你進行有效的提問
接下來，你就會發現 AI 給你很多結構性的回答，一步步帶領你進行提問，而這些內容，都非常接近所謂的提示詞技巧。
所以我認為，在一般的使用情境下，追求提示詞工程當然可以讓你的產出變好，但或許你直接反問 AI 就可以滿足大部分人八成的需求。
而我昨天也因為蕭健興老師的回饋，認識了更多的新名詞：prompt framework (例如：BROKE, RASCEF, CRISPE)
我發現這些框架都有一個共同的核心精神，那就是提供給 AI：
足夠的背景資訊、你的目的、你期望的產出是什麼。
結語：持續培養相關領域知識，讓身邊更多人擁抱 AI 的可能性
寫到最後，其實這麽長的文應該要拆成幾篇系列文，但我想一次整理成我的精華大全或許也相當不錯，大家可以直接收藏這篇，然後展開與 AI 的互動之旅。
我認為持續培養相關領域的知識，在 AI 的時代還是非常重要，因為這些累積，都是幫你拓展與 AI 建立新的互動方式的可能性。
你如果沒有這些累積，你會難以判斷，哪些可行、哪些不可行。
AI 應是賦能、拓展個人知識邊界的可能性，而不是取代和淘汰，拋出大量的知識焦慮是大可不必。
而我非常喜歡薩泰爾的 Sunny 之前所提及的一個觀念，AI 不是拿來取代人，而是邀請更多人，讓他們有能力達到更遠的地方。
最後，工商一下，目前我開放接受與 UX 研究，或是將 AI 融入於 UX 研究的任何合作機會，如果你們的團隊也有興趣，歡迎邀請我一起聊聊🫶✨