AI 在用户体验测评中的应用

一、AI 工具应用概述

1. 用户体验测评师的核心职责

· 测评全流程：目标制定 → 方案设计 → 用户招募 → 测评执行 → 数据分析与报告

· 各环节核心工作内容（需求分析/产品识别/维度确定/脚本设计/招募执行等）

2. AI 在测评中的价值

· 提升数据处理效率、辅助内容生成、提供初步分析框架

· 解放测评师从事务性工作中脱离，聚焦专业判断

3. AI 的三大核心局限

· 不能替代真实用户：AI 无法真实经历用户的困惑、情绪与操作障碍，AI 模拟不能代替真实用户测试

· 不能替代专业判断：AI 无法理解项目目标、业务约束和现场情境，不能替代方法选择、问题诊断和结论判断

· 容易产生过度推断：AI 易将相关性误判为因果性，输出需回到用户证据中交叉验证

二、AI 赋能测评全流程

1. 目标制定阶段

· 输入：产品和业务背景、会议纪要、各方关注点、资源约束

· 输出：结构化诉求梳理、测评需求初稿、超边界诉求提示

· 效果：完整性好，能提炼核心目标，但缺乏自行扩展补充

2. 方案设计阶段

· 产品识别：输入产品信息/用户研究资料 → 输出用户画像初稿、典型场景清单、任务链路图

· 竞品分析：输入分析目的/维度 → 输出对比表格初稿

· 维度与指标确定：输入测评目标/范围/参考标准 → 输出具体指标及测试方法建议

· 脚本设计：输入目标用户/脚本结构/时长 → 输出规范完备的脚本初稿

3. 用户招募阶段

· 招募条件制定：AI输出考虑群体差异，但条件可能偏理想化，需人工优化

· 甄别材料准备：AI输出考虑群体特殊性，但可能暴露筛选意图，需调整话术

4. 测评执行阶段

阶段复盘：输入测试记录表 → AI提炼可用性问题并标注用户，输出后续优化方向

5. 数据分析与报告阶段

· 数据整理：录音转文字、分人群逐字稿整理，信息条理清晰但存在遗漏需校验

· 数据分析：问题分类展示、维度覆盖全面，但大文件可能截断、数据精度不足

· 报告撰写：结构完整，但存在数据虚构风险（如AI自行生成满意度均值），需人工核查

三、AI 使用原则与技巧

1. 四大使用原则

· AI 输出需经人工审查：过滤低质/偏见数据、校准情感与语义误读、揭示深层“Why”

· 严格保护数据隐私与安全：工具准入合规、匿名化处理、最小权限访问控制

· AI 不能替代真实用户：所有 AI 结论必须通过真实用户数据交叉验证

· AI 不能替代专业判断：AI 生成的洞察需经人工验证与解读

2. 六大使用技巧

· 给 AI 限定身份（明确角色/专业层级/口吻）

· 提供详细背景信息（项目上下文/约束条件）

· 确定好工作流（复杂任务分步交付）

· 要求内容有据可依（标注来源，无素材支撑的推测单独标注）

· 控制提问颗粒度，善用追问细化

· 规范输出格式（表格/思维导图/分段文案）