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，激發您的寫作靈感。歡迎深入閱讀并收藏。

[摘要]本文從數據、過程、內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點，結合不同節點的鏈接關系，通過EC算法、PR算法分析識別心智模型網絡關鍵節點，從口語數據分解、節點時序、關鍵節點識別、主題聚類等方面開展對用戶心智模型節點的復雜度、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

隨著現代科學技術的快速發展，智能化與交互化在智能產品與服務之間扮演著越來越重要的角色。在這種趨勢下，用戶與產品的關系逐步演變為人與產品之間的一種交互行為[1]。傳統設計研究大多偏向于對產品本身功能、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，然后根據需求點有效地改進復雜產品與服務的人機交互設計。心智模型的分析和創建基于心理學、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新設計領域，創建并分析心智模型已經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的研究，他認為心智模型是個體為了解和解釋他們的經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的目標與形式，解釋系統功能，觀察系統狀態和預測系統未來狀態的心理機制[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，目前國內外專家學者對心智模型的研究主要集中在其結構和內容方面，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下的語言、文字以及草圖等非結構性數據，探索用戶心理活動的外顯形式、演變路徑以及邏輯結構。本文運用數據矩陣、過程鏈接、內容網絡等方法，以節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，鏈接表將語音數據解構成不同的元素并儲存在獨立的節點中，每一節點建立通向下一節點的鏈接，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]。通過建立語義節點鏈接，歸納節點索引方向產生的相關節點，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出的每個思維點稱為一個“節點”，用戶的思維移動過程稱為“節點移動”，采用鏈接表示（如圖1），通過判定所有節點間相互關系，再依據語義分析來作出不同節點間的鏈接判斷，連線任何可鏈接的思維節點，從而建立鏈接表（如圖2）。用戶心智模型包括三個部分：數據矩陣、過程鏈接和內容網絡（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容的相互關系、三個維度概括心智模型的構建過程。數據矩陣是以矩陣形式構建心智模型和思維過程的基本數據模塊，通過結構化的形式建立心智模型的信息數據集，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散狀態。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，顯示思維節點遷移和轉變狀態，借助PR值和EC值大小和波動效應定位心智模型網絡中的關鍵思維節點。內容網絡是用網絡形式，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容、過程和關聯關系等，從而構建一種兼具推理、表達和分析功能的多維模型。借助數據矩陣、過程鏈接、內容網絡、運用關鍵節點識別等方法，從信息處理角度量化心智模型的數據結構，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.基于語義關聯的數據鏈接表達分解口語語音數據，劃分為獨立節點，建立量化及結構化的數據矩陣，并利用過程鏈接分析節點的相關性及時序性，根據語義內容的關聯程度對其進行編碼，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，將抽象化語音數據轉化為結構化運算數據。對于任意節點i，記為Ni，對應的鏈接矢量表達式為：其中，Li是節點Ni的鏈接矢量，lin代表節點Ni與Nn的關聯程度，稱作語義關聯編碼值。（其中節點對自身鏈接并不具有實際意義，對其歸零處理。）依據公式編碼各個節點，鏈接所有節點，形成一個完整的全鏈接矢量圖（如圖2）。

2.基于語義關聯的數據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]來計算節點鄰居數量和質量對節點重要性的影響。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]認為一個節點的重要性既取決于其鄰居節點的數量(即該節點的度),也取決于每個鄰居節點的重要性.記xi為節點vi的重要性度量值,則:其中c為一個比例常數.記x=[x1,x2,x3,…xn]T,在經過多次迭代運算后達到穩定狀態時，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為節點的復雜度，EC值越高表示節點信息越復雜，表征相關節點與其他節點鏈接的復雜性。具有極大EC值的節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算法是在有向網絡中著名算法。由Google的創始人拉里•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，就是在網絡中的節點相互鏈接之前，會提前給出網絡中每一個節點PageRank值（下文用PR值表示PageRank值）。物理意義上的PR值是指網絡中某一節點被其他節點鏈入的概率，數值通常為1/N，其中N表示此網絡中所有節點的數量。此外，所有節點的PR值之和一般為1[10]。以下（圖4）四個節點的鏈接為例，可以看做一個有向圖。這時節點A的PR值就可以表示為：在兼容種特色鏈接情況下，一個節點的PR值計算如下：公式中的Mpi指的是在此網絡中出鏈至pi節點的所有節點的集合，L(pj)指的是節點pj對其他節點的出鏈數目，N指的是此網絡中所有節點的數量，a通常情況下取0.85（a表示為節點i鏈接到隨機節點的概率）。我們可以依據上述的公式計算出每一個節點的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，是指節點n沒有到節點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：如果一個節點被很多其他節點鏈接到的話說明這個節點比較重要，PageRank值會相對較高。如果一個PageRank值很高的節點鏈接到一個其他的節點，那么被鏈接到的節點的PageRank值會相應地因此而提高[9]。PR值預示著節點的重要性，PR值越高意味鏈入節點（回溯鏈接）的數量多和重要性高。具有極大PR值的節點往往心理活動的關鍵節點，往往思維回溯的關鍵點，或者一次心理活動的終結點，通常也是內容聚類的關鍵點。

3.基于內容網絡的聚類分析一次心理活動可以解釋為思維在內容網絡上幾個節點間的遷移，節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點之間的關系并不僅限于時間順序，也呈現出一定的空間分布關系。節點鏈接表用于表達節點之間的時序性和關聯關系，而內容網絡則在呈現語義內容和主題轉換路徑的同時，更進一步通過分析不同節點的主題聚類，探究思維活動的內容特征及遷移路徑。內容網絡突破了僅僅依據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]。將相同類別的內容節點集聚成群，共同形成一個節點集群，這就是聚類的過程，節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，會形成不同的節點集群，代表著其對應主題的思維內容。隨著主題集群的產生，完整的心智模型也隨之浮現出來。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進行多次迭代運算后得出收斂的相關系數，并使用最終得到的收斂相關系數對它們進行分類。內容網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鏈接矩陣中思維節點的鏈接路徑，挖掘節點間連續性、跳躍性的交叉信息，將抽象思維轉化為具象鏈接。此外，內容網絡有助于探索思維節點演化路徑，對于任意的節點m和n，兩者之間的路徑P(m,n)可以描述為：Cmn代表節點m與節點n之間的最短演化路徑，即內容網絡中從節點m通向節點n的最短鏈接數目。通過聚類思維節點以及回溯語義節點在內容網絡中的演化路徑，可以篩選出思維遷移過程中的關鍵節點，有助于捕捉思維過程的主題變化。

四、實例研究

1.實驗及數據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名具有豐富工作經驗的研究人員與2名缺乏智能手機使用經驗的老年人構成，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，語音交流數據以錄音的形式記錄保存。用文本形式再現語音交流信息，重新梳理并轉換為文本數據，提取與此次實驗任務相關的語言數據，使用口語分析法對語言數據進行斷句、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個思維節點，數據匯總如表1所示。表中A、B分別代表每個節點所對應的老年人實驗對象，鏈接欄標記出每個節點所鏈接到的其他所有節點，以標識其鏈接狀態。表1實驗數據編碼結果

2.設計認知斂散性分析將表1中的節點鏈接數據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：將整個思維節點的持續過程分為三個階段（圖7），所有節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域，思維具有收斂性，標記為F區；對角線上方為后鏈接區域，思維具有發散性，標記為B區；節點之間的鏈接與否用“0”和“1”表示，體現在網格中，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。節點N1-N29為設計溝通的開展階段，節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，部分節點呈現出與第一階段節點相關的長鏈接；節點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定。

3.關鍵節點的識別在對語言數據分解的基礎之上，結合PR值來分析心智模型節點的重要程度。節點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，節點N3的PR值最小，為0.004；節點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出無序的狀態，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，而末期新概念產出較少，此時不僅PR值的波動幅度比較小，并且節點的PR值也相對較小。以PR值最高點的N5為例，該節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，說明其對后續概念的產出具有啟發和引導作用。回顧文本數據可知，N5總結了上述關于降低網約車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是局部區域當中一個比較重要的節點，它是局部區域中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，但它促進了后續概念的產生，并呈現局部創新的演化特征。表2為各個節點PR值和特征向量中心度統計表。其中如果一個節點的PR值較高，說明它被很多其他節點鏈接并且鏈入節點比較重要。也就是如果一個PR值很高的節點鏈接到另一個節點，那么被鏈接到的節點的PR值會相應地提高。EC值（特征向量中心度）表示一個節點的中心程度，其取決于與該節點所有相關節點的數量以及質量。

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，對語言數據進行分解與重構，將自然狀態的語言數據轉化為可計算的結構化數據。將這些數據建立數據矩陣，隨后進行過程鏈接并形成內容網絡，最后生成多維心智模型，從時序性、關聯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