太上老菌太上老菌朝菌学园ZhaoDesign
MOVIEPICKER的价值主张
笔和纸、像素和代码、粉笔和黑板——我们往往会将这些辅助工具和设计材料联系在一起，因为设计师在尝试寻找问题解决方案时会常常使用它们。这些工具既有模拟的也有数字的，它们的形式和作用显而易见。
形式和作用不那么明显的是AI（人工智能），如今，它在机器中应用得越来越普遍，因此它也要被视为一种设计材料。
总的来说，AI，特别是机器学习，为设计师提供了若干功能和机会来创新和改进他们的设计。在传统的数字设计中，用户只能在产品所能做到的范围内进行交互。与此相反，AI驱动的产品的体验会适应用户的行为。
在本文中，我们将探讨设计以用户为中心的AI驱动产品——Moviepicker（电影挑选器）过程中的关键。
MOVIEPICKER高保真界面
01
确定用户需求
这个过程的第一步就是定义问题，然后更深入地理解问题。在一次头脑风暴后，我们想到了一个特别的想法： 一个帮助用户决定看什么电影的解决方案。以一种快速、简单、基于用户喜好的方式给用户推荐电影。
我们的概念来源于一次练习，要求是我们需要从以下三个维度和使用一种技术来进行一个包含AI的设计项目：
三个维度
用户可自行支配
用户需要社交
高度独立
技术
自然语言处理（NLP）
这个帮助用户选择要看的电影的app的想法来源于我们自己使用流媒体功能的个人经历，我们需要获得符合我们喜好和心情的新电影或电视节目的推荐。
我们希望达到的目标是：
- 快速找到用户喜好的电影
- 用户不需要花费几个小时时间来浏览流媒体服务
我们从自己的个人经历中定义了用户需求后，就进行了桌面调研，更广泛地了解背景和可能实现目标的现有技术。
我们决定研究Netflix的推荐系统，深入了解其AI和机器学习是如何运作的。Netflix为用户提供各种各样的推荐以及不同的类别供他们选择。一般来说，AI系统提供推荐的方式有两种：
第一种是基于内容的方式，即根据用户观看历史以及他们感兴趣的内容进行推荐。第二种是基于协同的方式，即分析服务的所有用户，向具有相似偏好的用户推荐相关内容。
这两种方式都可以应用在我们的产品中，目的是想让它与Netflix的推荐系统相同。我们会让用户清楚地知道哪些推荐是基于他们自己的喜好的，哪些推荐是基于其他用户的喜好的，以此来区分这两种方式。
桌面调研中我们还浏览了类似的App——“Taste-电影和电视推荐”和“Dinggo!”，我们得到了另一个洞察。这两个app都应用基于内容的推荐方式，是两个很好的例子。Dinggo! 还有一个社交方面的功能，它可以向不同的社会群体推荐电影。
我们认为，与朋友分享电影推荐也在很大程度上决定了你想看什么电影，因此我们为我们的设计增加了另一个目标：
从朋友/社交关系中获得选择电影的建议
我们的设计概念是帮助你选择电影，在真正开始桌面调研之前，我们就先想到了这个概念，所以我们的设计有许多方面与现有的产品相似。另一方面，我们设计的社交方面功能更多地是从社交媒体的角度出发的，而不是像Dinggo! 那样，你得和朋友一起选电影。我们的想法是，你可以从你的朋友那里获得启发，你可以看到他们最喜欢的电影是什么，也许还能看到你的朋友中有多少人将某部电影列为他们的最爱之一。在我们的设计中，社交性是指你可以从你的电影爱好者伙伴那里寻找选择电影的启发。
02
用户旅程图与使用场景
我们遵循设计冲刺的方法来绘制出我们的调研结果。我们决定绘制一个用户旅程图来展现出以下内容：
- 用户在决定观看什么电影时需要的步骤
- 与每个步骤相关的更详细的需求
- 痛点
- 机会点
用户旅程图
画完之后我们进行了投票，选出最佳的机会点进行下一步迭代。
最后，我们对问题有了了解，并选择了重点领域，然后我们进行了更深入的桌面调研，寻找到一些灵感以及其他具有类似功能的产品。
现在我们得到了关于用户的第一个数据：
**他们想要什么、需要什么、期望什么。然后，我们的下一步是构建一个使用场景。**
分类AI驱动体验的建议框架
为了绘制出我们的产品并提出一个使用场景，我们使用了“分类AI驱动体验的建议框架”。该框架提出了三个维度（高度独立-不独立，社交-个人，可自行支配-不可自行支配）来对AI驱动的体验进行分类。它强调了选择一种能够基于用户提供的数据获得反馈的方法的重要性。
Moviepicker是一个更加依赖AI的系统，因为它需要用户交互才能触发系统功能。尽管它有社交方面的功能，但它主要还是个人的，因为每个用户的推荐都是基于他们的个人输入。
Moviepicker用户体验性质是可自行支配的，因为它需要用户自主地选择电影，即使应用程序日后为用户创建了一个或更多推荐，实际上它还是需要用户选择系统推荐的电影，它是一种更为传统和被动的工具。它不会干涉用户的活动，它只是给他们提供帮助。
我们必须考虑AI驱动系统的潜在意外后果，这些系统的设定（开发者的设定）可能不同于用户的。
诚信责任方面的问题可能也会出现在Moviepicker上。如果fx.电影公司买通了他们的推荐方式，这个公司的电影会比其他电影推荐得更多。
如果系统能说明它是如何做出推荐的，用户就更有可能建立对系统的信任。换句话说，如果用户了解系统是如何做出判断的，他们可能会更信任它。Moviepicker将通过使推荐算法的工作方式透明化来获得用户的信任。所以，挑选你喜欢或不喜欢的电影、点赞喜欢你朋友的电影都是驱动Moviepicker人工智能的因素。这会让用户更加清楚系统的推荐机制，因为他们是在自己做选择，并看到自己的选择会带来什么结果。
我们决定使用的维度是：高度独立、可自行支配的和个人的。在此背景下，我们提出以下设想：
| _现在是周日晚上，你坐在沙发上不知道该在电视上看什么。供你选择的电影太多了，你不知道怎如何选择。你看完了所有IMDB评分，还是不能决定看哪部电影。突然间，你想起了别人告诉过你的这个app，在这里，你可以通过语音交流、使用NLP来帮助你根据你的心情、兴趣、最近看的电影等因素来决定看哪部电影。_ |
03
设计我们的产品和原型
草图
我们每个人先分享了桌面调研的结果，然后研究不同的行业以及潜在的竞争对手，以便在草图绘制阶段获得灵感。
为了发挥我们的创造力，我们按照以下四个步骤绘制草图框架：
1 反思——我们回顾了迄今为止所做的工作，并整理了笔记。
2 想法——我们记录下了一下粗略的想法，并选出最有希望实现的想法。
3 “疯狂的”草图——我们在八张便利贴上画出我们选出的想法的一些变化形式。每张草图有一分钟时间。
4 解决方案草图——在这一步我们
我们的目标是将进一步推动我们的最初想法，并提出多种解决方案。之后，我们对最喜欢的解决方案进行了投票，并决定在原型设计和测试中采用哪些方案。
四个步骤绘制草图框架
这个App应该包含以下功能：显示今日推荐，显示更多个性化的推荐，显示用户的朋友正在看什么电影，为用户随机挑选一部电影。此外，我们决定不使用最初的设想方案中的NLP技术。
故事板
为了更清楚地定义最终的用户场景，我们决定绘制一个故事板，因此，我们创造了“Bob”这个用户角色来代表可能使用我们产品的用户，然后以这种方式来表达我们核心部分的真实表现。下面是我们的故事板：
故事板
1. 星期天晚上，Bob坐在沙发上不知道该在电视上看什么电影。供他观看的电影数量太多了，他不知道如何选择。Bob看了所有的IMDB评分，还是无法做出选择。
2. 突然间，他想起有人告诉过他的这个app，这个app通过ML来帮助他根据自己的心情、偏好、最近观看的电影等因素决定看哪部电影。
3. Bob点进app，看到的是今日推荐电影和下面的菜单栏，有两个其他选项：“更多个性化推荐”和“我的朋友在看什么”。
4. Bob浏览了他的朋友们刚才正在看的东西，但他仍然无法决定看什么电影。
5. 他来到了个性化推荐，但他无法确定自己现在是什么心情。因此，Bob决定看看如果他选择 “为我挑选一部随机电影！"app会给他推荐什么。Bob得到了3个推荐结果，他可以从中选择。他再试了一遍之后决定选择第3个。
6. Bob打开了他的流媒体服务，看了推荐的电影，而且看得很开心。
在我们的使用场景中，采用的三个维度是：
- 社交与个人：用户可以看到朋友在看什么电影。
- 高度独立性：app根据用户的喜好显示个人推荐，从而从数据中驱动运行。
- 用户可自行支配的：由于这是一个由用户激活的临时任务，因此用户可以将它打开和在任务完成时结束。
现在到了原型设计阶段——我们产品的第一视觉印象。
我们制作了低保真交互式原型，这样做我们可以节省准备静态原型的时间，而把时间花在探索设计上，而且，在测试中也更容易对设计进行修改
MOVIEPICKER低保真线框图
那么，你应该使用什么工具？
用Figma制作的MOVIEPICKER低保真界面
我们用 Figma 做了一个更细节的原型，你也可以使用其他快速制作原型的工具或用传统的方法：纸和笔。
此时，对原型进行用户测试了。观察测试者有什么反应，对原型进行修改，然后创建一个新的原型。
04
用户测试
接下来，我们将简要介绍Wizard of Oz测试方法以及我们在定义测试过程和操作过程中遇到的限制。最后，我们会描述最终的测试过程和结果。
Wizard of Oz
Wizard of Oz是一种 让用户与一个由看不见的人控制的系统进行交互的方法。“向导”（用户体验设计师）在另一个房间控制用户的屏幕。当用户点击时，“向导”决定着下一步为用户显示的界面。这是一个很好的方法，在使用大量资源和时间构建系统之前，先探索用户是如何体验该系统的。
限制条件
正如前面所说，在设计用户测试时，我们很难定义测试过程和“向导”的操作。
首先，我们为如何在原型中加入AI功能而苦恼。我们得出的结论是，这种AI模拟需要我们收集有关用户电影品味的数据。这可以在测试前完成，也可以在测试中完成。在测试前，我们可以使用问卷或面谈。在测试中，我们可以在测试过程中增加一个初始步骤，即给用户几部电影让他们选择喜欢或是不喜欢。对于后一种做法，我们可以在原型的主页面上采用受Tinder启发的概念，同时也可以展示AI模型的其中一个训练方式。
其次，我们觉得原型限制了“向导”的操作。例如，当场构建一个新的界面是相当困难的。我们认为这在静态原型中更容易实现，因为人就像“电脑”，拥有完全的控制权。
测试过程
我们通过简短的说明向用户介绍了该产品的概念，然后基于3个简单任务进行简单的测试过程。
为了调查用户的使用意愿，我们向用户提出了4-7个与感知有效性和舒适感有关的问题。根据Kliman-Silver等人的说法，这能够帮助我们了解产品在多大程度上满足了用户需求以及他们愿意使用这个产品的可能性。用户可能会认为产品有用，但产品可能会让用户觉得不舒服。
| “想象一下，一个能根据你的观影历史自动为你推荐电影的app...” |
任务：
- 你会如何去寻找观影推荐？
- 根据你的朋友最近的观影清单和推荐去选择一部电影。
- 你能找到另一种寻找观影推荐的方法吗？
- 选择随机的解决方案来决定今日电影。
- 如果你想知道更多的今日电影的随机解决方案，你会去哪里寻求答案？
| “现在，你已经使用过了这个app，你对以下情况有什么想法和感受？” |
关于感知有效性：
1. 你能想象出将来使用这个app的情景吗？2. 如果你愿意，请详细说说你之前的回答。3. 你愿意在日常生活中使用这个app吗？
关于舒适感：
1. 对于这些功能，你感到舒适吗？2. 如果不，是哪些功能让你不舒服？3. 使用这个app你会有什么顾虑吗？4. 如果有，请详细说明。
（此处为视频，请在原文中观看）
MOVIEPICKER | Wizard of Oz 测试录音
测试结果
用户1 | Søren，39岁
Søren每周都会使用流媒体服务。他经常寻找观影/电视剧的推荐。电视剧是他和朋友聊天中的一个常见话题。他们经常分享他们最近看了什么，并互相给对方推荐。但是，他还是经常自己在浏览中找到自己想看的电影。
Søren很容易就想象出自己在未来使用Moviepicker的情景。他说，这个问题很普遍，供我们观看的电影太多了，以至于很难决定看哪部电影。他更喜欢朋友的推荐，但也喜欢一个聪明的随机选择器的结果，尤其是当你已经浏览了很长时间还没能做出决定时。
总体来说，Søren对这些功能感到舒适，但他指出，如果这个app知道他在看什么，他就会认为自己必须要注册，以便app跟踪他的喜好。这意味着Søren完全意识到他正在让一个机器人获取关于他的数据。对Søren来说，这款app的社交功能让他感到有点不舒服。或许他并不总是有愿意让他的朋友们知道他的电影偏好。因此，他对这款app最大的顾虑是他的朋友们会发现他的电影偏好。
用户2 | Ulla，61岁
Ulla很少使用流媒体服务，主要是看流媒体电视，即频道从丹麦广播公司（DR）或TV2频道。
尽管她很少使用流媒体服务，她还是看到了Moviepicker的巨大潜力，因为对她来说，这意味着她可以得到更好的关于在周六晚上看什么的推荐，而不是仅仅将看电视作为默认选择。然而，在测试原型时，她遇到了几个小插曲。
总的来说，Ulla似乎对原型的导航流程有点困惑。她不太确定哪些按钮是交互式的。
为了使原型更逼真，我们插入了电影标题的占位文本。这时另一个问题出现了，由于这些电影与他的实际品味相去甚远，她很难理解原型所要说明的概念。
虽然她在理解导航流程和概念方面有点困难，但她仍然很喜欢这个概念和原型的界面，因为它让她想起熟悉的Netflix界面。
Ulla最大的不满是关于“朋友”界面，她认为这个界面需要更多改进才能发挥作用。例如，她建议在心型图标中增加系统的推荐所基于的朋友数量。
05
分析与反思
用Figma制作的Moviepicker高保真界面
为了分析测试结果，我们再次以Kliman-Silver等人提出的如何让用户接受新的AI体验的框架为出发点。这个框架提出了两个重要的发掘因素：感知有效性和舒适感。
在感知的有效性方面，两位测试用户都喜欢MoviePicker的想法和概念，它可以帮助你决定观看某部电影，而不是在流媒体服务中花费大量时间挑选内容或者只看流媒体电视。
在舒适感方面，没有一个用户在测试原型时表示感到不舒适。这可能是由于流媒体服务和推荐系统（如Netflix中的系统）已经变得越来越普遍，使这种人工智能正常化。
因此，根据我们的两项测试，我们的app满足了Kliman-Silver等人提出的两个重要因素。然而，在测试中也发现了一些重要的问题，我们需要在未来的迭代中解决。
例如，Søren表达了对个人隐私的担忧，他觉得和朋友分享他观影历史会很不自在。个人隐私的缺失可能会让他放弃使用这款app。要想在保障用户隐私和自愿分享电影推荐两者之间取得平衡，一个好办法就是从Spotify中获取灵感。这家瑞典音乐流媒体服务也有类似的功能，你可以看到你的朋友在听什么。这个功能刚推出时，它是用户体验中的一个强制性部分，但现在你可以自己禁用它。同样，如果用户只是想要个性化的电影推荐，而不想与朋友分享观影历史，我们也可以让他们自主选择不使用分享功能。
还有另一种方法，就是让系统每次都询问用户是否想要分享这部电影。随着时间的推移，人工智能会学习用户不希望分享的电影类型，然后主动禁用这些电影的分享功能。用户在日后可以重新手动启用该分享功能。
此外，我们受到了社交媒体的启发，例如Instagram，用户可以选择分享什么内容，也可以将帖子保存在自己的私人相册中，电影也可以以这种方式保存在用户的私人列表中。这样一来，用户可以完全控制其他用户能看到的内容，同时保护他们自己的隐私。
（此处为视频，请在原文中观看）
YouTube视频展示了MoviePicker的实际概念
完成这个项目的过程中我们最大的收获是认识到了前期做桌面调研的重要性，以及测试AI驱动的产品是多么困难。
首先，在未来的项目中，我们会更多地去探索有类似概念的app。如果这个项目的周期更长，我们可能会在前期就调研竞品。我们的调研结构导致最终的产出不像我们所期望的那样具有创新性，因为我们后来才发现了一些已有的具有相同目的和相似理念的app。
其次，我们发现测试AI驱动的产品和使用Wizard of Oz测试方法比预期需要更多的规划和准备。这个项目表明，理解AI行为非常重要，并且还要在此基础上定义“向导”进行操作的一套规则，以便能够正确模拟AI。我们也经历了用交互式原型进行Wizard of Oz测试的艰难。就像前面所说的，我们后来认为静态原型能为“向导”提供必要的控制权和自由度，在测试中改变用户体验，从而最好地模拟AI。
总的来说，我们希望能做更多用户测试，获得更多关于这个应用的用户评价。除此之外，我们还希望进一步了解这个应用的目标受众。在这款应用的开发过程中，我们从现有的社交媒体应用中汲取了很多灵感，因此这款应用自然更倾向于年轻人，特别是我们的同龄人。然而，Ulla的测试表明，她在理解布局和导航流程方面有很大的困难。因此，研究这个应用在不同年龄段中的可用性是很有趣的，看看Ulla遇到的问题是她这个年龄段的人的普遍问题，还是只是个例。
总而言之，在这个项目中我们遇到了一些困难，但是经历了这个解决困难的过程，我们收获了更多关于如何设计和测试AI驱动的产品的知识。
本周广告😜
👀
暑假，和我们度过一场～ 神奇的交互设计作品集项目之旅吧👇
「夏令营」2021交互与服务设计作品集夏令营开班！适用于交互设计/服务设计留学申请、保研推免、考研复试的作品集项目制作！
ABOUT US
参考文章：
作者：Sandra Wdowiak
译者：太上老菌
原文请戳【阅读原文】
为尊重版权和译者
转载请联系我们