对多种未来可能性进行三角定位：在多个未来场景而非单一未来场景中进行用户研究

研究背景与问题

• 发现的问题与挑战: 作者指出，通过单一案例研究来推断未来科技使用场景可能会导致研究结果的局限性，特别是在预测未来的不确定性和复杂性时，难以获得具有高广泛适用性和可信度的结论。
• 问题的重要性: 人机互动领域通常是面向未来的。设计和评估新技术的应用需要准确预测其未来场景，避免错误规划和忽略潜在风险。同时，通过研究多个场景来提高对未来可能性的整体感知，能支持更具普适性的设计和技术发展方向。
• 研究动机与相关工作: 尽管三角测量法在社会科学和心理学中已广泛使用，但其在未来导向的HCI研究中的潜力尚未被充分挖掘。过去相关研究多聚焦于单一未来场景的探讨，而忽视了跨不同未来场景进行三角测量的可能性。

解决方案

• 提出的方法: 作者提出了一种新的研究方法，即对多个未来场景进行三角测量的用户研究。这种方法通过构建两个截然不同但具有适当重叠的未来场景，以通过对比来挖掘具有广泛适用性或场景特定性的发现。
• 创新之处:
  • 采用了两个互相对立的可能未来（如“CorpoCapitalist”和“MyData”场景），并通过将用户置于类似但本质不同的交互原型中来进行更深层次的比较。
  • 对未来场景进行了多维度分析，使得研究能够从交叉验证和深入理解双方差异的视角揭示某一设计或技术的广跨场景适用性。
• 实施步骤与技术:
  • 设计未来场景: 两个未来分别关注个人数据控制下的学习导向AI（MyData场景）和以企业目标为中心的技术（CorpoCapitalist场景）。
  • 创建原型: 开发了两个 AI 用户界面原型（“Invezterr”代表 MyData；“Stockify”代表 CorpoCapitalist），其中包括明确的系统反馈机制。
  • 开展用户研究: 通过实验设计捕获用户的态度、行为模式和反馈，包括任务执行、系统互动以及认知适配。
  • 评估数据: 数据采集使用定量（问卷调查）和定性（访谈与观察）结合的方法，并对两种场景进行对比分析。

研究成果

• 具体成果:
  1. 共同发现: 两种场景都显示用户对AI的使用持积极态度，并将AI视为一种机会，而非威胁。此外，用户都开发了避免偏见的技巧，尽管这些技巧在两个场景中的表现方式不尽相同。
  2. 场景独特性发现:
     • 在 MyData 场景中，用户感受到更高的控制感，并将AI视为一种技能发展和专业成长的工具。
     • 在 CorpoCapitalist 场景中，用户体验了游戏化的互动，且许多人认为自己的贡献会对更广泛的AI决策产生深远影响，但感到个人控制较低。
• 与现有解决方案的优势:
  • 突破了单一场景研究的局限性，通过比较分析揭示了跨多个可能未来的共享发现和场景特有的结论。
  • 提供了新的视角来设计和评估未来技术，尤其是在人机互动领域中对未来的设计更具前瞻性。
• 实验或评估结果:
  • MyData 场景的用户满意度明显高于 CorpoCapitalist 场景，尤其是在控制感和任务兼容性上。
  • CorpoCapitalist 场景中的游戏化元素激发了一种独特的用户动机，尽管其任务性质更为被动。
• 局限性与未来方向:
  • 局限性: 样本规模较小，难以通过统计分析得出适用广泛的量化结论。此外，未来研究需要解决如何划分场景之间“重叠性发现”与“独特性发现”的挑战。
  • 未来方向:
    • 探索更多种类的跨未来三角测量研究方式，如在不同用户群体、位置或社会背景下的研究（提出的F3类型）。
    • 建立系统化的方法论，以在三个及以上未来场景中扩展三角测量的应用。
    • 探讨用户动机和行为模式的社会心理理论背景，为AI导向工作设计提供实用指导。

总结

该研究为面向未来的HCI研究提出一种创新方法——通过三角测量可能未来来更好地理解技术设计的广泛适用性及其局限。研究不仅揭示了未来技术设计上的深刻洞察，还为构建更未来导向的研究方法论奠定了基础。