GeneyMAP: 探索GenAI促进用户体验设计中用户旅程映射的潜力

研究背景与问题

• 作者发现了哪些问题或挑战？

  1. 尽管生成式人工智能（GenAI）已广泛应用于用户体验（UX）设计中的多种场景，但在制作用户旅程图（Journey Map, JM）流程中的潜力未被深入研究。
  2. 当前常用JM工具面临难以管理海量数据、依赖人为解释定性数据（如访谈脚本），以及限制创造力和洞察力的刚性创建流程等问题。
  3. 现有GenAI设计工具，如QoQo.ai，通常缺乏真实用户数据的输入源，生成的内容面临真实性和上下文不相关性的风险。

• 为什么这个问题很重要？ 用户旅程图是一种重要的设计工具，用于可视化用户与服务或产品的互动历程，帮助设计师更好地理解用户需求并发现痛点以制定改进策略。如果GenAI能够有效支持JM流程，不仅可以提升数据管理效率，还能让设计成果更具启发性和创造性。

• 研究动机与相关工作 本研究的动机是：

  1. 将GenAI的技术优势（如数据处理、洞察生成和可视化）整合到JM创建过程中，以解决现有问题。
  2. 探索如何在保持用户旅程完整性的前提下，加速流程并增强生成内容的精准性。 相关工作包括对UX设计工具中GenAI应用的初步研究，但这些研究仅限于个别场景（如用户画像或原型设计）。

解决方案

• 作者提出了哪些方法或解决方案？ 作者设计并开发了一套名为GeneyMAP的工具，通过集成OpenAI的GPT-4和DALL-E 3 API，为用户旅程图的制作提供支持。GeneyMAP可自动化完成以下任务：

  1. 模板提取与用户数据映射。
  2. 从用户访谈脚本生成个性化旅程图。
  3. 合并旅程图并识别痛点与设计机会。
  4. 提供设计灵感的交互式生成支持。

• 该解决方案的创新之处是什么？

  1. 全流程支持：首次探索将GenAI贯穿整个JM创建过程，包括数据分析、映射、痛点识别和视觉化设计机会。
  2. 双模态数据支持：工具允许结合用户访谈与生成式内容，通过人工与AI的结合提升生成内容的质量。
  3. 自定义设计体验：通过灵活的提示框架（prompt engineering）允许设计师精确地控制输出内容。

• 实施步骤是什么？使用了哪些关键技术？ GeneyMAP的四个主要步骤：

  1. 提取结构化JM模板（D1）：从访谈数据中自动分析并提炼旅程阶段与交互元素。
  2. 生成个性化JM（D2, D5）：结合真实用户数据和合成用户数据生成旅程图。
  3. 合并JM并识别设计机会（D3, D4）：利用GenAI整合多用户数据，提出设计改进的痛点和机会。
  4. 探索设计灵感（D5, D6）：通过生成提示与视觉化支持启发并补充设计方案。 该工具使用Unity引擎开发，集成了链式思维（Chain-of-Thought, CoT）提示结构以强化输出的逻辑性与一致性。

研究成果

• 取得了哪些具体成果？

  1. GeneyMAP显著提升了JM创建效率，产生的产出在新颖性、细致性、趣味性和惊喜感等方面表现优于现有常用工具。
  2. 设计师通过GeneyMAP能够更快速、更全面地映射用户数据，并找到新的设计灵感。
  3. 工具很好地平衡了数据组织效率和设计师可以根据需求自定义输出的灵活性。

• 与现有解决方案相比，它有哪些优势？

  1. 提高用户旅程图的完成度，节省数据分析与脚本处理的时间。
  2. 通过合成用户和数据可视化提供更具启发性的解决方案。
  3. 提供比传统工具更多的互动性与迭代支持，帮助设计师更快进入设计核心。

• 实验或评估结果是什么？

  1. 比较实验：参与者平均用时显著减少（从36.6分钟降至30.7分钟）。
  2. 利用专家评估和问卷调查，GeneyMAP在新颖性（p = 0.016）、趣味性（p = 0.006）和惊喜感（p = 0.007）等方面显著优于传统工具。
  3. 受访者认为工具增强了其对数据的整合和痛点洞察能力，并提升了生成流程的透明度。

• 局限性与未来方向

  1. 局限性：
     • 数据来源局限于文本（如采访脚本），无法整合多模态数据（如视频或音频）。
     • 部分生成内容存在不够精准或缺乏背景上下文的问题，如不相关的设计机会或痛点转换。
     • 工具对有效提示工程师（prompt engineering）能力有较高依赖。
  2. 未来方向：
     • 通过多模态输入扩展GenAI功能，以支持图像、音频等不同格式的数据。
     • 加设计质量控制机制，如进一步验证或优化合成用户生成的内容。
     • 针对提升工具透明度和可解释性进行技术研究，例如增加生成决策的可视化。