用户角色、创意构思与大型语言模型：一项事后研究

《International Journal of Human-Computer Studies》：User Personas, Ideation and Large Language Models: A Post-Hoc Study

本文探讨大语言模型（LLMs）在用户为中心的设计流程中的应用，通过分析26个定性访谈数据，生成用户画像、场景及功能需求，并评估LLMs生成结果与人类研究的相似度，验证其在设计创意阶段的潜力。

　　在当前的设计研究领域，大型语言模型（LLMs）的应用正逐渐扩展至用户中心设计流程的多个阶段。本文探讨了LLMs在设计构思过程中如何与用户访谈数据相结合，以生成用户画像、情境描述以及功能需求。这一研究填补了当前学术界对LLMs在完整设计构思阶段应用的空白，提供了将LLMs整合进用户中心设计流程的实用方法。研究采用了来自一个之前欧洲地平线项目（TRIPLE）的26个开放获取的半结构化访谈数据，从中提取出八种用户画像及相关情境，并通过LLMs进一步生成功能需求。该研究不仅展示了LLMs在早期设计阶段的潜力，还提供了可用于进一步实验和实际应用的计算资源，从而提高了研究的可重复性和推广性。

在设计研究中，用户画像（personas）是关键的工具之一，它们是基于真实用户数据创建的虚构叙述，用于捕捉目标用户的目标、行为、态度以及文化和社会特征。用户画像在设计流程的早期阶段扮演着重要角色，有助于设计师在不泛泛而谈“用户”这一概念的情况下，做出更加精准的设计决策。在本文中，研究者采用LLMs对访谈数据进行主题分析（Thematic Analysis, TA），将用户访谈内容转化为主题，再进一步生成用户画像。TA通常包括六个步骤：熟悉数据、初步编码、生成主题、主题修订、主题命名与总结、撰写结果。本文关注的是如何利用LLMs完成TA的第六步，即撰写结果，从而生成与用户画像相关的叙述。

在现有的研究中，LLMs被广泛应用于用户画像的创建，尤其是基于社交网络数据、问卷调查、用户评论等。然而，基于LLMs生成的用户画像往往缺乏真实数据的支持，这引发了关于其代表性、多样性以及可能强化刻板印象的担忧。此外，LLMs在生成用户画像时可能会遇到诸如偏见、事实错误等问题。因此，研究者提出了一种结合LLMs与真实用户访谈数据的方法，以减少这些风险。在本文中，研究者采用了一种结构化的方法，首先对访谈数据进行初步编码，再通过LLMs对这些编码进行主题归纳，最后基于这些主题生成用户画像。这一过程不仅强调了方法论的严谨性，还提供了可重复的流程和工具。

用户画像的创建不仅仅是对用户行为的描述，还涉及用户的目标、挑战、态度以及期望。研究者通过随机选择两个主题（从每个组件中）和一组人口统计学特征，来生成用户画像。这些人口统计学特征包括国家、学术职位以及社会科学研究领域（SSH）。生成的用户画像不仅包含了用户的目标和挑战，还描述了他们的行为和态度，这些元素共同构成了一个完整的用户叙述。通过这种方式，LLMs能够生成丰富的用户画像，为后续的情境生成和功能需求推导提供坚实的基础。

情境描述是设计流程中的另一个重要组成部分，它描绘了用户如何与未来的产品或服务进行互动。在本文中，研究者利用LLMs根据用户画像生成情境描述，并确保这些情境描述能够反映用户画像中的关键元素。情境描述通常包括一个行为者（即用户画像）、动机、意图、行动和解决方式。通过这种方式，LLMs能够模拟用户在使用产品时的具体场景，从而为设计团队提供有价值的参考。此外，情境描述还可以用于分解为具体的步骤，进一步生成设计想法。

设计想法的生成是基于情境描述的步骤，LLMs被用来分析情境步骤，并提出可能的设计方案。这些设计方案随后被归纳为功能需求，以支持数字平台的构建。通过这种方式，LLMs不仅能够帮助生成用户画像和情境描述，还能进一步推动设计流程的各个阶段。最终，生成的功能需求被与人类研究人员在TRIPLE项目中创建的功能需求进行比较，以评估LLMs在设计构思中的有效性。

评估过程采用了语义相似性分析，使用了句子变换器SBERT模型，通过计算两个文本之间的余弦相似性，来衡量它们在语义上的接近程度。这一过程包括将LLMs生成的功能需求与人类生成的功能需求进行配对，然后由多个LLMs和人类专家对这些配对进行评分。评分包括相似性、使用场景一致性以及功能描述互换的可能性。通过这些评分，研究者能够判断LLMs生成的功能需求是否能够有效地替代人类生成的版本，或者是否能够提供有价值的补充。

评估结果显示，LLMs生成的功能需求在语义相似性上与人类生成的功能需求具有相当程度的匹配。这表明，LLMs在设计构思阶段能够提供有价值的辅助，尤其是在处理大量访谈数据和生成多样化设计想法方面。此外，评估还发现，LLMs与人类专家在评分上具有较高的一致性，特别是在功能需求的相似性和使用场景一致性方面。这种一致性不仅增加了研究结果的可信度，还表明LLMs在设计构思中具有实际应用的潜力。

然而，研究者也指出了该方法的一些局限性。例如，LLMs在生成用户画像时可能会受到数据质量和偏见的影响，尤其是在处理较为复杂或多样化的数据集时。此外，LLMs在某些情况下可能会生成不准确或不相关的功能需求，这需要人类专家的进一步审核和调整。因此，尽管LLMs在设计构思中表现出色，但它们仍应被视为辅助工具，而非完全替代人类设计师的手段。

本文的贡献在于提出了一个完整的流程，该流程能够利用LLMs对用户访谈数据进行分析，生成用户画像、情境描述和功能需求。这一流程不仅提供了可重复的计算资源，还为未来的研究和实际应用提供了重要的参考。通过这种方式，LLMs能够成为设计流程中不可或缺的一部分，特别是在需要快速处理大量数据和生成多样化设计想法的情况下。

总的来说，本文的研究为LLMs在设计构思中的应用提供了新的视角和方法。通过将LLMs与用户访谈数据相结合，研究者展示了如何利用这些模型来生成用户画像和情境描述，并进一步推导出功能需求。这一方法不仅提高了设计流程的效率，还为研究者提供了更深入的洞察，使他们能够更好地理解用户的需求和行为。尽管存在一些挑战和局限性，但LLMs在设计构思中的潜力不容忽视，它们可以成为辅助人类设计师的重要工具。未来的研究可以进一步探索如何优化LLMs的提示和处理流程，以提高其在设计构思中的准确性和适用性。