基于模糊建模的用户反馈分析框架：支持产品开发的解释性决策方法

本研究针对产品开发中用户反馈与功能指标不匹配的问题，提出了一种基于TS模糊模型变换的解释性建模框架。研究人员通过改进的区间网格采样和HOSVD分解技术，构建了可解释的模糊规则集，实现了从稀疏数据到海量反馈的自适应分析。该成果在VR应用开发的三个实际案例中验证了框架有效性，为开发团队提供了直观的因果洞察，解决了传统统计方法在早期产品开发中面临的解释性不足和数据稀疏难题。

　　

在数字化产品快速迭代的今天，开发团队面临一个核心矛盾：如何将用户反馈的"主观体验语言"转化为可执行的"技术指标语言"。传统统计方法往往陷入两难——要么受限于早期稀疏数据难以建立可靠模型，要么在后期海量数据中丢失关键因果逻辑。更棘手的是，神经网络等"黑箱模型"虽然预测精度高，却无法向开发团队直观展示"为什么用户更喜欢某个功能"，这种解释性的缺失严重制约了产品优化效率。

针对这一痛点，匈牙利布达佩斯考文纽斯大学的研究团队在《Heliyon》发表了一项创新研究。他们巧妙改造了传统的Takagi-Sugeno(TS)模糊模型变换方法，开发出兼具数学严谨性和人类可读性的分析框架。该研究的精妙之处在于：既能用模糊集直观展示用户行为分类，又能通过精简的IF-THEN规则阐明因果关系，更重要的是可以伴随产品生命周期从80人测试阶段平滑扩展到百万级用户规模。

研究团队采用了三项关键技术：1)改进的区间网格采样法，将稀疏用户数据投影到自适应网格；2)高阶奇异值分解(HOSVD)用于提取主成分，平衡模型精度与规则可读性；3)伪逆矩阵更新算法确保计算负载可控。这些方法在VR应用开发的三个典型场景中经受检验：用户画像与VR接受度分析、2D/3D环境任务难度评估、空间存在感影响因素建模。

模糊模型构建方法
研究首先通过区间网格将稀疏用户数据结构化，每个网格单元保留至少t^min个样本点。采用改进的HOSVD分解时，创新性地将奇异值取舍标准从"精度最优"改为"人类理解最优"，确保最终规则数控制在9条以内。通过Close-to-Normal凸变换生成符合Ruspini分区的隶属函数，使关键特征在视觉上更突出。当用户量从测试期(约100人)扩展到商用期(数千人)时，采用伪逆更新而非重新计算HOSVD，使模型刷新耗时降低90%以上。

VR用户接受度建模结果
将用户年龄和数字内容使用量作为输入，VR接受度作为输出，构建的4×4矩阵经SVD分解后仅保留1个主成分，均方误差0.44(1-5量表)。核心张量S揭示：22-28岁用户处理11-20个数字内容时VR接受度最高(4.12)，而相同内容量下18-21岁用户接受度骤降28%。模糊规则清晰显示"数字内容11-20"是关键阈值，这与认知负荷理论中"中等复杂度最优"的结论相互印证。

任务难度评估结果
对比2D网页与两种3D VR环境("Spaceship"和"Sublimus")的任务难度感知。核心张量显示"Sublimus"环境难度评分普遍低1.5-2分(7分量表)，尤其24-29岁用户在"Spaceship"中难度峰值达7分。瞳孔测量数据佐证了这一发现，表明简洁的3D界面能降低37%认知负荷。值得注意的是，30岁以上用户在2D环境中反而表现更好，暗示界面熟悉度的重要性。

空间存在感分析结果
通过Igroup Presence Questionnaire(IPQ)测量VR体验时长与导航技能对空间存在感的影响。核心张量揭示非线性关系：200分钟是体验时长关键拐点——低于此时长时存在感稳定在2-3.5分(6分量表)，主要受"新奇效应"驱动；超过200分钟后，存在感与导航技能强相关(r=0.82)，高技能用户得分可达5.2分。这为VR培训课程设计提供了明确分期依据。

该研究的核心突破在于建立了产品开发决策的"解释性桥梁"：1)视觉化隶属函数直观展示用户特征分布；2)9条主规则即可覆盖80%关键因果关系；3)计算效率支持实时更新。在医疗健康领域，该方法可扩展至患者依从性分析、康复训练方案优化等场景。特别是对认知障碍患者的数字疗法开发，其"噪声过滤"特性可有效区分真实需求与异常反馈。未来研究可探索多模态反馈(如眼动+EEG数据)的融合建模，进一步提升早期预测可靠性。

这项工作的深远意义在于重新定义了人机交互研究的范式——不是用复杂模型替代人类决策，而是通过精心设计的数学框架放大开发者的认知优势。正如作者Ildikó Horváth在讨论部分强调的："当算法能像同事一样解释它的思考过程时，技术才能真正服务于人性化设计。"