TechTra量表的开发与验证：一种评估用户体验研究中技术透明度感知与需求的工具

《Computers in Human Behavior Reports》：Development and Validation of the TechTra Scales: A Tool to Assess Perceptions of and Needs for Technology Transparency in UX Research

　　

用户对所使用技术之透明度的主观体验是影响人机交互的关键变量，其可塑造信任、满意度及使用意愿。技术透明度涉及多种信息类型，包括技术当前正在做什么、如何得出结果以及为何如此运作。依据使用情境的不同，从用户体验视角而言，或多或少透明度均可能是有助且可欲的，这构成了设计挑战，因而评估并对比用户的透明度感知与需求显得尤为重要。在涵盖不同技术、用户群体及方法路径的三项研究（N₁ = 191，N₂ = 23，N₃ = 73）中，研究人员开发了TechTra量表——包括用于测量用户透明度需求的TechTra-N和用于测量用户透明度感知的TechTra-P。结果支持区分需求与感知之必要性、量表在不同技术交互中的适用性与敏感性，以及其效度。此外，研究人员展示了良好的量表特性及实践者的高使用意愿，凸显了TechTra对研究与产业的重要意义。

## 研究背景与问题提出

在人机交互（Human-Computer Interaction, HCI）与用户体验（User Experience, UX）研究领域，技术透明度正日益成为核心品质。随着人工智能（Artificial Intelligence, AI）在智能家居系统、搜索引擎等私人应用中的兴起，用户愈发需要理解技术正在做什么以及如何得出特定输出，以便以有益且负责任的方式使用技术。技术透明度指用户获得其关于技术之期望信息，尤其涉及技术当前正在做什么、如何达到其结果以及为何如此运作。从UX与设计视角而言，透明度是一个尤为有趣且具有挑战性的构念，因为简单的"越多越好"思路并不适用：更多透明度可帮助用户有效且高效地使用技术、解决错误并得出恰当结论，同时增强其控制感、信任与积极情感，从而提升使用意愿；然而，过度透明度也可能使用户不堪重负，超出其认知容量并损害体验，导致不恰当使用或使用意愿降低。此外，基于客观标准设计的透明度未必能在主观用户视角上实现透明，反之亦然。用户可能因不理解技术运作而未察觉透明度缺失，也未必在用户测试中将其表述为需求。因此，透明度在UX设计中是一个动态目标，无法简单推荐设计方案。现有测量工具存在适用性有限、强调解释作为透明度手段、聚焦特定透明度面向、结构冗长笨重、无法进行对比等不足，亟需开发新的评估工具。

## 研究概述与核心结论

研究人员通过三项连续研究开发了TechTra量表，以从UX视角评估技术透明度，分别测量用户的透明度需求与感知。研究结果表明，TechTra量表具有良好的信效度，适用于多种技术产品与交互情境，能够敏感捕捉设计差异，且实践者表现出高使用意愿。该工具的理论贡献在于厘清技术透明度术语混乱、整合关键透明度面向、揭示透明度与其他UX构念的关系；实践意义在于为科研和产业提供低门槛的标准化工具，支持目标-绩效比较，指导透明度设计迭代优化。研究成果发表于《Computers in Human Behavior Reports》。

## 关键技术方法

研究采用量表开发标准程序，基于文献综述识别核心透明度面向（如何运作、为何如此、如何使用、性能表现、数据使用、当前状态、未来预测、实用价值、可信赖性），生成初始题项后通过主成分分析（Principal Component Analysis, PCA）和项目分析筛选条目。研究1以在线问卷形式收集191名用户对洗衣机、YouTube、AI聊天机器人三种技术的评价数据，检验项目特征与量表效标关联效度；研究2邀请23名UX/可用性专业人员对量表进行可用性与适用性评估，结合定性反馈优化量表呈现；研究3采用绿野仙踪（Wizard of Oz, WoZ）实验法，操控人形Pepper机器人的解释提供条件（有解释vs.无解释），在73名参与者与机器人的真实交互中检验量表对设计操纵的敏感性及构念效度，同时测量了机器人透明度量表、AttrakDiff、ISONORM 9241/10-S、正负性情感量表（PANAS）、INTUI问卷及技术自我效能等相关变量。

## 研究结果

**研究1：项目筛选与初步评估**

研究人员基于用户对三种技术的体验筛选题项，最终保留10个面向各1题（数据与What面向各2题），形成TechTra-P与TechTra-N各10题的最终版本。定量结果显示，"技术透明度"术语被用户高度理解（M = 6.11，SD = 1.00），两个量表均具有高度内部一致性（α_感知 = .94，α_需求 = .97）。主成分分析显示各题项在一因子上具有较高载荷。效度分析表明，TechTra-N与可解释性需求量表、总体透明度需求相关更高，TechTra-P则与总体透明度感知相关更强；技术体验与态度正向预测两个量表。重要的是，TechTra-P与TechTra-N无显著相关（r = -.09），支持区分二者的必要性。三种技术的比较符合预期：洗衣机感知透明度最高、需求最低，AI聊天机器人则相反。

**研究2：专业人员评估**

23名UX/可用性专业人员对量表评价积极，适用性（M = 5.57）、易用性（M = 6.04）、使用意愿（M = 5.26）均显著高于中性水平，两个量表保持高信度（α_感知 = .87，α_需求 = .93）且不相关（r = .14）。定性反馈肯定了量表的标准化价值、题项清晰度与面向全面性，也提出需增加开放题以深入理解评分原因、考虑不同产品情境的相关性差异等建议。研究人员据此增加开放题并优化指导语，但未大幅改动核心题项。

**研究3：真实技术交互中的应用与构念效度评估**

研究3通过WoZ实验探讨量表对技术设计的敏感性。结果表明，有解释条件的TechTra-P评分（M = 4.69）显著高于无解释条件（M = 3.96，d = 0.57），控制机器人态度与经验后效应更强（η² = .08）；TechTra-N在两条件间无显著差异，且需求（M = 5.87）显著高于感知（d = 1.06）。构念效度方面，TechTra-P与透明度各维度相关性更强，与吸引力、实用品质、直觉使用等存在中等程度关联；技术相关个体特征多与量表无关，但技术经验与态度有显著预测作用。量表再次显示良好信度（α_感知 = .91，α_需求 = .79）。

## 讨论总结

**目标-绩效比较的相关性**

研究证实透明度需求因技术类型、使用情境和用户特征而异，不能假设恒定高需求；感知透明度同样随技术和设计变化。两者在所有研究中均相互独立，支持分别测量并通过比较识别设计缺口，实现迭代优化。

**量表效度支持**

TechTra量表展现出良好的构念效度：与相关测量有预期关联模式，又保持独特贡献；与设计原则、吸引力、直觉使用等的中等关联表明透明度属于促进有效使用的实用品质而非刺激品质；与情感和"神奇体验"无显著相关。技术特定而非一般性个体特征影响评分，进一步说明情境依赖性。

**理论贡献**

研究为厘清透明度相关术语混乱提供了整合框架，验证了"透明度"作为伞术语的用户可理解性；系统整合并实证评估了关键透明度面向；揭示了透明度与核心UX构念的关系网络，特别强调了区分感知与需求的必要性。

**实践应用**

TechTra-N可用于产品开发前的需求分析，TechTra-P用于原型测试，两者结合支持目标-绩效比较与迭代设计。适用于基于既往累积经验和即时交互的评估，为xAI等研究提供标准化工具。

**局限与未来方向**

研究样本以年轻人为主，未充分考察文化差异、领域知识等变量；部分效标量表信度偏低需重新审视；需扩展至制造业、医疗、自动驾驶等高风险领域及扩展现实（XR）等多用途系统；未来应操纵透明度需求以检验其动态性，并在产业实地应用中验证量表表现。

## 研究结论

本研究呈现TechTra量表作为测量技术透明度需求与感知的新工具。针对既有不足，该量表提供了广泛适用、全面的低门槛目标-绩效比较方法，以指导UX视角的设计建议。通过三项连续研究开发，量表表现出良好信度和构念效度，与相关测量存在有意义关联。需求（TechTra-N）与感知（TechTra-P）量表间的非显著相关凸显了区分两者的必要性。量表还揭示了不同技术及设计间的差异，且UX与可用性专业人员评价其易于适用并愿意在专业实践中使用，凸显了TechTra对产品开发的实践相关性。对研究者而言，该工具和论文有助于厘清技术透明度研究中的术语和方法混乱，引入关键透明度面向，澄清技术透明度与其他核心构念的关系，并为未来研究提供经过验证的工具。未来研究应进一步考察量表效度，并在多元情境中使用以检验其适用性及对设计与情境变化的敏感性。