一种比较设计师产品表达与用户产品印象的语义不连续检测方法(A semantic discontinuity detection (SDD) method for comparing designers’ product expressions with users’ product impressions)

吴林刚 28121350

1.论文背景信息

论文原文

网页链接

https://www.sciencedirect.com/science/article/pii/S0142694X19300031

文件链接

A semantic discontinuity detection (SDD) method for comparing designers’ product expressions with users’ product impressions

来源

Design Studies, Volume 62, Issue 1, Page 36–67, 2019.

作者

Javad Khalaj, Owain Pedgley

作者简介

导师Owain Pedgley, 来自Department of Industrial Design, Faculty of Architecture, Middle East Technical University, Dumlupinar Blv. No.1, 06800, Ankara, Turkey. 中东技术大学,建筑科下的工业设计系。在ReasearchGate上的数据为39篇研究项目,4428次阅读,324次引用(2019/4/17数据)。主要研究(文章)内容为工业设计材料体验、设计研究方法相关。

关键词

语义,知觉,交流,研究方法,设计实践

2.核心价值

本文研究的主要是存在于设计师和用户之间的语义差异问题,尽管这个问题很早就被提出,而且有很多人对此进行了研究。但是本文的价值在于根据之前的研究,提出了一套系统完整地研究这种差异的方法(SDD),并引入了新的分析方法——语义网络聚类(Semantic Network Clustering, SNC)。文章以一个2*2的结构(设计师、用户独自的语义以及相互之间的语义评价)分析了设计师和用户对于同一产品的语义理解,再通过一系列科学分析方法,整合统计两者之间的差异。

一般来讲,设计师和用户之间的语义差异会影响到用户的产品使用体验,因为设计师所想的语义用户可能并不这么认为。本文提出的方法可以帮助设计师更好地理解与用户之间的语义差异,进而对产品的再设计提供帮助;同时也可以作为一种设计研究方法应用于其他设计研究或是设计实践中。

3.总体框架

文章的总体结构和一般的工程性/设计类论文大致相同,目的不是提出一种新发现或是验证一种假设,而是提出一种方法并验证方法的有效性。首先是引文部分,主要介绍了问题背景,设计师和用户之间语义差异的来源,可能引发的问题等;然后介绍了本文的研究目的与主要成果。文献综述部分主要介绍了关于此问题的一些理论背景,以及之前人们的主要研究方法;作者对这些研究方法进行了分析与总结,并指出本文将使用的方法。方法和实验部分是结合在一起的,文章的核心在于提出一种研究语义差异问题的方法,这种方法的有效性则需要通过实际的实验或是案例分析来验证,并以此来具体说明方法的过程与得到结果的处理。最后的讨论与结论部分,是对这种研究方法的扩展性说明,比如可以应用的地方,存在的不足,需要注意的细节等。

4.论文内容

4.1研究背景

在用户体验设计中,产品一般会有两种属性的功能——一种是实际性功能,另一种是交流性功能。交流性功能一方面指导用户如何使用产品,另一方面也传达着产品的语义属性;这种语义属性不仅建立起用户和产品之间的关联,也建立着用户和设计师的关联。为了传递这种属性,设计师会从形式、颜色、材料、制造工艺、交互等角度去考虑如何赋予一个产品应有的属性。但是,设计师的产品语义是一种向外表达(Expression)的具有目的性质的语义,用户的产品语义则是一种向内感知(Impression)的基于自身经历与认知的语义。这两种语义来源的逻辑差异必然造成一种不连续性(差异),并且这种差异就算设计师和用户共同合作也很难消除。如图所示,重叠部分是语义的共同认知,非重叠部分则产生了差异,很难保证两者完全重合。

 

一般来讲,这种差异会影响产品的设计结果,所以帮助减少这种差异是具有实际意义的。本文的目标是提出一种设计研究方法,帮助了解这种差异,包括这种差异具体在哪里,以及这种差异的程度。

4.2文献综述

文章回顾了近20年的主要相关研究,主要从研究方法角度入手,将各个研究阶段的使用方法整理成表格,详细分析每一个步骤应该使用的方法。比如数据的收集方法,采用几点的里克特量表;产品的表现形式,是图片还是实物;用户的数量规模;数据的分析方法,应该定性还是定量等等。

此外,产品语义是一个很大的概念,为了进一步缩小范围,作者将产品语义的核心定位到产品的视觉语义中。视觉是所有感觉中最突出最重要的一种,大部分的设计语义都是以视觉感受作为核心的。另外,在产品涵义方面,一般可以分为内在涵义、感官涵义、交互涵义和情感涵义,其中内在涵义是一种赋予设计的特性描述和社会价值,比较抽象,语义差异也主要集中在这一方面。面对不同的产品涵义类别,作者指出应该分开讨论,避免语义混淆。

4.3研究方法与案例分析

整体的研究框架包括一个2*2的结构,共四个阶段,分别研究:

  1. 设计师对于产品的语义理解
  2. 用户对于产品的语义理解
  3. 用户对于设计师的语义理解进行评价
  4. 设计师对于用户的语义理解进行评价

产品、设计师和用户的规模选用1设计师——1产品——12用户的标准(因为12个用户表达的语义空间基本可以达到90%的信息饱和度,更多的用户数量浪费时间而且很难有较高的信息提升空间),用户可以现场观察产品,但是不能触摸。

阶段1

收集设计师对于自己设计的产品的语义空间,通过交流与讨论让设计师给出描述产品的词汇,并对每一个词汇打出一个五点的认可度分数。另外,需要记录每一个描述词汇对应到的具体的产品特征。数据汇总如下:

阶段2

收集用户对于同一产品的语义空间,同样通过交流与讨论,让用户给出描述产品的词汇。不同之处在于,对于用户的描述词汇,首先需要确定一个主要含义,然后用不少于三个词汇的支持含义去描述主要含义。对于主要含义的词汇,同样需要指出对应到的具体产品特征。

由于用户的数量较多,且每个用户给出了的词汇量也大于设计师,所以在这一阶段得到的词汇数量会比较庞大。为了解释这些词汇中的有效信息,引入了语义网络聚类方法。首先建立这些词汇的语义网络有向图(由主要含义指向支持含义),再根据一些规则将有向图中的词汇进行聚类。具体规则不在这里详述,文章也是放到了附录中,大致的意思就是每一个类别簇需要有多少个主要含义词汇,交叉部分的词汇应该如何细分到具体的簇中。当然,本文使用的聚类方法为手工式聚类,严格按照规则由多人共同把握,实际聚类效果如下:

阶段3

对于阶段1中设计师给出的词汇,用户需要给出一个六点的认可度评价(增加一个完全不同意项),同时需要记录用户描述的所给词汇对应的具体产品特征。然后就可以统计分析对于同义词汇,设计师和用户评价的差异,包括均值方面和分布方面的差异。对于差异程度,可以根据量表的数值差异分类到没有差异、小差异和大差异三个部分。下二图分别为均值水平上和分布水平上的差异可视化。

对于设计师而言,可以根据这两个维度的差异理解,定位到差异对应的产品特征记录的数据,然后进行再设计从而缩小语义差异。

阶段4

这部分主要是定性的分析,设计师从阶段2得到的聚类图获得一些用户的语义信息,比如每一个簇的主要含义等。然后结合用户对于语义对应的产品特征,以及设计师自身语义的理解,对产品进行再设计优化。

4.4讨论与总结

本部分主要是作者本人对自己提出的方法的意义与不足的讨论。主要包括应用领域可以是设计研究、设计实践和设计教育;在方法应用到其他范围(比如团队工作、更大的数据量、非视觉语义等)需要进行一定的修改等。

5.论文不足

  1. 本文的研究内容并没有很大的新意,这个语义差异的问题,可以翻译为意象、认知上的差异,文章巧妙地使用了“Semantic Discontinuity”这种比较新颖的词汇让人感觉研究的内容比较新奇。
  2. 本文的研究方法从整体上来说没有突破性的创新,依旧是主要采用问卷访谈、里克特量表的评分方法,和以往的研究并没有很大的差异,语义不连续性的统计分析也只是维持在最基本的均值和分布之上。方法的核心是人为处理复杂的数据,没有拓展数据量的可能性。
  3. 本文最具创新部分的语义网络聚类方法,只是局限于小部分的数据,并采用人工聚类的方法进行分析。尽管制定了比较严格详细的聚类方法,但是人工方法有比较大的模糊性,对于一些相近词的取舍会存在个人差异性。人工方法也比较花费时间,没有非常好的拓展性。
  4. 对于文章核心的2*2SDD方法,看上去非常系统完整,但是却有很大的不平衡性。特别是阶段1和4,设计师部分处理的相对草率。阶段1对于设计师的语义获取相对简单,而且对于设计师自己提出的词汇再打分有强行获得打分的意思;阶段4设计师对于设计师如何使用聚类图只是简单的提到了定性方法,没有实际的价值体现。

6.启示

  1. 在一定程度上形式感比起难以推敲的内核具备更重要的效果。本文无论是标题的新颖性或是主体完整的研究框架都在一定程度上弥补了文章内容上的缺陷。
  2. 研究或是实验设计的时候可以以更加完整的结构去系统思考一些问题,这比单纯的线性思路可以考虑到更多的内容。
  3. 关于文章提到的语义网络聚类可以尝试使用计算机的方法去实现。当前的有向图本来就可以聚类,另外也可以通过人工添加一些规则去干扰聚类的效果,这样聚类就可以应用到更大的范围,那么唯一需要人工的工作就是数据录入了。当然,也可以考虑大数据方向提取意象词,进行聚类分析。

发表评论

电子邮件地址不会被公开。 必填项已用*标注