به گزارش UX Collective، بررسی Nielsen Norman Group (Nn/g) نشان می‌دهد پاسخ‌های مصنوعیِ تولیدشده با هوش مصنوعی می‌توانند دیدگاه‌های رایج کاربران را بازتاب دهند، اما تنوع تجربه‌های انسانی را به همان اندازه ثبت نمی‌کنند. این نتیجه، توجه پژوهشگران تجربه کاربری را از «کاربر متوسط» به موقعیت‌های دشوار و کم‌تکرار معطوف می‌کند.
در این بررسی، Nn/g یکی از پرسش‌های بازِ یک نظرسنجی پیشین را دوباره مطرح کرد؛ پرسشی که در آن ۶۰۴ متخصص طراحی برای حوزه UX نام پیشنهاد داده بودند. همان سؤال در مرحله بعد از ۱۲۰ پاسخ‌دهنده مصنوعی پرسیده شد و هر دو مجموعه داده در نهایت به یک نتیجه کلی مشابه رسیدند.
شباهت در نتیجه، تفاوت در تنوع پاسخ‌ها
شباهت نتیجه کلی به این معنا نبود که پاسخ‌های انسانی و مصنوعی کیفیت یکسانی دارند. شرکت‌کنندگان انسانی بیش از ۵۰ عنوان متفاوت ارائه کردند، در حالی که پاسخ‌دهندگان مصنوعی حدود یک دوجین گزینه را بارها تکرار کردند. Nn/g این محدودشدن تنوع و تمرکز روی پاسخ‌های پرتکرار را «فروپاشی مُد» یا Mode Collapse می‌نامد.
بر این اساس، پژوهش مصنوعی می‌تواند تصویری کم‌هزینه از واکنش‌های معمول ارائه کند؛ یعنی آنچه احتمالاً یک کاربر متوسط در شرایط عادی می‌گوید. با این حال، همین گرایش به پاسخ‌های غالب ممکن است تجربه‌های نادر، موانع غیرمنتظره و واکنش‌هایی را که خارج از الگوی رایج قرار دارند، کم‌رنگ کند.
چرا روزهای دشوار برای پژوهش UX مهم‌اند؟
نکته اصلی این دیدگاه آن است که ارزش پژوهش انسانی بیش از گذشته در یافتن شواهدی قرار دارد که از روزهای دشوار کاربران باقی می‌ماند. این موقعیت‌ها می‌توانند زمانی رخ دهند که فرد در استفاده از یک محصول دیجیتال با سردرگمی، خطا یا مانعی غیرمعمول روبه‌رو می‌شود؛ تجربه‌هایی که پاسخ مصنوعیِ متمایل به میانگین لزوماً آشکارشان نمی‌کند.
برای تیم‌های طراحی سایت و محصول، نتیجه عملی این نیست که پژوهش مصنوعی کنار گذاشته شود. این ابزار می‌تواند برای شناخت الگوهای رایج به کار رود، اما تصمیم‌های مربوط به کاربردپذیری نباید تنها بر همان میانگین بنا شوند. مشاهده کاربران واقعی و بررسی موقعیت‌های کم‌تکرار همچنان بخشی ضروری از شناخت نقاط ضعف تجربه کاربری است.
در جمع‌بندی، هوش مصنوعی می‌تواند پاسخ متداول را سریع‌تر در اختیار تیم‌ها بگذارد، اما کشف تجربه‌های دشوار و تفاوت‌های انسانی همچنان به پژوهش مستقیم نیاز دارد. مزیت اصلی پژوهشگران UX نیز دقیقاً در دیدن همین مواردی است که میانگین‌ها پنهان می‌کنند.
