مثال‌هایی از خطاهای شناختی در کاربر پژوهی و راهکارهای مدیریت آنها
۱. خطاهای شناختی پژوهشگر
الف) تأیید تعصبی (Confirmation Bias)
مثال:فرض کنید شما یک پژوهشگر هستید که می‌خواهید یک وب‌سایت تجارت الکترونیک جدید را بررسی کنید تا ببینید آیا طراحی جدید باعث بهبود تجربه کاربری شده است یا خیر. شما باور دارید که تغییرات اخیر در طراحی وب‌سایت بسیار مثبت بوده و کاربران آن را بهتر می‌پسندند. در حین مصاحبه با کاربران، بیشتر به جواب‌هایی که نظر مثبت درباره تغییرات دارند توجه می‌کنید و از پاسخ‌های منفی غافل می‌شوید یا آنها را نادیده می‌گیرید.
راهکارها:
سوالات باز و خنثی: در طراحی سوالات مصاحبه، به جای پرسیدن "چگونه این تغییرات بهبود یافته‌اند؟" بپرسید "تغییرات جدید را چگونه ارزیابی می‌کنید؟" این گونه سوالات می‌تواند هر نوع بازخوردی را شامل شود.
دریافت بازخورد چندگانه: از چندین پژوهشگر یا تحلیلگر بخواهید تا داده‌ها را بررسی کنند تا دیدگاه‌های مختلفی را در تحلیل داده‌ها دخیل کنید.
جمع‌آوری داده‌های مخالف: به طور فعال به دنبال بازخوردهای منفی یا مخالف باشید و سعی کنید این دیدگاه‌ها را هم در تحلیل خود وارد کنید.
ب) تعصب نمونه‌برداری (Sampling Bias)
مثال:فرض کنید در حال تحقیق بر روی یک اپلیکیشن موبایل هستید که بیشتر کاربران آن را افراد جوان و علاقه‌مند به تکنولوژی تشکیل می‌دهند. شما تصمیم می‌گیرید که از طریق یک گروه در شبکه‌های اجتماعی این کاربران را برای شرکت در تحقیق دعوت کنید. اما این روش ممکن است باعث شود که نمونه‌های شما فقط شامل افرادی با تمایلات خاص و دیدگاه‌های مشابه شود و نماینده تمامی کاربران نباشد.
راهکارها:
تنوع در نمونه‌گیری: از روش‌های مختلفی برای انتخاب نمونه‌ها استفاده کنید. برای مثال، از گروه‌های مختلف جمعیتی (مانند سن، جنسیت، تجربه کاربری) دعوت کنید.
نمونه‌گیری تصادفی: از روش‌های نمونه‌گیری تصادفی استفاده کنید تا اطمینان حاصل کنید که نمونه‌ها به طور نماینده‌ای از کل جمعیت هستند.
ارزیابی نمایندگی نمونه‌ها: بررسی کنید که نمونه‌های انتخاب شده تا چه حد نماینده جمعیت کلی هدف هستند و نتایج را بر اساس این ارزیابی تحلیل کنید.
ج) اثر قاب‌بندی (Framing Effect)
مثال:فرض کنید می‌خواهید بفهمید کاربران چقدر از یک ویژگی جدید در یک اپلیکیشن موبایل راضی هستند. اگر از کاربران بپرسید "چقدر از ویژگی جدید لذت بردید؟" ممکن است این سوال کاربران را به سمت ارائه بازخورد مثبت سوق دهد. اما اگر بپرسید "نظرتان درباره ویژگی جدید چیست؟" این سوال خنثی‌تر است و می‌تواند بازخورد دقیق‌تری فراهم کند.
راهکارها:
طراحی سوالات خنثی: سوالات را به گونه‌ای طراحی کنید که کاربران را به سمت پاسخ خاصی هدایت نکند. سوالات باز و بدون جهت‌گیری انتخاب کنید.
آزمایش با قاب‌بندی‌های مختلف: سوالات را با قاب‌بندی‌های مختلف امتحان کنید و تأثیر آنها را بر نتایج بررسی کنید.
استفاده از زبان ساده و روشن: از زبانی استفاده کنید که ساده و روشن باشد و از اصطلاحات یا تعابیری که ممکن است پاسخ‌ها را تحت تأثیر قرار دهند، پرهیز کنید.
د) اثر سلسله‌مراتبی (Anchoring Effect)
مثال:در یک تحقیق کاربری، شما ابتدا به کاربران یک سری قیمت‌های خاص برای خدمات مختلف نشان می‌دهید و سپس از آنها می‌پرسید که چقدر برای این خدمات هزینه خواهند کرد. کاربران ممکن است به طور ناخودآگاه تحت تأثیر قیمت‌های اولیه قرار بگیرند و پاسخ‌های آنها به سمت آن قیمت‌ها متمایل شود، حتی اگر در شرایط واقعی تمایل به پرداخت مبلغ کمتری داشته باشند.
راهکارها:
ارائه اطلاعات بدون لنگر: اطلاعات اولیه را به گونه‌ای ارائه کنید که کاربران بدون تأثیرگذاری از مقدارهای قبلی، پاسخ دهند. مثلاً در این مثال، ابتدا از کاربران بخواهید بدون هیچ گونه پیش‌فرضی قیمت‌ها را تخمین بزنند.
چندین جلسه تست: داده‌های مختلف را در چندین جلسه آزمایش کنید و ببینید آیا نتایج تحت تأثیر لنگرهای اولیه تغییر می‌کنند یا نه.
مقایسه با داده‌های واقعی: نتایج آزمایش را با داده‌های واقعی و بدون تأثیر از لنگرهای اولیه مقایسه کنید.
۲. خطاهای شناختی کاربران
الف) اثر هاله‌ای (Halo Effect)
مثال:فرض کنید کاربری با یک برند خاص تجربه مثبتی داشته است. وقتی از او خواسته می‌شود که نظرات خود را درباره یک ویژگی خاص از محصول آن برند بدهد، احتمال دارد این تجربه مثبت قبلی باعث شود که او بدون بررسی دقیق، بازخورد مثبتی ارائه دهد.
راهکارها:
ارزیابی‌های جداگانه: برای هر ویژگی یا قسمت از محصول، ارزیابی‌های جداگانه و مستقل انجام دهید.
پرسش‌های متمرکز: سوالات خاص و متمرکز درباره هر ویژگی بپرسید تا از تأثیر کلی تجربه بر ارزیابی‌های جداگانه جلوگیری شود.
استفاده از مقایسه‌ها: از کاربران بخواهید که ویژگی‌های مختلف را با محصولات یا خدمات مشابه مقایسه کنند تا بتوانند نظر دقیق‌تری ارائه دهند.
ب) تعصب پاسخ‌دهی (Response Bias)
مثال:فرض کنید در یک نظرسنجی از کاربران می‌خواهید که درباره رضایت خود از یک محصول نظر دهند. کاربران ممکن است تمایل داشته باشند به گونه‌ای پاسخ دهند که فکر می‌کنند برای شما خوشایند است یا مطابق با انتظارات اجتماعی است. برای مثال، ممکن است نخواهند نقدهای منفی ارائه دهند.
راهکارها:
حفظ ناشناس بودن: اطمینان حاصل کنید که پاسخ‌ها به صورت ناشناس جمع‌آوری می‌شوند تا کاربران بتوانند صادقانه نظر خود را بیان کنند.
تشویق به بیان بازخورد واقعی: به کاربران بگویید که هدف شما بهبود محصول است و بازخورد واقعی آنها می‌تواند به این بهبود کمک کند.
استفاده از سوالات غیرمستقیم: سوالات غیرمستقیمی بپرسید که به کاربران کمک می‌کند بدون احساس فشار اجتماعی، بازخورد خود را بیان کنند.
ج) اثر ترتیبی (Order Effect)
مثال:در یک پرسشنامه، اگر از کاربران بخواهید که ابتدا به سوالات دشوار پاسخ دهند و سپس به سوالات ساده‌تر، ممکن است پاسخ‌های آنها به سوالات اولیه تحت تأثیر قرار گیرد و آنها را خسته کند، که این می‌تواند بر کیفیت پاسخ‌های بعدی تأثیر منفی بگذارد.
راهکارها:
ترتیب تصادفی سوالات: سوالات را به صورت تصادفی مرتب کنید تا تأثیر ترتیب بر پاسخ‌ها کاهش یابد.
تنظیم سوالات به ترتیب منطقی: سوالات را به ترتیب منطقی از ساده به پیچیده بچینید تا کاربران بهتر بتوانند به آنها پاسخ دهند.
تجزیه و تحلیل اثر ترتیب: نتایج را با در نظر گرفتن اثرات ترتیب تحلیل کنید و اگر نیاز بود، ترتیب سوالات را در تحلیل نهایی تصحیح کنید.
د) اثر معکوس (Recency Effect)
مثال:اگر در یک جلسه آزمون استفاده‌پذیری، کاربران بیشتر در مورد آخرین ویژگی‌ای که بررسی کرده‌اند صحبت می‌کنند و ویژگی‌های اولیه را کمتر به یاد می‌آورند، این می‌تواند باعث شود که نتایج نهایی به نفع ویژگی‌های اخیر متمایل شود.
راهکارها:
تنظیم زمان‌بندی: ویژگی‌های مختلف را در زمان‌های مختلف بررسی کنید تا از اثر آخرین ویژگی‌ها جلوگیری شود.
سوالات مربوط به تمامی ویژگی‌ها: از کاربران بخواهید در مورد تمام ویژگی‌ها نظر دهند، نه فقط آخرین ویژگی‌ها.
یادداشت‌برداری مستمر: در حین آزمایش، یادداشت‌هایی از نظرات کاربران در مورد هر ویژگی بردارید تا تأثیر ویژگی‌های اخیر کاهش یابد.
نتیجه‌گیری
مدیریت و کاهش خطاهای شناختی، چه در سطح پژوهشگر و چه در سطح کاربران، به بهبود دقت و اعتبار نتایج تحقیقات کاربری کمک می‌کند. با اتخاذ رویکردهای مناسب و استفاده از راهکارهای پیشنهادی، می‌توان این خطاها را به حداقل رساند و نتایج دقیق‌تر و معتبرتری به دست آورد.
