认知偏误是一件很常见的事情,尤其在用户调研中,它的出现更容易误导研究者踏入认知陷阱,将产品与功能越改越错。这时候,准确洞察研究者认知偏误陷阱就显得非常重要了。
认知偏误(Cognitive bias)是一种常见的现象,它是指当我们思考问题或做决策时,大脑会有一些固定的思维倾向。
这个过程多是无意识的,有时也会带来正面作用,如帮助我们在纷繁复杂的环境中节省思考时间,更高效地做出决定。但是在研究中,认知偏误易导致研究结果不准确,降低研究的价值。
我们都希望研究是客观、理性、反映真实情况的,了解常见的认知偏误可以帮助我们在工作中尽量规避它们,得出更准确的结论。
实际上每个人都会有认知偏误,包括研究者和用户。
今天我们就来说说研究者的常见认知偏误,下次有机会再谈谈用户的,敬请期待。
一、确认偏误(Confirmation bias)
当人们本来就持有某种观点时,对这种观点的感知和注意度会被放大,会选择性地回忆或收集关于它的事例。人们对于自己原本就相信的观点会更容易接受,而把反面观点搁置在一旁。
举个例子:有些人认为女司机不擅长开车,更容易造成事故,所以当新闻中的事故与女司机有关时,他们会觉得“果然如此”。而实际上男司机的事故率比女司机更高。
在用户研究中,当你的预设想法是用户对A设计的满意度比B设计更高时,在研究中你可能会更关注用户提到的A设计的优点、收集更多用户对于A设计的正面评价。当用户表示对A设计满意时,会觉得“果然是这样”。这种偏误会让你遗漏许多其它信息。
二、虚假一致性偏差(False consensus effect)
虚假一致性偏差是指人们很容易认为其他人跟自己有相同的想法,从而高估这些观点的普遍适用性。
举个例子:有一种冷叫做“你妈觉得你冷”。妈妈感觉到了冬天的寒冷,担心我们也会冷,于是催促我们穿秋裤,但可能年轻人并没觉得冷。此时妈妈的想法就带有虚假一致性偏差。
当年轻人吐槽父母朋友圈转的鸡汤文、养生文无用时,也是一种虚假一致性偏差。
在用户研究中,我们也很容易陷入虚假一致性偏差。
比如,当你认为产品的某个方面比较好或者你对产品的某个方面不满意,可能会倾向于认为这也是许多其他用户的感受,但也许事实并非如此。
在对海外产品做研究时尤其要注意这一点,研究者与用户的巨大文化背景差异可能会导致研究结果的严重失真。
三、聚类错觉(Clustering Illusion)
聚类错觉产生的原因是人们倾向于从随机事件中找出某种规律。
举个例子:如果张三连着几次在群里抢红包都抢到最大份,他可能会觉得自己最近“手气特别旺”。这就是一种聚类错觉,人们试图将几次随机的结果联系起来,用某种规律进行解释。
在研究中,聚类错觉容易出现在小样本研究中。
比如,我们在小样本中发现了被访者的某些共性,总结出某些规律,并期望它们在更大的群体中也适用,但这种共性可能只是源于随机,而非事实。
我们应该谨慎对待在小样本研究中的发现,思考它们是否只是随机结果,最好用其它研究方法帮助验证或参考二手资料,避免出现聚类错觉。
四、知识的诅咒(Curse of knowledge)
培根说过,“知识就是力量”。它怎么会带来诅咒呢?知道的更多难道不好吗?
知识的诅咒是指——人一旦知道了某件事,就没办法想象不知道的样子,也很难体会到不知者的感受。
举个例子:在某次考试之后的课堂上,
- 老师:“同学们,这是一道送分题啊,大家都做对了吧?只要先连一条辅助线,再……”
- 学生:“这是啥?这又是啥?这些都是啥?”
在用户研究中,知识的诅咒也会给我们带来许多困扰。
比如,我们对自己的产品很熟悉,就很难想象新手用户是如何使用它的,使用感受如何。我们可能会惊讶地发现,即使在我们看起来操作十分简单的功能,新手用户使用起来也很吃力。
再比如在设计问卷或者访谈脚本时,我们可能会不小心加入一些专业术语而不自知,让用户看得一头雾水。
研究者的有些认知偏误还会直接影响到用户的行为和反应。
五、选择性偏差(Selection bias)
选择性偏差是指过程或样本的非随机性导致结论的不准确。
举个例子:假设张三想统计人们的工资水平,他拿着一份个税纳税名单开始了调查,结果发现,所有人的工资都在5000以上。
这个结果当然是不准确的,因为5000是我国的个税起征点,工资超过5000的人才会出现在纳税名单上,张三的研究样本是有选择性偏差的,不能代表总体。
在用户研究中,选择性偏差不仅会出现在样本选择中,还可能会出现在研究设计中。
比如在可用性测试中,我们设计了一系列的任务,研究结果自然就无法包含未选中的任务。而且这些任务也会让用户产生一种心理,既然它是设定好的任务,就一定是可以被完成的,他们也会耐心地、多次尝试去完成任务,以期达成某种结果。
当然我们也不会设置无法完成的任务。但在实际的使用情境中,用户并不知道哪些操作是有结果的,哪些没有,他们的行为和态度可能与可用性测试中不同。
六、框架效应(Framing effect)
框架效应是指——对于同一个问题,当描述有所不同时,人们给出的选择也会有差异。
举个例子:假如说“XX疾病的存活率达93%”,人们可能会觉得这种疾病没有很严重;但如果说“XX疾病的致死率达7%”,那么人们可能会觉得很严重。
在用户研究中,我们也要避免框架效应带来的影响,不要设置引导性的问题,题目中不要用明显的正面或负面词汇,尽量用中立的语言描述。避免题目的描述干扰到用户的选择,而导致研究结果不准确。
七、观察者期望效应(Observer-Expectancy Effect)
观察者期望效应是指——研究者有时可能会期望出现某种结果,他们无意识地操纵了试验过程,或者错误地解释实验结果,导致研究结果严重歪曲。
一般来说,被观察者几乎无法不受观察行为的影响,当研究是针对人时,被试者会更容易感觉到研究者无意中透露的期望,从而做出相符的反应。
在用户研究中,研究者的表情、肢体语言等都可能会反映出自己所期待的结果,如果用户察觉到了这些,就可能做一些迎合研究者期望的反应。
比如,如果研究者无意中透露出某个新功能是他们团队非常重视、投入巨大、报有很大期待的功能,用户可能会更倾向于对这个功能给出正向的评价,肯定该功能的市场前景。但这也许并非他真实的感觉。
如何避免认知偏误
如何避免这些认知偏误呢?这里有一些建议:
1. 研究方案:避免单一的研究方法和单一的样本渠道来源
多种研究方法的结果相互验证,多种样本渠道来源互做补充,帮助我们避免“聚类错觉”和“选择性偏差”,让我们的研究结果更准确。
2. 研究准备期:问卷试填、试访谈、预测试
找其他人进行试研究,帮我们在正式研究开始前发现问卷中是否含有引导性问题、专业术语、歧义用语等不便于用户理解的地方;访谈或测试中是否出现不适当的下意识行为等。避免因“知识的诅咒”、“框架效应”和“观察者期望效应”导致的研究结果不准确。
3. 研究进行时:多人合作研究、二手资料做参考、听取他人意见
多人共同参与研究和分析,有助于避免认知偏误。访谈时,每个研究员追问的点可能有所不同;走查评估时大家对问题的关注点也可能不一样。单个人的研究难免容易陷入“确认偏误”、“虚假一致性偏差”。综合大家的观点,会让研究结果更客观。
如果只能由单人完成研究,可以收集二手资料,阅读前人研究做参考。同时听取来自他人的意见,帮助拓展思路,包括用研同事和产品经理、设计师等非用研同事。
4. 研究结束后:复盘研究
研究结束后,反问自己:
- 研究的过程是否客观?
- 研究的结论是否可信?
- 所有的结论都是有数据支撑、符合逻辑的吗?
- 有哪些结论是带有偏误的吗?
- 是否漏掉了一些很重要的结论?
- 是否与其他人的研究结果相似或相悖?
- 相悖原因是什么?
- 下次研究将如何做改善?
彩蛋:最后还有一个认知偏误介绍给大家。
八、偏见盲点(bias blind spot)
偏见盲点是指——我们都倾向于认为自己比别人更少受到认知偏误的影响。人们都有偏见盲点,更容易发现别人出现的认知偏误而忽略自己存在的认知偏误。
举个例子:如果你看到这篇文章后觉得“这些都是别人容易遇到的,我可比他们客观多了”,那么你可能就陷入了偏见盲点。
(所以,这里要大张旗鼓地求翻牌了:为了证明自己没有陷入偏见盲点,亲爱的读者们,快来吧、转发吧、吧!便于以后实时提醒自己哦~)
参考文献
1. Cognitive bias cheat sheet(https://betterhumans.coach.me/cognitive-bias-cheat-sheet-55a472476b18)
2. 20 cognitive biases that screw up your decisions(https://www.businessinsider.com.au/cognitive-biases-that-affect-decisions-2015-8)
3. 6 common cognitive biases UXers should know(https://medium.muz.li/6-common-cognitive-biases-uxers-should-know-750b8c7af1a8)
4. Cognitive biases in user research(https://blog.optimalworkshop.com/cognitive-biases-user-research)
5. Combating Bias in User Testing(https://blog.fullstory.com/combating-bias-in-user-testing/)
6. Don’t Let Your Brain Deceive You: Avoiding Bias In Your UX Feedback(https://www.smashingmagazine.com/2017/10/avoid-bias-ux-feedback/)
7. Overcoming bias in research and product design(https://medium.theuxblog.com/overcoming-bias-in-research-and-product-design-f35a0d92496d)
8. Overcoming Cognitive Bias in User Research(https://npr.design/overcoming-cognitive-bias-in-user-research-e4082f4506a)
9. User Research Bias: How It Hurts Your App And What You Can Do About It(https://usabilitygeek.com/user-research-bias/)
作者: Sijia,公众号:京东设计中心JDC(ID:JDCdesign)
来源:http://jdc.jd.com/archives/212946
题图来自Unsplash,基于CC0协议