آیا UX-Lite پیش بینی کننده رفتار آینده است؟ – اندازه گیری U

اگر مردم از آن استفاده نکنند، به سختی می توان یک محصول یا برنامه را موفق خواند.

اما چگونه می توان فهمید که آیا مردم از یک محصول استفاده می کنند و به استفاده از آن ادامه می دهند؟

نیاز شدیدی به درک پذیرش و استفاده از فناوری وجود دارد. اولین قدم در پیش‌بینی و درک اینکه چرا مردم از فناوری استفاده می‌کنند یا نمی‌کنند، داشتن یک معیار قابل اعتماد و معتبر برای پذیرش فناوری است.

یک معیار کاندید معتبر UX-Lite است^®.

UX-Lite (شکل 1) یک پرسشنامه UX دو ماده ای است که سهولت استفاده درک شده (PEoU) و سودمندی درک شده (PU) را اندازه گیری می کند. این اساسا یک نسخه مینیاتوری از پرسشنامه ای است که در دهه 1990 به درستی به نام مدل پذیرش فناوری (TAM) توسعه یافته است.

شکل 1: UX-Lite (ایجاد شده با MUiQ^®).

در مقاله قبلی، تحقیقاتی را از بررسی‌های گذشته‌نگر UX با استفاده از مدل‌سازی معادلات ساختاری (SEM) برای نشان دادن هم ارزی اساسی بین مؤلفه‌های PEoU و PU UX-Lite و مدل پذیرش فناوری اصلاح‌شده (mTAM) به عنوان محرک‌های تجربی و عمدی ارائه کردیم. نتایج (تجربه کلی، قصد رفتاری برای استفاده، احتمال توصیه).

ما متوجه شدیم که SUS، UX-Lite و mTAM دارای قابلیت اطمینان خوب تا عالی و اعتبار همزمان هستند. PU نسبت به PEoU محرک قوی تری بود. به طور کلی، جایگزینی موارد UX-Lite Ease و Usefulness برای اجزای mTAM PEoU و PU منجر به مدل‌های نسبتاً سازگاری شد.

این تحقیق با (1) نشان دادن اهمیت کاری که درک سهولت و سودمندی محصول را بهبود می‌بخشد و (2) نشان می‌دهد که محققان و متخصصان UX می‌توانند از UX-Lite دو موردی در کار خود برای اندازه‌گیری موثر و کارآمد درک شده استفاده کنند، از تمرین‌کنندگان UX پشتیبانی می‌کند. سهولت و سودمندی

اما در مورد مرحله بعدی، از قصد استفاده تا تخمین استفاده واقعی، چطور؟

در این مقاله، ما یک مطالعه تکمیلی را با استفاده از شرکت‌کنندگان مطالعات قبلی توصیف می‌کنیم که ارتباط بین این مجموعه از محرک‌های سهولت و سودمندی را بر روی اهداف رفتاری و چگونگی اجزای نقشه UX-Lite (سهولت درک شده و سودمندی درک شده) تخمین می‌زند. به اقدامات موجود برای پذیرش فناوری

در نظرسنجی‌های 2020 خود از نرم‌افزارهای تجاری و مصرف‌کننده، UX-Lite را گنجانده‌ایم و همچنین SUS، mTAM و یک معیار قصد رفتاری سه موردی (BI) را جمع‌آوری کردیم که از میانگین دو مورد از تحقیقات TAM تشکیل شده بود («با فرض من دسترسی داشت [Product]من قصد دارم از آن استفاده کنم» و «با توجه به اینکه به آن دسترسی داشتم [Product]من پیش‌بینی می‌کنم که از آن استفاده کنم.») و سومین مورد مشابهی که به طور معمول جمع‌آوری می‌کنیم («من قصد دارم از آن استفاده کنم» [Product] در سه ماه آینده.) در ابتدای نظرسنجی، شرکت‌کنندگان نشان دادند که در سال گذشته از چه محصولاتی استفاده کرده‌اند و به‌طور تصادفی یکی از آن‌ها برای ارزیابی تعیین شد. ما از 2412 پاسخ به این نظرسنجی اولیه برای SEMهای اولیه خود استفاده کردیم.

برای درک اینکه UX-Lite چقدر می‌تواند رفتار آینده را پیش‌بینی کند، حدود سه ماه پس از مطالعه اولیه، با پاسخ‌دهندگان تماس گرفتیم تا ببینیم چه کسانی علاقه‌مند به شرکت در مطالعه بعدی هستند. مطالعه بعدی 321 پاسخ‌دهنده داشت که در یک مقیاس فرکانس با شش گزینه پاسخ: هرگز، یک بار در ماه، یک بار در هفته، چند بار در هفته، روزانه، چند بار گزارش دادند که چند بار از محصول اختصاص داده شده خود در طول سه ماه میانی استفاده کرده‌اند. بار در روز

شکل 2 سه مدل معادله ساختاری ایجاد شده با AMOS را نشان می دهد. این مدل‌ها به ما اجازه می‌دهند تا ببینیم کدام ترکیب از معیارها استفاده گزارش‌شده را به بهترین شکل پیش‌بینی می‌کند. سه مدعی عبارت بودند از:

• mTAM (مدل A): از اجزای mTAM به عنوان درایورهای Overall Experience، LTR و BI استفاده کرد.
• SUS (مدل B): mTAM PEoU را با SUS ده موردی جایگزین کرد.
• UX-Lite (مدل C): اجزای mTAM PEoU و PU را با مولفه های UX-Lite Ease و Usefulness جایگزین کرد.

برای این تجزیه و تحلیل، استفاده گزارش شده با استفاده از مقیاس فراوانی برای آیتم بعدی اندازه گیری شد (چقدر محصول رتبه بندی شده در نظرسنجی 1 در سه ماه گذشته استفاده شده است)، که دارای مقادیر عددی اختصاص داده شده به هر گزینه پاسخ بود (0: هرگز ، 1: یک بار در ماه، 2: یک بار در هفته، 3: چند بار در هفته، 4: روزانه، 5: چند بار در روز).

در حالی که همه عاشق یک مسابقه اسب دوانی هستند، چگونه می‌توانیم برنده را تعیین کنیم وقتی که ژلپ نعناع و خط پایان وجود ندارد؟ ما از آمار مناسب استفاده می کنیم.

شکل 2: مدل‌های معادله ساختاری سهولت درک شده و سودمندی درک‌شده به‌عنوان محرک‌های تجربه کلی، احتمال توصیه، قصد رفتاری برای استفاده، و اندازه‌گیری استفاده بعدی (با معیارهای برازش مدل، n = 321).

ارزیابی تناسب مدل

برای ارزیابی خوب بودن برازش این نوع مدل‌ها، از توصیه‌های جکسون و همکاران پیروی کردیم. (2009)، که گزارش آمار برازش را توصیه کرد که ویژگی‌های اندازه‌گیری متفاوتی دارد، مانند شاخص برازش مقایسه‌ای (CFI: نمره 0.90 یا بالاتر نشان دهنده برازش خوب)، ریشه میانگین مربع خطای تقریب (RMSEA: مقادیر کمتر از 0.08 نشان دهنده تناسب قابل قبول است) و معیار اطلاعات بیزی (BIC: مقادیر کمتر ترجیح داده می شود).

مقادیر روی فلش های دو سر در شکل 2 همبستگی بین درایورهای اولیه است. مقادیر روی پیکان‌های تک سر (پیوندها) تخمین استاندارد شده‌ای از نقاط قوت روابط بین متغیرها هستند (مثل وزن‌های بتا در رگرسیون چندگانه تفسیر می‌شوند)، و مقادیر بالای گوشه‌های سمت راست بالای معیارهای نتیجه، همبستگی‌های چندگانه مربعی هستند (مثل ضرایب تفسیر می‌شوند. تعیین در رگرسیون چندگانه – به عنوان مثال، درصد واریانس به حساب، همچنین تعیین شده است آر²).

حتی با حجم نمونه کوچکتر در این نظرسنجی بعدی (n = 321)، همه همبستگی ها (که دارای الگوهایی مانند بررسی اول بودند، به دلیل اینکه برای پیش بینی کننده های mTAM در مدل A به طور قابل توجهی بزرگتر از پیش بینی های مدل های B و C بودند)، تخمین های استاندارد شده، و همبستگی های چندگانه مجذور در مدل ها از نظر آماری معنی دار بودند (ص < 0.01)، و هر سه مدل آمار برازش مشابه (و قابل قبول) داشتند.

مدل‌ها (به طور خاص، قصد رفتاری) 19 درصد از تغییرات در رتبه‌بندی‌های پیگیری استفاده را به خود اختصاص دادند. همبستگی بین پیش بینی کننده های اولیه در مدل A (0.70، فاصله اطمینان 95% از 0.64 تا 0.75) به طور قابل توجهی بیشتر از مدل های B و C بود (B: 0.56، 95% فاصله اطمینان از 0.48 تا 0.63؛ C: 0.49، 95). درصد فاصله اطمینان از 0.40 تا 0.57).

هر سه مدل معادلات ساختاری آمار برازش خوبی داشتند، اما مدل UX-Lite (C) از نظر اسمی بهتر از مدل mTAM (A) بود و دارای ساختار (وزن پیوند و آر²) بسیار شبیه مدل بدون پیگیری استفاده از تجزیه و تحلیل قبلی (n = 2,412، شکل 3).

شکل 3: مدل UX-Lite (C) از تجزیه و تحلیل قبلی با n = 2412 (مدل های بعدی A و B نیز با مدل های A و B از تجزیه و تحلیل قبلی مطابقت دارند).

برای درک اینکه UX-Lite چقدر می‌تواند رفتار آینده را پیش‌بینی کند، از یک مطالعه قبلی با پاسخ‌دهندگان تماس گرفتیم تا ببینیم چه کسانی علاقه‌مند به شرکت در یک مطالعه بعدی هستند و در نهایت 321 پاسخ را تجزیه و تحلیل کردیم. یافته های کلیدی ما عبارت بودند از:

آیا UX-Lite می تواند رفتار آینده را پیش بینی کند؟… بله، می تواند. در SEM که با داده‌های مطالعه بعدی ساخته‌ایم، پیوندهای قابل‌توجهی از سهولت استفاده درک شده (PeoU) و سودمندی درک شده (PU) با پیگیری استفاده از طریق تجربه کلی و BI (برای استفاده) پیدا کردیم.

سودمندی یک محرک قوی تر از سهولت استفاده است. در تمام مدل‌ها، وزن پیوند برای PU با تجربه کلی، LTR و BI (برای استفاده) بزرگتر از PeoU بود. به عنوان مثال، در مدل UX-Lite در شکل 2 (مدل C)، وزن پیوند سهولت و سودمندی استاندارد شده با تجربه کلی، به ترتیب 0.23 و 0.63 و با قصد رفتاری برای استفاده، 0.09 بود. و .44.

SUS و mTAM PEoU اساساً در مدل‌ها قابل تعویض بودند. مطابق با نتایج مطالعه قبلی، مدل‌های معادلات ساختاری از نظر بزرگی تخمین‌های استاندارد و مجذور همبستگی‌های چندگانه در هنگام جایگزینی SUS برای mTAM PEoU مشابه بودند. به نظر می رسد که هر دو ساختارهای زیربنایی یکسان یا تقریباً یکسان را اندازه گیری می کنند، و نشان می دهد که ممکن است تفاوت اساسی بین ساختارهای قابل استفاده درک شده و سهولت استفاده درک شده وجود نداشته باشد.

به طور کلی، جایگزینی موارد UX-Lite Ease و Usefulness برای اجزای mTAM PEoU و PU منجر به مدل‌های نسبتاً سازگاری شد. اکثر برآوردهای استاندارد شده (وزن پیوند) و همبستگی های چندگانه مجذور در دو مدل (A و C) سازگار بودند.

خط پایین: این تحقیق با (1) نشان دادن اهمیت کاری که درک سهولت و سودمندی محصول را بهبود می‌بخشد و (2) نشان می‌دهد که محققان و متخصصان UX می‌توانند از UX-Lite دو موردی در کار خود برای اندازه‌گیری موثر و کارآمد درک شده استفاده کنند، از تمرین‌کنندگان UX پشتیبانی می‌کند. سهولت و سودمندی UX-Lite نه تنها رتبه‌بندی تجربیات کلی و مقاصد رفتاری را پیش‌بینی می‌کند، بلکه پیش‌بینی‌کننده رفتار استفاده است که توسط قصد رفتاری استفاده انجام می‌شود..

برای جزئیات بیشتر در مورد این مطالعه، به مقاله ای که در مجله بین المللی تعامل انسان و کامپیوتر منتشر کردیم، مراجعه کنید.لوئیس و سائورو، 2023).