谈交互设计用户心智模型建模方法范文

[摘要]本文从数据、过程、内容和方法三个方面阐述心智模型（Mentalmodel）的复杂特性，并通过链接表分解心智模型节点，结合不同节点的链接关系，通过EC算法、PR算法分析识别心智模型网络关键节点，从口语数据分解、节点时序、关键节点识别、主题聚类等方面开展对用户心智模型节点的复杂度、重要度分析研究。

[关键词]心智模型;交互设计;认知心理;自然语言

一、概述

随着现代科学技术的快速发展，智能化与交互化在智能产品与服务之间扮演着越来越重要的角色。在这种趋势下，用户与产品的关系逐步演变为人与产品之间的一种交互行为[1]。传统设计研究大多偏向于对产品本身功能、效率、美学等方面的挖掘，而忽视了人机交互沟通下用户心智模型（Mentalmodel又称心理模型）对现实交互逻辑的重要价值，尤其对人的心智模型研究尚未深入。只有通过深入地探索大脑的思维和心理活动的发展演变过程，才能在思维和心理层面上找到需求点，然后根据需求点有效地改进复杂产品与服务的人机交互设计。心智模型的分析和创建基于心理学、逻辑学、人工智能以及认知科学的基础，对建模和计算人类思维与心理活动的过程有着重要作用。目前在认知心理学和创新设计领域，创建并分析心智模型已经成为了热门的研究手段[2]。目前，心智模型研究领域研究主要以英国心理学家KennethCraik（1943）对心智模型做过的解释理论最具代表性，他认为心智模型是构建现实的“小型模型”，以预测事件、进行推理或者将其作为解释事物的基础[3]。PhilipN.Johnson-Laird（1983）继KennethCraik之后对心智模型进行了系统的研究，他认为心智模型是个体为了解和解释他们的经验所建构的知识结构[4]。Rouse和Morris(1986)将心智模型阐释为人类描述系统的目标与形式，解释系统功能，观察系统状态和预测系统未来状态的心理机制[5]。彼得•圣洁也提出心智模型的概念，认为心智模型是深植人们心中、对于周遭世界如何运作的看法和行为[6]。可以看出，目前国内外专家学者对心智模型的研究主要集中在其结构和内容方面，而从细粒度的语义层面上对其进行的研究不足，也尚未得出具有普适性的心智模型的多维建模以及分析方法。本文将复杂网络分析的理论和方法与链接表结构理论相结合，应用于心智模型内容、结构与活动路径等方面的研究，探求量化分析和建构能够充分表达用户心理活动的结构化模型。

二、心智模型多维表达

心智模型是用户心理活动的框架，用户心理活动可以理解为思维在心智模型节点之间的迁移。对心智模型的研究主要通过解构用户自然状态下的语言、文字以及草图等非结构性数据，探索用户心理活动的外显形式、演变路径以及逻辑结构。本文运用数据矩阵、过程链接、内容网络等方法，以节点和链接为基础构建用户心智模型，刻画和表征模糊心理活动过程，提取、计算及构建用户的心智模型。在Goldschmidt的研究中，研究者使用链接表来重新解构用户人机交互的思维活动，试图建立其在人机交互过程中的思维模型。基于口语实验，链接表将语音数据解构成不同的元素并储存在独立的节点中，每一节点建立通向下一节点的链接，以此来探索认知推理过程中不同语音要素的结构性关系[7]。通过建立语义节点链接，归纳节点索引方向产生的相关节点，进一步得出口语语义的前后相关关系，最终建构出基于语义链接的多维模型。口语表达过程中用户产出的每个思维点称为一个“节点”，用户的思维移动过程称为“节点移动”，采用链接表示（如图1），通过判定所有节点间相互关系，再依据语义分析来作出不同节点间的链接判断，连线任何可链接的思维节点，从而建立链接表（如图2）。用户心智模型包括三个部分：数据矩阵、过程链接和内容网络（图3）。它们分别从思维活动的量化形式、活动过程的时间顺序以及内容的相互关系、三个维度概括心智模型的构建过程。数据矩阵是以矩阵形式构建心智模型和思维过程的基本数据模块，通过结构化的形式建立心智模型的信息数据集，以达到对心智模型信息的量化及结构化重构，并结合过程链接来表达思维的聚合以及发散状态。过程链接是以结构链接表为基础，分解复杂的时序性心理活动过程，显示思维节点迁移和转变状态，借助PR值和EC值大小和波动效应定位心智模型网络中的关键思维节点。内容网络是用网络形式，集中式聚类和路径回溯分析心智模型生成过程，进而提取思维的主题大类。

三、用户心智模型建模方法

心智模型的结构化和量化分析需要综合设计思维活动内容、过程和关联关系等，从而构建一种兼具推理、表达和分析功能的多维模型。借助数据矩阵、过程链接、内容网络、运用关键节点识别等方法，从信息处理角度量化心智模型的数据结构，揭示心理活动的敛散过程，解析心智模型的复杂度及其演变路径。

1.基于语义关联的数据链接表达分解口语语音数据，划分为独立节点，建立量化及结构化的数据矩阵，并利用过程链接分析节点的相关性及时序性，根据语义内容的关联程度对其进行编码，若相关程度高，则记录对应链接为相关，记为1；反之，如果相关度低，则记录对应链接为不相关，记为0，从而形成完整的链接矩阵，将抽象化语音数据转化为结构化运算数据。对于任意节点i，记为Ni，对应的链接矢量表达式为：其中，Li是节点Ni的链接矢量，lin代表节点Ni与Nn的关联程度，称作语义关联编码值。（其中节点对自身链接并不具有实际意义，对其归零处理。）依据公式编码各个节点，链接所有节点，形成一个完整的全链接矢量图（如图2）。

2.基于语义关联的数据链接建模与计算心智模型求解的复杂性源于心理活动过程的模糊性及多变性。本文利用基于特征向量的排序方法与链接表相结合识别心理活动重要节点。这里引入基于特征向量的两种典型算法，EC算法和PageRank算法[7]来计算节点邻居数量和质量对节点重要性的影响。基于特征向量的排序的重要度指标包括EC值和PR值。EC中心性算法(EigenvectorCentrality)[8]认为一个节点的重要性既取决于其邻居节点的数量(即该节点的度),也取决于每个邻居节点的重要性.记xi为节点vi的重要性度量值,则:其中c为一个比例常数.记x=[x1,x2,x3,…xn]T,在经过多次迭代运算后达到稳定状态时，可以将其写为以下的矩阵形式：x=cAx。其表示x是对应矩阵A的特征值c-1的特征向量。计算向量x的基本方法是给出初始值x（0），然后使用下面的迭代算法:直到归一化的x’(t)=x’（t-1）为止。EC为节点的复杂度，EC值越高表示节点信息越复杂，表征相关节点与其他节点链接的复杂性。具有极大EC值的节点往往正向思维逻辑思维的关键枢纽点，一般为思维线索的开始。PageRank算法是在有向网络中著名算法。由Google的创始人拉里•佩奇和谢尔盖•布林于1998年在斯坦福大学提出这项技术[9]。简单来说，就是在网络中的节点相互链接之前，会提前给出网络中每一个节点PageRank值（下文用PR值表示PageRank值）。物理意义上的PR值是指网络中某一节点被其他节点链入的概率，数值通常为1/N，其中N表示此网络中所有节点的数量。此外，所有节点的PR值之和一般为1[10]。以下（图4）四个节点的链接为例，可以看做一个有向图。这时节点A的PR值就可以表示为：在兼容种特色链接情况下，一个节点的PR值计算如下：公式中的Mpi指的是在此网络中出链至pi节点的所有节点的集合，L(pj)指的是节点pj对其他节点的出链数目，N指的是此网络中所有节点的数量，a通常情况下取0.85（a表示为节点i链接到随机节点的概率）。我们可以依据上述的公式计算出每一个节点的PR值，最终的PR值需要在不断迭代运算后，当运算后的PR值趋于平稳时才能够得到。以（图5）链接表为例： 该图的出入链关系可以通过下文的矩阵公式来表示，当Smn=0时，是指节点n没有到节点m的出链：所有分量都是1的列向量为e,然后定义矩阵：PR值具体计算方法如下，其中Pn为第n次迭代运算时各个节点PR值所组成的列向量：计算PR值的过程为马尔科夫过程（Markov），即：P=APP是矩阵A中特征值为1所对应的特征向量：所有分量都为1的列向量为e，P的所有分量之和为1：如果一个节点被很多其他节点链接到的话说明这个节点比较重要，PageRank值会相对较高。如果一个PageRank值很高的节点链接到一个其他的节点，那么被链接到的节点的PageRank值会相应地因此而提高[9]。PR值预示着节点的重要性，PR值越高意味链入节点（回溯链接）的数量多和重要性高。具有极大PR值的节点往往心理活动的关键节点，往往思维回溯的关键点，或者一次心理活动的终结点，通常也是内容聚类的关键点。

3.基于内容网络的聚类分析一次心理活动可以解释为思维在内容网络上几个节点间的迁移，节点所构成的路径链接即为思路。但心理活动过程中的不同节点之间的关系并不仅限于时间顺序，也呈现出一定的空间分布关系。节点链接表用于表达节点之间的时序性和关联关系，而内容网络则在呈现语义内容和主题转换路径的同时，更进一步通过分析不同节点的主题聚类，探究思维活动的内容特征及迁移路径。内容网络突破了仅仅依据时间序列对同一思维活动分类的约束，其形成过程主要是基于聚类分析的结果[12]。将相同类别的内容节点集聚成群，共同形成一个节点集群，这就是聚类的过程，节点间的链接关系不会因为聚类而改变，只是随着聚类的深入，会形成不同的节点集群，代表着其对应主题的思维内容。随着主题集群的产生，完整的心智模型也随之浮现出来。具体的运算过程利用聚类分析中使用的CONCOR算法[11]，将链接矩阵中向量的相关系数进行多次迭代运算后得出收敛的相关系数，并使用最终得到的收敛相关系数对它们进行分类。内容网络的集中式聚类分析是一种语义交叉分析方式，通过回溯式交叉分析再现链接矩阵中思维节点的链接路径，挖掘节点间连续性、跳跃性的交叉信息，将抽象思维转化为具象链接。此外，内容网络有助于探索思维节点演化路径，对于任意的节点m和n，两者之间的路径P(m,n)可以描述为：Cmn代表节点m与节点n之间的最短演化路径，即内容网络中从节点m通向节点n的最短链接数目。通过聚类思维节点以及回溯语义节点在内容网络中的演化路径，可以筛选出思维迁移过程中的关键节点，有助于捕捉思维过程的主题变化。

四、实例研究

1.实验及数据处理该实验以手机端线上约车APP的设计为研究主题，实验对象由2名具有丰富工作经验的研究人员与2名缺乏智能手机使用经验的老年人构成，实验中通过对手机端线上约车APP认知水平的考察来探求老年人关于线上约车APP的心智模型，以此对用户心智模型的建模和解析方法进行实例验证研究。实验中访谈交流时间为1.5小时，主要流程如下：①使研究人员与老年用户充分明确此次实验目标、时间限制、访谈内容、实验步骤等；②研究人员针对目前的APP向老年人提出相应问题，与之交流并探讨完成软件操作的过程；③研究人员根据老年用户交流与反馈，深入分析用户潜在需求，并提出设计方案；④实验团队完善并总结设计方案，直至完成最终设计方案。在实验中，设计思路及其流程以图文形式来交流和表达，语音交流数据以录音的形式记录保存。用文本形式再现语音交流信息，重新梳理并转换为文本数据，提取与此次实验任务相关的语言数据，使用口语分析法对语言数据进行断句、无用信息清理和关键词筛选，最后进行编码工作，共计获得81句可用文本，记录为81个思维节点，数据汇总如表1所示。表中A、B分别代表每个节点所对应的老年人实验对象，链接栏标记出每个节点所链接到的其他所有节点，以标识其链接状态。表1实验数据编码结果

2.设计认知敛散性分析将表1中的节点链接数据用更加可视化的方式表达出来，量化为可计算的链接矩阵，如下所示：将整个思维节点的持续过程分为三个阶段（图7），所有节点按纵向和横向排列，纵向作为参考方向，链接分为前连接和后链接，对角线下方为前链接区域，思维具有收敛性，标记为F区；对角线上方为后链接区域，思维具有发散性，标记为B区；节点之间的链接与否用“0”和“1”表示，体现在网格中，有链接为黑色圆点标注，无链接为空白。链接又分为长链接和短链接，距离对角线较近的为短链接，反之，距离对角线较远的为长链接，短链接相比长链接更具活跃性。节点N1-N29为设计沟通的开展阶段，节点之间的短链接明显多于长链接，表示这一阶段思维更为活跃、更具新颖性，第一阶段后期，前链接多于后链接，说明思维活动趋于收敛；节点N30-N59是设计沟通的中期阶段，该阶段的链接特征与第一阶段趋同，部分节点呈现出与第一阶段节点相关的长链接；节点N60-N81这一阶段为设计沟通末期，该阶段与之前阶段的长链接明显增多，说明这一阶段的思维活动更加成熟稳定。

3.关键节点的识别在对语言数据分解的基础之上，结合PR值来分析心智模型节点的重要程度。节点PR值变化情况如（图11）所示。从图中可以看出，初始阶段的PR值波动较为明显，节点N3的PR值最小，为0.004；节点N5的PR值最大，为0.026，变化幅度比较大，表面这一阶段思维活动较为活跃，用户的心理活动呈现出无序的状态，说明思维活动较为不确定；而到了中期阶段，PR值位于中等水平，波动较为平稳，而末期新概念产出较少，此时不仅PR值的波动幅度比较小，并且节点的PR值也相对较小。以PR值最高点的N5为例，该节点链接在链接表整体分布图中具有长链接和后链接的特征，属于设计认知复杂度比较大的阶段，说明其对后续概念的产出具有启发和引导作用。回顾文本数据可知，N5总结了上述关于降低网约车APP操作难度的讨论结果，并引导从操作方式的角度思考，给出了两种可行度较高的操作方式。N29引入了对APP操作方式的思考，但后续并未能深化，所以其PR值局部较高但整体上看并不那么明显。N51是局部区域当中一个比较重要的节点，它是局部区域中PR值的极大值，提出了一个承前启后的“APP软件透明收费”的新概念；而N45“考虑安全保障问题“的概念节点，也是PR值局部变化的极值点，虽然其无前链接是一个新概念点，但它促进了后续概念的产生，并呈现局部创新的演化特征。表2为各个节点PR值和特征向量中心度统计表。其中如果一个节点的PR值较高，说明它被很多其他节点链接并且链入节点比较重要。也就是如果一个PR值很高的节点链接到另一个节点，那么被链接到的节点的PR值会相应地提高。EC值（特征向量中心度）表示一个节点的中心程度，其取决于与该节点所有相关节点的数量以及质量。

五、结论

对用户复杂心理活动的求解过程，是对用户语言内容、思维方式以及表达形式的综合性研究过程。本文在口语实验的基础上，对语言数据进行分解与重构，将自然状态的语言数据转化为可计算的结构化数据。将这些数据建立数据矩阵，随后进行过程链接并形成内容网络，最后生成多维心智模型，从时序性、关联性和空间分布关系角度来探究用户心理活动过程中不同节点之间的关系，将心理活动过程的复杂特性转化为可评估的量化指标，挖掘最有价值的设计方向，为基于自然语言探究用户心理活动、心智模型提供普适性方法，为设计研究提供更有参考价值的研究方法。后续工作中还将进一步就如何利用人工智能自然语言处理技术提高研究效率进行探索，并且找寻更高效的自然语言分析方法，为解析用户心智模型问题提供参考方向。

作者：姜霖 单位：南京理工大学