微交互:手机产品交互体验评估方法

一、评估的目的

  交互设计是一个迭代过程,通过交互设计评估,可以及早发现设计中缺陷,进而能进一步完善交互流程。通过评价,也可发现交互设计中可行、友善、合理或优秀的地方,从而为后续产品的交互设计提供借鉴。

  二、评估的标准

  手机产品交互设计的评估标准还是是否满足用户体验,当然,体验是一个很虚的东西,没有一个具体的量化标准,那我们就落在实处,从可以量化的维度打分。具体从那几个维度入手,我认为可以分为如下几个,见图1:

  图1 交互体验评估维度

  1、产品架构是否清晰

  无论是九宫格式的架构还是标签页式的架构,都需要让用户一进入产品,就可以一目了然的知道产品是干什么的,有几个功能模块,模块之间怎么切换。

  同时,产品层级较深的,设计师要清楚的了解有产品有多少个二级页面,多少个三级页面。这些二级页面和三级页面的架构,是复用一级页面的,还是有自己的架构。

  有如下几个评估标准:

  产品结构清晰,没有不必要的层级

  能快速了解产品有几个主要页面

  所有主要部分都能够通过首页访问

  清晰的指示了当前的位置

  2、产品流程是否清晰

  要想表现层越简单,背后的逻辑层可能就越复杂。那么我们评估流程的时候,不是以背后的逻辑层复杂度来评估,而是以表现层的简洁度来评估的。比如说一个发布帖子的流程,总共需要几个步骤,涉及到几个层级(一级页面到二级页面到三级页面…)。当然,不是说步骤越少、层级越浅就是好的设计。而是要简单、明确、清晰。没有不相关的干扰分支,没有经常会出现的误操作,没有提顿思考的空间,没有操作之后无反应的疑惑。

  有如下几个评估标准:

  明确产品有几个主要的任务流程

  每个任务流程清晰,没有太多分支

  任务流程符合用户操作流程

  用户可以取消正在执行操作

  操作成功或失败都有明确的反馈

  在每个层级,都可以找到回到上一级的方法

  预防出错,如出错要帮助用户从错误中恢复过来

  复杂的交互是否有很好的引导和帮助

  3、控件使用是否准确

  手机产品涉及到很多的控件。一级标签栏、二级标签栏、列表、按钮、对话框、提示框、发布框等等,这些控件使用的是否到位,是衡量一个设计师细节设计能力的重要标准。比如说两个二级页面都需要二级标签栏,如果你设计出来两个样式的话,那么说明你没有用控件的思想来做设计,不仅设计师要设计两套二级控件,程序人员要重复劳动,用户也会疑惑这两个控件是不是同一个含义同一种操作方式。再比如说,这个二级标签栏,它的从属内容是否在样式上跟他有从属关系,这个细节,如果不把握好,用户很可能把这个二级标签栏看成了按钮。

  有如下几个评估标准:

  控件使用准确性(比如是否混淆了单选框和复选框,对话框层次过多等)

  控件的复用(比如两个页面都用到tabbar,不用设计两个)

  控件的状态(比如不可点状态、可点状态、按下状态、长按状态)

  链接色的准确使用

  焦点状态的准确使用

  4、信息传达是否到位

  信息传达包含产品文案引导、按钮文案设计、列表文字布局、内容页排版、提醒文案设计等等。文案的梳理,有些公司是专门有内容编辑来做的,但是大部分公司,都是产品经理或者交互设计师直接完成的。那么文案是否准确,是否能有效的传达意思,也是衡量交互设计的一个重要标准。文字长度限制、特殊情况处理是否考虑到位,也是衡量设计师工作的基准。而列表文字的布局、内容页的排版,则是信息布局的重中之重。

  有如下几个评估标准:

  布局清晰

  文案简洁

  没有术语(比如“拉取失败”这种文案)

  合理排版(标题、作者、时间的字号、字色,页边距的运用)

  标签和内容的从属关系(能否看出当前标签页,和当前标签页的从属内容)

  三、评估的方法

  交互体验评估还没有一套成型的方法,传统的评估都是靠直觉经验,那么能否通过探索共性,转化成一种科学的有效的评估方法呢?

  传统的方法有:实验方法(随机和重复测试),监测方法,调查方法等。

  科学的评估方法:

  1.设计原则评价(guidelines Evaluation)

  为自己的部门或者项目写一个设计原则,从架构、流程、控件、内容等多个维度来构造一定的设计要求,一套成型的设计原则诞生之后,可以让设计师在设计过程中进行自我评价,也可以让设计师完成设计之后交付其他设计师进行协同评审。

  2.启发式评估(euristic Evaluation)

  启发式评估是指少数几个评估者检查界面,并判断界面是否符合公认的可用性原则。

  具体的方法见 Jakob Nielsen写的How to Conduct a Heuristic Evaluation一文,中文翻译见初心不忘翻译的如何进行启发式评估。

  3.可用性测试(usability Testing)

  测典型用户执行典型任务时的情况,测试指标包括用户出错次数,完成任务的时间等。典型的可用性测试是在实验室环境中进行的,被测试人员受到评价人员的密切控制。可用性测试主要是量化用户的执行情况,测试的结果通常被表示为统计值。

  具体的方法见小胖翻译的了解可用性测试。英文原文链接已经挂掉。

  四、评估的结果

  可以产出一份详细的评估报告,分别阐述四个维度上,交互设计中存在的亮点和问题,亮点加分,问题扣分,最后绘制成蜂窝图,如图2。四个维度的分加起来除4乘10是最后的总得分。

  图2 交互体验评估结果蜂窝图

  最后总结一下,体验是一种很虚的东西,难以靠数值量化出来,就如同情感无法量化一样。所以本文旨在提供一种客观一点的思考方法。

转自:pmtoo

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值