УДК ВИКОРИСТАННЯ МОДЕЛІ МОВИ CHATGPT ДЛЯ ДОСЛІДЖЕННЯ ДОСВІДУ КОРИСТУВАЧА Олексій Підгайний Національний авіаційній університет, Київ Науковий керівник – Микола Гузій, к.т.н., доцент, професор. Ключові слова: AI, ChatGPT, User Research, UX Design, Large language model Великі мовні моделі, такі як ChatGPT від OpenAI, стали популярними завдяки своїй вражаючій продуктивності в різних завданнях, включаючи можливість розмовного спілкування з машинами за допомогою обробки природної мови та алгоритмів машинного навчання. ChatGPT, розроблений OpenAI [1], є однією з таких реалізацій. Ця платформа використовує обробку природної мови та алгоритми машинного навчання, щоб дозволити користувачам спілкуватися з машинами в розмовній манері [2]. Використання ChatGPT в дослідженнях UX є відносно новою областю досліджень. Його навички ведення розмови та здатність міркувати створюють можливості для вивчення ролей розмовних агентів у дизайні та співпраці людини та ШІ. [4, 5, 6]. Використання ChatGPT у дослідженні UX є багатообіцяючим новим шляхом для дослідників, щоб краще зрозуміти потреби та вподобання користувачів. Ця дисертація спрямована на дослідження потенціалу ChatGPT як інструменту для дослідження UX та визначення найкращих практик його використання в цьому контексті. Матеріали і методи Було проведено чотириетапний експеримент, щоб дослідити потенціал і обмеження ChatGPT. Етапи включали визначення мети та підходу проекту, дослідження вигаданих користувачів, мозковий штурм та оцінку досвіду користувачів. Дослідження було завершено за один сеанс, а дослідник виступав у ролі дизайнера та надавав підказки для всіх завдань із подальшими підказками, якщо необхідно. Результати Щоб розробити хороший продукт, важливо розуміти конкурентів. Коли я попросив ChatGPT узагальнити поширені проблеми, з якими стикаються користувачі мобільних додатків електронної комерції, деякі з наданих пунктів були надто загальними, тоді як інші були конкретними та корисними. Наприклад, «обмежені варіанти оплати» та «погана підтримка клієнтів» є значними джерелами тертя для багатьох користувачів, судячи з мого досвіду створення таких програм. Потім ChatGPT було доручено сформувати список прямих конкурентів у нашій ніші на ринку UA. ChatGPT запропонував Rozetka, Olx, Prom та ін. Він також зміг визначити частку ринку кожного конкурента за допомогою джерел даних, хоча використання застарілих джерел даних, оскільки навчальні дані ChatGPT обмежені 2021 роком [7]. ChatGPT може генерувати випадки використання, оцінки «подобається» та «не подобається», а також імітувати сеанси користувачів за допомогою учасників ШІ. Однак деякі дослідники можуть вагатися щодо його використання, оскільки ChatGPT працює, витягуючи існуючий текст з Інтернету, і не розуміє запити буквально. Натомість він об’єднує речення на основі ймовірностей, подібно до того, як хтось говорить те, що, на його думку, люди хочуть почути. Я попросив ChatGPT розповісти мені, що користувачам подобається Rozetka, а потім запитати, що користувачам подобається Olx. Загалом результати дуже схожі: широкий асортимент продуктів, конкурентоспроможні ціни, зручні веб-сайт і програма тощо. Інформація надто розпливчаста та не містить деталей щодо того, що робить кожну програму інтуїтивно зрозумілою. З цієї інформації немає нових знань, і дизайнери не можуть отримати з неї нічого корисного, оскільки ChatGPT працює, витягуючи існуючий текст з Інтернету, і не розуміє запити буквально. Натомість він об’єднує речення на основі ймовірностей [2]. Крім того, незрозуміло, звідки надходить інформація, чи то з онлайн-оглядів, веб-сайтів розробників чи інших джерел. ChatGPT також можна використовувати для визначення основних ключових показників ефективності (KPI) і показників успіху конкретного продукту чи послуги. Наприклад, досліджуючи домен додатків для електронної комерції, я попросив у ChatGPT відповідні KPI та отримав загальні, але цінні показники, такі як коефіцієнт конверсії, середня вартість замовлення та вартість залучення клієнтів. Проведено дослідження вигаданих користувачів. ChatGPT успішно створив для мене 3 особи: Сара, зайнята мама; Джон, технічний міленіал; Марія, економна студентка. Для кожної персони вказано демографічні показники, потреби та бажання та надано відповідну контекстну інформацію. Основна персона була визначена як Сара - хороший універсал. Після створення персонажів я попросив ChatGPT підготувати десять питань для інтерв’ю для дослідження користувачів. Хоча не було визначено мети інтерв’ю чи того, хто буде опитуватись, ChatGPT створив десять запитань, пов’язаних із розумінням життя та досвіду потенційних користувачів у рамках проекту, які були розумними та корисними. Після отримання змодельованих інтерв’ю ChatGPT попросили створити загальне резюме. Змодельований відгук користувачів під час усіх інтерв’ю був переважно позитивним із лише кількома негативними моментами. ChatGPT також визначив такі важливі функції, як доступність, відстеження замовлень і програма винагород, які були пропущені під час співбесід. Наступною діяльністю було створення ідей, де ChatGPT задавали кілька запитань у формі «Як ми можемо». Усі пропозиції були хорошими, з деякими корисними деталями. Висновки Це дослідження мало на меті оцінити можливості, обмеження та придатність ChatGPT для підтримки досліджень. У той час як ChatGPT може допомогти у вторинних дослідженнях, оскільки він спирається на вже наявні. Але використання його для первинного дослідження викликає занепокоєння, оскільки воно спирається на наявні дані та не може виявити невідомі моделі поведінки чи ідеї. Інклюзивний дизайн, який стосується людей, які залишилися позаду, не може бути досягнутий лише за допомогою ШІ. Однак використання ChatGPT та інших LLM може пришвидшити процес проектування та потенційно змінити спосіб надання та споживання дизайнерських послуг. Список використаних джерел [1] A Review of ChatGPT AI's Impact on Several Business Sectors [2] ChatGPT-what is it and how does it work exactly? [3] "I think this is the most disruptive technology": Exploring Sentiments of ChatGPT Early Adopters using Twitter Data [4] Dominik Dellermann, Adrian Calma, Nikolaus Lipusch, Thorsten Weber, Sascha Weigel and Philipp Ebel. Year. The Future of Human-Ai Collaboration: A Taxonomy of Design Knowledge for Hybrid Intelligence Systems. In Proceedings of Hawaii International Conference on System Sciences (HICSS) [5] Dakuo Wang, Elizabeth Churchill, Pattie Maes, Xiangmin Fan, Ben Shneiderman, Yuanchun Shi and Qianying Wang. Year. From Human-Human Collaboration to Human-Ai Collaboration: Designing Ai Systems That Can Work Together with People. In Proceedings of Extended abstracts of the 2020 CHI conference on human factors in computing systems. 1-6 [6] Qingxiao Zheng, Yiliu Tang, Yiren Liu, Weizi Liu and Yun Huang. Year. Ux Research on Conversational Human-Ai Interaction: A Literature Review of the Acm Digital Library. In Proceedings of CHI Conference on Human Factors in Computing Systems. 1-24. [7] Why doesn't ChatGPT know about X?
