认知行为理论视角下数字化场景互动影响设计①

柏 楠, 山 娜

(1.安徽国际商务职业学院,安徽 合肥 231131;2.北京服装学院,北京 100029 )

0 引 言

随着现代科技的快速发展,数字化场景逐渐成为人们日常生活的重要组成部分。数字化场景下的互动设计,既包含了智能手机、智能手表、智能家居等设备的交互,也包括人与人之间的交互和社交。数字化场景下的互动影响设计,不仅仅涉及技术,也融合了心理学、社会学、设计和用户体验等多个方面的知识。数字化技术的快速发展带来了前所未有的机遇和挑战,设计师们不仅需要考虑用户的需求和体验,还要充分利用数字化场景下的工具和资源,为用户提供创新的设计方案。而在设计数字产品和服务时,设计师需要了解行为学派的有关心理学框架,在用户的认知、决策与行为间探索反馈关系,以此优化产品与用户之间的交互体验,提升用户的参与度和改进用户的满意度。

从认知行为理论的角度出发,探讨了数字化场景下互动影响设计的问题,分析了认知行为理论对用户体验和设计的影响,并提出了基于用户行为预测的设计模型和方法。通过本文的研究和探讨,希望能够为数字化场景下的设计者们提供思路和方向,更好地应对设计挑战,提升用户体验。

1 研究设计

1.1 模型概述

使用三模型进行对比分析,分别为AdaBoost,ExtraTrees与GBDT,均为集成学习中的基于决策树的算法.

AdaBoost(Adaptive Boosting)通过对弱分类器进行加权组合,得到一个性能更优的分类器。AdaBoost的核心思想是迭代训练模型,每一轮根据前一轮模型的表现对样本进行加权,使得错误分类的样本得到更高的权重,正确分类的样本得到更低的权重,从而使得弱分类器逐步聚焦于难以分类的样本,最终得到较好的分类效果。

假设对于初始化训练样本集,其权重为:

对其中t=1,2,…,T,训练基分类器Gi(x),计算其分类误差率ct,由此有权重系数:

更新样本权重有:

wt+1(i)=wt(i)exp(-αiyiGt(xi)),i=1,2,…,m

则有强分类器:

ExtraTrees(Extremely Randomized Trees)和Random Forest算法非常类似。ExtraTrees的特点是,在构建决策树时,对每个节点的特征进行随机抽样,而不是从全部特征中选取最优切分点。这样可以使得ExtraTrees的决策树更加多样化,减少了决策树之间的相关性,从而提高了模型的泛化能力。

GBDT(Gradient Boosting Decision Tree)同样采用Boosting的思想,通过迭代训练决策树模型来不断优化模型的分类性能。GBDT的训练过程中,每个新的模型都会在之前模型的残差基础上进行训练,从而不断提高模型的表现。与AdaBoost不同的是,GBDT并不是每次都对所有样本进行加权,而是针对每个样本都设立一个残差,从而使得GBDT更加注重错误分类的样本,提高了模型在难以分类的样本上的表现。

这一残差设置有:

ri:ri=yi-fm-1xi,i=1,2,…,n

训练基分类器hm(x),使目标函数最小化,有:

基于先行搜索获得合适步长pm,更新模型权重有:

fm(x)=fn(x)+pmhm(x)

输出得到强分类器:

1.2 数据获取

面向数字化互动场景设计,使用现有互动场景访问真实数据作为样本库进行分析,相应构建九项输入变量与一项输出变量。首先,场景浏览量可以作为预测模型中设计的吸引力参数,帮助更好地评估设计方案的吸引力和流行度。与之相对的,跳出率可以被视为设计未能满足用户期望的重要指标,帮助设计师优化设计以提高用户留存时间。继而,通过预测模型中的用户反应时长指标,设计师可以了解用户对应的操作难度,优化设计以提高用户的交互体验。用户交互频率是指一个用户在一定时间内与网站或应用的互动次数。在数字化场景下,用户交互频率与网站或应用的设计相关,高度可用性和覆盖良好的用户需求通常会导致更高的用户交互频率。较高的用户误差率可能会导致用户在网站或应用中的停留时间减少,从而影响用户的满意度。再次,模型需要考虑转化率、任务完成时长、用户留存率等指标。与此同时,消费规模可以作为一种商业指标来帮助设计师衡量网站或应用的经济价值。最后,平均用户满意度是指用户对网站或应用的满意度评价的平均分数。可以作为设计师衡量用户体验的关键指标,根据此指标进行设计优化。

1.3 描述性统计

对样本数据进行整理,如表1. 场景浏览量标准差为2785.7,说明了不同数字化场景项目的用户点击与浏览数据的离散程度比较大。用户平均有61.2%的概率在场景中停留,跳出率的平均数值比中位数略低,有可能是由于部分用户在场景中的停留时间过短,无法统计在跳出率指标中。用户反应时长平均值为0.271,用户在处理场景交互元素时平均反应较快,且大部分用户反应时长分布较为集中。用户平均每个任务中的错误率为25.4%,部分用户的错误率更高,数据的离散程度比较大。用户在场景中完成一个任务的平均转化率为38.8%,表明用户参与交互的效率有改进的空间。其他指标则普遍具有高水平的标准差,表明变量的分布差异显著,不同用户习惯有显著不同。

表1 描述性统计

2 模型验证

2.1 预测结果整理

基于上述样本数据构建模型,训练样本数与测试样本数分别占比为70%与30%,模型均不进行数据洗牌和交叉验证,进行模型预测。其结果如表2:

表2 模型预测结果权重评分

如图1所示,不同预测模型对于不同指标的权重评分,其中跳出率,用户留存率和转化率这三个指标在所有模型中都获得了较高的权重。这告诉我们在数字化场景中,这三个指标对于互动影响设计至关重要,需要在设计中特别关注这些因素,以提高用户体验和交互效果。同时,消费规模和场景浏览量等指标的权重较低,说明用户的浏览情况与场景整体吸引力对用户满意度的影响较弱,但可能受到用户满意度基于浏览后评分的影响,需要依据实际情况灵活应用。

2.2 预测准确性分析

整理各模型的预测结果有:

图1 AdaBoost,ExtraTrees,GBDT预测结果

如图1所示,各模型中预测值与真实值数据波动高度吻合,模型的预测能力显著较好。

2.3 模型预测性能

模型性能的检验是基于用户行为预测的设计模型和方法的重要环节。通过检验模型性能,可以评估模型的有效性和效果,并为进一步的优化和迭代提供指导。

表3 模型预测误差性能

如表3所示,模型预测准确性整体表现良好。其中,adaboost和GBDT的训练集MSE、RMSE和MAE都为0,R2显著较高说明在训练集上模型的预测结果准确度很高。测试集上的MAPE值也比较高,说明在测试集上模型预测的误差相对较大,而ExtraTrees的测试集MAPE略高于adaboost和GBDT,但也保持了较高的预测准确度。

3 结 语

从探讨了数字化场景下互动影响设计问题,相应讨论的基于用户行为预测的设计模型和方法表现出良好的预测准确性,从而为互动设计提供了更加系统和科学的设计方法。