談交互設(shè)計(jì)用戶心智模型建模方法范文

本站小編為你精心準(zhǔn)備了談交互設(shè)計(jì)用戶心智模型建模方法參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

[摘要]本文從數(shù)據(jù)、過(guò)程、內(nèi)容和方法三個(gè)方面闡述心智模型（Mentalmodel）的復(fù)雜特性，并通過(guò)鏈接表分解心智模型節(jié)點(diǎn)，結(jié)合不同節(jié)點(diǎn)的鏈接關(guān)系，通過(guò)EC算法、PR算法分析識(shí)別心智模型網(wǎng)絡(luò)關(guān)鍵節(jié)點(diǎn)，從口語(yǔ)數(shù)據(jù)分解、節(jié)點(diǎn)時(shí)序、關(guān)鍵節(jié)點(diǎn)識(shí)別、主題聚類等方面開(kāi)展對(duì)用戶心智模型節(jié)點(diǎn)的復(fù)雜度、重要度分析研究。

[關(guān)鍵詞]心智模型;交互設(shè)計(jì);認(rèn)知心理;自然語(yǔ)言

一、概述

隨著現(xiàn)代科學(xué)技術(shù)的快速發(fā)展，智能化與交互化在智能產(chǎn)品與服務(wù)之間扮演著越來(lái)越重要的角色。在這種趨勢(shì)下，用戶與產(chǎn)品的關(guān)系逐步演變?yōu)槿伺c產(chǎn)品之間的一種交互行為[1]。傳統(tǒng)設(shè)計(jì)研究大多偏向于對(duì)產(chǎn)品本身功能、效率、美學(xué)等方面的挖掘，而忽視了人機(jī)交互溝通下用戶心智模型（Mentalmodel又稱心理模型）對(duì)現(xiàn)實(shí)交互邏輯的重要價(jià)值，尤其對(duì)人的心智模型研究尚未深入。只有通過(guò)深入地探索大腦的思維和心理活動(dòng)的發(fā)展演變過(guò)程，才能在思維和心理層面上找到需求點(diǎn)，然后根據(jù)需求點(diǎn)有效地改進(jìn)復(fù)雜產(chǎn)品與服務(wù)的人機(jī)交互設(shè)計(jì)。心智模型的分析和創(chuàng)建基于心理學(xué)、邏輯學(xué)、人工智能以及認(rèn)知科學(xué)的基礎(chǔ)，對(duì)建模和計(jì)算人類思維與心理活動(dòng)的過(guò)程有著重要作用。目前在認(rèn)知心理學(xué)和創(chuàng)新設(shè)計(jì)領(lǐng)域，創(chuàng)建并分析心智模型已經(jīng)成為了熱門的研究手段[2]。目前，心智模型研究領(lǐng)域研究主要以英國(guó)心理學(xué)家KennethCraik（1943）對(duì)心智模型做過(guò)的解釋理論最具代表性，他認(rèn)為心智模型是構(gòu)建現(xiàn)實(shí)的“小型模型”，以預(yù)測(cè)事件、進(jìn)行推理或者將其作為解釋事物的基礎(chǔ)[3]。PhilipN.Johnson-Laird（1983）繼KennethCraik之后對(duì)心智模型進(jìn)行了系統(tǒng)的研究，他認(rèn)為心智模型是個(gè)體為了解和解釋他們的經(jīng)驗(yàn)所建構(gòu)的知識(shí)結(jié)構(gòu)[4]。Rouse和Morris(1986)將心智模型闡釋為人類描述系統(tǒng)的目標(biāo)與形式，解釋系統(tǒng)功能，觀察系統(tǒng)狀態(tài)和預(yù)測(cè)系統(tǒng)未來(lái)狀態(tài)的心理機(jī)制[5]。彼得•圣潔也提出心智模型的概念，認(rèn)為心智模型是深植人們心中、對(duì)于周遭世界如何運(yùn)作的看法和行為[6]。可以看出，目前國(guó)內(nèi)外專家學(xué)者對(duì)心智模型的研究主要集中在其結(jié)構(gòu)和內(nèi)容方面，而從細(xì)粒度的語(yǔ)義層面上對(duì)其進(jìn)行的研究不足，也尚未得出具有普適性的心智模型的多維建模以及分析方法。本文將復(fù)雜網(wǎng)絡(luò)分析的理論和方法與鏈接表結(jié)構(gòu)理論相結(jié)合，應(yīng)用于心智模型內(nèi)容、結(jié)構(gòu)與活動(dòng)路徑等方面的研究，探求量化分析和建構(gòu)能夠充分表達(dá)用戶心理活動(dòng)的結(jié)構(gòu)化模型。

二、心智模型多維表達(dá)

心智模型是用戶心理活動(dòng)的框架，用戶心理活動(dòng)可以理解為思維在心智模型節(jié)點(diǎn)之間的遷移。對(duì)心智模型的研究主要通過(guò)解構(gòu)用戶自然狀態(tài)下的語(yǔ)言、文字以及草圖等非結(jié)構(gòu)性數(shù)據(jù)，探索用戶心理活動(dòng)的外顯形式、演變路徑以及邏輯結(jié)構(gòu)。本文運(yùn)用數(shù)據(jù)矩陣、過(guò)程鏈接、內(nèi)容網(wǎng)絡(luò)等方法，以節(jié)點(diǎn)和鏈接為基礎(chǔ)構(gòu)建用戶心智模型，刻畫和表征模糊心理活動(dòng)過(guò)程，提取、計(jì)算及構(gòu)建用戶的心智模型。在Goldschmidt的研究中，研究者使用鏈接表來(lái)重新解構(gòu)用戶人機(jī)交互的思維活動(dòng)，試圖建立其在人機(jī)交互過(guò)程中的思維模型。基于口語(yǔ)實(shí)驗(yàn)，鏈接表將語(yǔ)音數(shù)據(jù)解構(gòu)成不同的元素并儲(chǔ)存在獨(dú)立的節(jié)點(diǎn)中，每一節(jié)點(diǎn)建立通向下一節(jié)點(diǎn)的鏈接，以此來(lái)探索認(rèn)知推理過(guò)程中不同語(yǔ)音要素的結(jié)構(gòu)性關(guān)系[7]。通過(guò)建立語(yǔ)義節(jié)點(diǎn)鏈接，歸納節(jié)點(diǎn)索引方向產(chǎn)生的相關(guān)節(jié)點(diǎn)，進(jìn)一步得出口語(yǔ)語(yǔ)義的前后相關(guān)關(guān)系，最終建構(gòu)出基于語(yǔ)義鏈接的多維模型。口語(yǔ)表達(dá)過(guò)程中用戶產(chǎn)出的每個(gè)思維點(diǎn)稱為一個(gè)“節(jié)點(diǎn)”，用戶的思維移動(dòng)過(guò)程稱為“節(jié)點(diǎn)移動(dòng)”，采用鏈接表示（如圖1），通過(guò)判定所有節(jié)點(diǎn)間相互關(guān)系，再依據(jù)語(yǔ)義分析來(lái)作出不同節(jié)點(diǎn)間的鏈接判斷，連線任何可鏈接的思維節(jié)點(diǎn)，從而建立鏈接表（如圖2）。用戶心智模型包括三個(gè)部分：數(shù)據(jù)矩陣、過(guò)程鏈接和內(nèi)容網(wǎng)絡(luò)（圖3）。它們分別從思維活動(dòng)的量化形式、活動(dòng)過(guò)程的時(shí)間順序以及內(nèi)容的相互關(guān)系、三個(gè)維度概括心智模型的構(gòu)建過(guò)程。數(shù)據(jù)矩陣是以矩陣形式構(gòu)建心智模型和思維過(guò)程的基本數(shù)據(jù)模塊，通過(guò)結(jié)構(gòu)化的形式建立心智模型的信息數(shù)據(jù)集，以達(dá)到對(duì)心智模型信息的量化及結(jié)構(gòu)化重構(gòu)，并結(jié)合過(guò)程鏈接來(lái)表達(dá)思維的聚合以及發(fā)散狀態(tài)。過(guò)程鏈接是以結(jié)構(gòu)鏈接表為基礎(chǔ)，分解復(fù)雜的時(shí)序性心理活動(dòng)過(guò)程，顯示思維節(jié)點(diǎn)遷移和轉(zhuǎn)變狀態(tài)，借助PR值和EC值大小和波動(dòng)效應(yīng)定位心智模型網(wǎng)絡(luò)中的關(guān)鍵思維節(jié)點(diǎn)。內(nèi)容網(wǎng)絡(luò)是用網(wǎng)絡(luò)形式，集中式聚類和路徑回溯分析心智模型生成過(guò)程，進(jìn)而提取思維的主題大類。

三、用戶心智模型建模方法

心智模型的結(jié)構(gòu)化和量化分析需要綜合設(shè)計(jì)思維活動(dòng)內(nèi)容、過(guò)程和關(guān)聯(lián)關(guān)系等，從而構(gòu)建一種兼具推理、表達(dá)和分析功能的多維模型。借助數(shù)據(jù)矩陣、過(guò)程鏈接、內(nèi)容網(wǎng)絡(luò)、運(yùn)用關(guān)鍵節(jié)點(diǎn)識(shí)別等方法，從信息處理角度量化心智模型的數(shù)據(jù)結(jié)構(gòu)，揭示心理活動(dòng)的斂散過(guò)程，解析心智模型的復(fù)雜度及其演變路徑。

1.基于語(yǔ)義關(guān)聯(lián)的數(shù)據(jù)鏈接表達(dá)分解口語(yǔ)語(yǔ)音數(shù)據(jù)，劃分為獨(dú)立節(jié)點(diǎn)，建立量化及結(jié)構(gòu)化的數(shù)據(jù)矩陣，并利用過(guò)程鏈接分析節(jié)點(diǎn)的相關(guān)性及時(shí)序性，根據(jù)語(yǔ)義內(nèi)容的關(guān)聯(lián)程度對(duì)其進(jìn)行編碼，若相關(guān)程度高，則記錄對(duì)應(yīng)鏈接為相關(guān)，記為1；反之，如果相關(guān)度低，則記錄對(duì)應(yīng)鏈接為不相關(guān)，記為0，從而形成完整的鏈接矩陣，將抽象化語(yǔ)音數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化運(yùn)算數(shù)據(jù)。對(duì)于任意節(jié)點(diǎn)i，記為Ni，對(duì)應(yīng)的鏈接矢量表達(dá)式為：其中，Li是節(jié)點(diǎn)Ni的鏈接矢量，lin代表節(jié)點(diǎn)Ni與Nn的關(guān)聯(lián)程度，稱作語(yǔ)義關(guān)聯(lián)編碼值。（其中節(jié)點(diǎn)對(duì)自身鏈接并不具有實(shí)際意義，對(duì)其歸零處理。）依據(jù)公式編碼各個(gè)節(jié)點(diǎn)，鏈接所有節(jié)點(diǎn)，形成一個(gè)完整的全鏈接矢量圖（如圖2）。

2.基于語(yǔ)義關(guān)聯(lián)的數(shù)據(jù)鏈接建模與計(jì)算心智模型求解的復(fù)雜性源于心理活動(dòng)過(guò)程的模糊性及多變性。本文利用基于特征向量的排序方法與鏈接表相結(jié)合識(shí)別心理活動(dòng)重要節(jié)點(diǎn)。這里引入基于特征向量的兩種典型算法，EC算法和PageRank算法[7]來(lái)計(jì)算節(jié)點(diǎn)鄰居數(shù)量和質(zhì)量對(duì)節(jié)點(diǎn)重要性的影響。基于特征向量的排序的重要度指標(biāo)包括EC值和PR值。EC中心性算法(EigenvectorCentrality)[8]認(rèn)為一個(gè)節(jié)點(diǎn)的重要性既取決于其鄰居節(jié)點(diǎn)的數(shù)量(即該節(jié)點(diǎn)的度),也取決于每個(gè)鄰居節(jié)點(diǎn)的重要性.記xi為節(jié)點(diǎn)vi的重要性度量值,則:其中c為一個(gè)比例常數(shù).記x=[x1,x2,x3,…xn]T,在經(jīng)過(guò)多次迭代運(yùn)算后達(dá)到穩(wěn)定狀態(tài)時(shí)，可以將其寫為以下的矩陣形式：x=cAx。其表示x是對(duì)應(yīng)矩陣A的特征值c-1的特征向量。計(jì)算向量x的基本方法是給出初始值x（0），然后使用下面的迭代算法:直到歸一化的x’(t)=x’（t-1）為止。EC為節(jié)點(diǎn)的復(fù)雜度，EC值越高表示節(jié)點(diǎn)信息越復(fù)雜，表征相關(guān)節(jié)點(diǎn)與其他節(jié)點(diǎn)鏈接的復(fù)雜性。具有極大EC值的節(jié)點(diǎn)往往正向思維邏輯思維的關(guān)鍵樞紐點(diǎn)，一般為思維線索的開(kāi)始。PageRank算法是在有向網(wǎng)絡(luò)中著名算法。由Google的創(chuàng)始人拉里•佩奇和謝爾蓋•布林于1998年在斯坦福大學(xué)提出這項(xiàng)技術(shù)[9]。簡(jiǎn)單來(lái)說(shuō)，就是在網(wǎng)絡(luò)中的節(jié)點(diǎn)相互鏈接之前，會(huì)提前給出網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)PageRank值（下文用PR值表示PageRank值）。物理意義上的PR值是指網(wǎng)絡(luò)中某一節(jié)點(diǎn)被其他節(jié)點(diǎn)鏈入的概率，數(shù)值通常為1/N，其中N表示此網(wǎng)絡(luò)中所有節(jié)點(diǎn)的數(shù)量。此外，所有節(jié)點(diǎn)的PR值之和一般為1[10]。以下（圖4）四個(gè)節(jié)點(diǎn)的鏈接為例，可以看做一個(gè)有向圖。這時(shí)節(jié)點(diǎn)A的PR值就可以表示為：在兼容種特色鏈接情況下，一個(gè)節(jié)點(diǎn)的PR值計(jì)算如下：公式中的Mpi指的是在此網(wǎng)絡(luò)中出鏈至pi節(jié)點(diǎn)的所有節(jié)點(diǎn)的集合，L(pj)指的是節(jié)點(diǎn)pj對(duì)其他節(jié)點(diǎn)的出鏈數(shù)目，N指的是此網(wǎng)絡(luò)中所有節(jié)點(diǎn)的數(shù)量，a通常情況下取0.85（a表示為節(jié)點(diǎn)i鏈接到隨機(jī)節(jié)點(diǎn)的概率）。我們可以依據(jù)上述的公式計(jì)算出每一個(gè)節(jié)點(diǎn)的PR值，最終的PR值需要在不斷迭代運(yùn)算后，當(dāng)運(yùn)算后的PR值趨于平穩(wěn)時(shí)才能夠得到。以（圖5）鏈接表為例： 該圖的出入鏈關(guān)系可以通過(guò)下文的矩陣公式來(lái)表示，當(dāng)Smn=0時(shí)，是指節(jié)點(diǎn)n沒(méi)有到節(jié)點(diǎn)m的出鏈：所有分量都是1的列向量為e,然后定義矩陣：PR值具體計(jì)算方法如下，其中Pn為第n次迭代運(yùn)算時(shí)各個(gè)節(jié)點(diǎn)PR值所組成的列向量：計(jì)算PR值的過(guò)程為馬爾科夫過(guò)程（Markov），即：P=APP是矩陣A中特征值為1所對(duì)應(yīng)的特征向量：所有分量都為1的列向量為e，P的所有分量之和為1：如果一個(gè)節(jié)點(diǎn)被很多其他節(jié)點(diǎn)鏈接到的話說(shuō)明這個(gè)節(jié)點(diǎn)比較重要，PageRank值會(huì)相對(duì)較高。如果一個(gè)PageRank值很高的節(jié)點(diǎn)鏈接到一個(gè)其他的節(jié)點(diǎn)，那么被鏈接到的節(jié)點(diǎn)的PageRank值會(huì)相應(yīng)地因此而提高[9]。PR值預(yù)示著節(jié)點(diǎn)的重要性，PR值越高意味鏈入節(jié)點(diǎn)（回溯鏈接）的數(shù)量多和重要性高。具有極大PR值的節(jié)點(diǎn)往往心理活動(dòng)的關(guān)鍵節(jié)點(diǎn)，往往思維回溯的關(guān)鍵點(diǎn)，或者一次心理活動(dòng)的終結(jié)點(diǎn)，通常也是內(nèi)容聚類的關(guān)鍵點(diǎn)。

3.基于內(nèi)容網(wǎng)絡(luò)的聚類分析一次心理活動(dòng)可以解釋為思維在內(nèi)容網(wǎng)絡(luò)上幾個(gè)節(jié)點(diǎn)間的遷移，節(jié)點(diǎn)所構(gòu)成的路徑鏈接即為思路。但心理活動(dòng)過(guò)程中的不同節(jié)點(diǎn)之間的關(guān)系并不僅限于時(shí)間順序，也呈現(xiàn)出一定的空間分布關(guān)系。節(jié)點(diǎn)鏈接表用于表達(dá)節(jié)點(diǎn)之間的時(shí)序性和關(guān)聯(lián)關(guān)系，而內(nèi)容網(wǎng)絡(luò)則在呈現(xiàn)語(yǔ)義內(nèi)容和主題轉(zhuǎn)換路徑的同時(shí)，更進(jìn)一步通過(guò)分析不同節(jié)點(diǎn)的主題聚類，探究思維活動(dòng)的內(nèi)容特征及遷移路徑。內(nèi)容網(wǎng)絡(luò)突破了僅僅依據(jù)時(shí)間序列對(duì)同一思維活動(dòng)分類的約束，其形成過(guò)程主要是基于聚類分析的結(jié)果[12]。將相同類別的內(nèi)容節(jié)點(diǎn)集聚成群，共同形成一個(gè)節(jié)點(diǎn)集群，這就是聚類的過(guò)程，節(jié)點(diǎn)間的鏈接關(guān)系不會(huì)因?yàn)榫垲惗淖儯皇请S著聚類的深入，會(huì)形成不同的節(jié)點(diǎn)集群，代表著其對(duì)應(yīng)主題的思維內(nèi)容。隨著主題集群的產(chǎn)生，完整的心智模型也隨之浮現(xiàn)出來(lái)。具體的運(yùn)算過(guò)程利用聚類分析中使用的CONCOR算法[11]，將鏈接矩陣中向量的相關(guān)系數(shù)進(jìn)行多次迭代運(yùn)算后得出收斂的相關(guān)系數(shù)，并使用最終得到的收斂相關(guān)系數(shù)對(duì)它們進(jìn)行分類。內(nèi)容網(wǎng)絡(luò)的集中式聚類分析是一種語(yǔ)義交叉分析方式，通過(guò)回溯式交叉分析再現(xiàn)鏈接矩陣中思維節(jié)點(diǎn)的鏈接路徑，挖掘節(jié)點(diǎn)間連續(xù)性、跳躍性的交叉信息，將抽象思維轉(zhuǎn)化為具象鏈接。此外，內(nèi)容網(wǎng)絡(luò)有助于探索思維節(jié)點(diǎn)演化路徑，對(duì)于任意的節(jié)點(diǎn)m和n，兩者之間的路徑P(m,n)可以描述為：Cmn代表節(jié)點(diǎn)m與節(jié)點(diǎn)n之間的最短演化路徑，即內(nèi)容網(wǎng)絡(luò)中從節(jié)點(diǎn)m通向節(jié)點(diǎn)n的最短鏈接數(shù)目。通過(guò)聚類思維節(jié)點(diǎn)以及回溯語(yǔ)義節(jié)點(diǎn)在內(nèi)容網(wǎng)絡(luò)中的演化路徑，可以篩選出思維遷移過(guò)程中的關(guān)鍵節(jié)點(diǎn)，有助于捕捉思維過(guò)程的主題變化。

四、實(shí)例研究

1.實(shí)驗(yàn)及數(shù)據(jù)處理該實(shí)驗(yàn)以手機(jī)端線上約車APP的設(shè)計(jì)為研究主題，實(shí)驗(yàn)對(duì)象由2名具有豐富工作經(jīng)驗(yàn)的研究人員與2名缺乏智能手機(jī)使用經(jīng)驗(yàn)的老年人構(gòu)成，實(shí)驗(yàn)中通過(guò)對(duì)手機(jī)端線上約車APP認(rèn)知水平的考察來(lái)探求老年人關(guān)于線上約車APP的心智模型，以此對(duì)用戶心智模型的建模和解析方法進(jìn)行實(shí)例驗(yàn)證研究。實(shí)驗(yàn)中訪談交流時(shí)間為1.5小時(shí)，主要流程如下：①使研究人員與老年用戶充分明確此次實(shí)驗(yàn)?zāi)繕?biāo)、時(shí)間限制、訪談內(nèi)容、實(shí)驗(yàn)步驟等；②研究人員針對(duì)目前的APP向老年人提出相應(yīng)問(wèn)題，與之交流并探討完成軟件操作的過(guò)程；③研究人員根據(jù)老年用戶交流與反饋，深入分析用戶潛在需求，并提出設(shè)計(jì)方案；④實(shí)驗(yàn)團(tuán)隊(duì)完善并總結(jié)設(shè)計(jì)方案，直至完成最終設(shè)計(jì)方案。在實(shí)驗(yàn)中，設(shè)計(jì)思路及其流程以圖文形式來(lái)交流和表達(dá)，語(yǔ)音交流數(shù)據(jù)以錄音的形式記錄保存。用文本形式再現(xiàn)語(yǔ)音交流信息，重新梳理并轉(zhuǎn)換為文本數(shù)據(jù)，提取與此次實(shí)驗(yàn)任務(wù)相關(guān)的語(yǔ)言數(shù)據(jù)，使用口語(yǔ)分析法對(duì)語(yǔ)言數(shù)據(jù)進(jìn)行斷句、無(wú)用信息清理和關(guān)鍵詞篩選，最后進(jìn)行編碼工作，共計(jì)獲得81句可用文本，記錄為81個(gè)思維節(jié)點(diǎn)，數(shù)據(jù)匯總?cè)绫?所示。表中A、B分別代表每個(gè)節(jié)點(diǎn)所對(duì)應(yīng)的老年人實(shí)驗(yàn)對(duì)象，鏈接欄標(biāo)記出每個(gè)節(jié)點(diǎn)所鏈接到的其他所有節(jié)點(diǎn)，以標(biāo)識(shí)其鏈接狀態(tài)。表1實(shí)驗(yàn)數(shù)據(jù)編碼結(jié)果

2.設(shè)計(jì)認(rèn)知斂散性分析將表1中的節(jié)點(diǎn)鏈接數(shù)據(jù)用更加可視化的方式表達(dá)出來(lái)，量化為可計(jì)算的鏈接矩陣，如下所示：將整個(gè)思維節(jié)點(diǎn)的持續(xù)過(guò)程分為三個(gè)階段（圖7），所有節(jié)點(diǎn)按縱向和橫向排列，縱向作為參考方向，鏈接分為前連接和后鏈接，對(duì)角線下方為前鏈接區(qū)域，思維具有收斂性，標(biāo)記為F區(qū)；對(duì)角線上方為后鏈接區(qū)域，思維具有發(fā)散性，標(biāo)記為B區(qū)；節(jié)點(diǎn)之間的鏈接與否用“0”和“1”表示，體現(xiàn)在網(wǎng)格中，有鏈接為黑色圓點(diǎn)標(biāo)注，無(wú)鏈接為空白。鏈接又分為長(zhǎng)鏈接和短鏈接，距離對(duì)角線較近的為短鏈接，反之，距離對(duì)角線較遠(yuǎn)的為長(zhǎng)鏈接，短鏈接相比長(zhǎng)鏈接更具活躍性。節(jié)點(diǎn)N1-N29為設(shè)計(jì)溝通的開(kāi)展階段，節(jié)點(diǎn)之間的短鏈接明顯多于長(zhǎng)鏈接，表示這一階段思維更為活躍、更具新穎性，第一階段后期，前鏈接多于后鏈接，說(shuō)明思維活動(dòng)趨于收斂；節(jié)點(diǎn)N30-N59是設(shè)計(jì)溝通的中期階段，該階段的鏈接特征與第一階段趨同，部分節(jié)點(diǎn)呈現(xiàn)出與第一階段節(jié)點(diǎn)相關(guān)的長(zhǎng)鏈接；節(jié)點(diǎn)N60-N81這一階段為設(shè)計(jì)溝通末期，該階段與之前階段的長(zhǎng)鏈接明顯增多，說(shuō)明這一階段的思維活動(dòng)更加成熟穩(wěn)定。

3.關(guān)鍵節(jié)點(diǎn)的識(shí)別在對(duì)語(yǔ)言數(shù)據(jù)分解的基礎(chǔ)之上，結(jié)合PR值來(lái)分析心智模型節(jié)點(diǎn)的重要程度。節(jié)點(diǎn)PR值變化情況如（圖11）所示。從圖中可以看出，初始階段的PR值波動(dòng)較為明顯，節(jié)點(diǎn)N3的PR值最小，為0.004；節(jié)點(diǎn)N5的PR值最大，為0.026，變化幅度比較大，表面這一階段思維活動(dòng)較為活躍，用戶的心理活動(dòng)呈現(xiàn)出無(wú)序的狀態(tài)，說(shuō)明思維活動(dòng)較為不確定；而到了中期階段，PR值位于中等水平，波動(dòng)較為平穩(wěn)，而末期新概念產(chǎn)出較少，此時(shí)不僅PR值的波動(dòng)幅度比較小，并且節(jié)點(diǎn)的PR值也相對(duì)較小。以PR值最高點(diǎn)的N5為例，該節(jié)點(diǎn)鏈接在鏈接表整體分布圖中具有長(zhǎng)鏈接和后鏈接的特征，屬于設(shè)計(jì)認(rèn)知復(fù)雜度比較大的階段，說(shuō)明其對(duì)后續(xù)概念的產(chǎn)出具有啟發(fā)和引導(dǎo)作用。回顧文本數(shù)據(jù)可知，N5總結(jié)了上述關(guān)于降低網(wǎng)約車APP操作難度的討論結(jié)果，并引導(dǎo)從操作方式的角度思考，給出了兩種可行度較高的操作方式。N29引入了對(duì)APP操作方式的思考，但后續(xù)并未能深化，所以其PR值局部較高但整體上看并不那么明顯。N51是局部區(qū)域當(dāng)中一個(gè)比較重要的節(jié)點(diǎn)，它是局部區(qū)域中PR值的極大值，提出了一個(gè)承前啟后的“APP軟件透明收費(fèi)”的新概念；而N45“考慮安全保障問(wèn)題“的概念節(jié)點(diǎn)，也是PR值局部變化的極值點(diǎn)，雖然其無(wú)前鏈接是一個(gè)新概念點(diǎn)，但它促進(jìn)了后續(xù)概念的產(chǎn)生，并呈現(xiàn)局部創(chuàng)新的演化特征。表2為各個(gè)節(jié)點(diǎn)PR值和特征向量中心度統(tǒng)計(jì)表。其中如果一個(gè)節(jié)點(diǎn)的PR值較高，說(shuō)明它被很多其他節(jié)點(diǎn)鏈接并且鏈入節(jié)點(diǎn)比較重要。也就是如果一個(gè)PR值很高的節(jié)點(diǎn)鏈接到另一個(gè)節(jié)點(diǎn)，那么被鏈接到的節(jié)點(diǎn)的PR值會(huì)相應(yīng)地提高。EC值（特征向量中心度）表示一個(gè)節(jié)點(diǎn)的中心程度，其取決于與該節(jié)點(diǎn)所有相關(guān)節(jié)點(diǎn)的數(shù)量以及質(zhì)量。

五、結(jié)論

對(duì)用戶復(fù)雜心理活動(dòng)的求解過(guò)程，是對(duì)用戶語(yǔ)言內(nèi)容、思維方式以及表達(dá)形式的綜合性研究過(guò)程。本文在口語(yǔ)實(shí)驗(yàn)的基礎(chǔ)上，對(duì)語(yǔ)言數(shù)據(jù)進(jìn)行分解與重構(gòu)，將自然狀態(tài)的語(yǔ)言數(shù)據(jù)轉(zhuǎn)化為可計(jì)算的結(jié)構(gòu)化數(shù)據(jù)。將這些數(shù)據(jù)建立數(shù)據(jù)矩陣，隨后進(jìn)行過(guò)程鏈接并形成內(nèi)容網(wǎng)絡(luò)，最后生成多維心智模型，從時(shí)序性、關(guān)聯(lián)性和空間分布關(guān)系角度來(lái)探究用戶心理活動(dòng)過(guò)程中不同節(jié)點(diǎn)之間的關(guān)系，將心理活動(dòng)過(guò)程的復(fù)雜特性轉(zhuǎn)化為可評(píng)估的量化指標(biāo)，挖掘最有價(jià)值的設(shè)計(jì)方向，為基于自然語(yǔ)言探究用戶心理活動(dòng)、心智模型提供普適性方法，為設(shè)計(jì)研究提供更有參考價(jià)值的研究方法。后續(xù)工作中還將進(jìn)一步就如何利用人工智能自然語(yǔ)言處理技術(shù)提高研究效率進(jìn)行探索，并且找尋更高效的自然語(yǔ)言分析方法，為解析用戶心智模型問(wèn)題提供參考方向。

作者：姜霖 單位：南京理工大學(xué)