在數字時代，資訊的傳(chuan) 播和互動主要是通過各種軟件的用戶界麵進行。用戶滿意度是迭代優(you) 化軟件界麵設計的重要參考。

如何更好地測量用戶滿意度？

越來越多的用戶體(ti) 驗研究開始探索從(cong) 傳(chuan) 統主觀評價(jia) 到更加全麵客觀的評估方法的轉變。

本文介紹來自南京理工大學和深圳科技大學的研究團隊的最新研究成果，了解他們(men) 如何將麵部識別技術與(yu) PSO-BP神經網絡相結合，構建出一個(ge) 綜合的用戶滿意度測量模型，從(cong) 而擴大用戶界麵滿意度評估方法的範圍，增強測量的客觀性及傳(chuan) 統評估技術的效率（Li et al., 2024）。

如何評估用戶滿意度？

用戶滿意度的概念最早是由美國學者R.N. Cardozo於(yu) 1965年提出的，指客戶在獲得商品和服務時達到或超過預期的心理狀態。增強的用戶滿意度與(yu) 改善的用戶體(ti) 驗相關(guan) 。在數字時代，資訊的傳(chuan) 播和互動主要是通過各種軟件的用戶界麵進行，因此，用戶從(cong) 界麵中獲得的滿意度在信息交互過程中起著至關(guan) 重要的作用，是優(you) 化和完善軟件及相關(guan) 產(chan) 品的關(guan) 鍵因素。

用戶界麵滿意度的評估方法多種多樣，多以主觀評價(jia) 為(wei) 主，包括德爾菲法、問卷調查、訪談調查和有聲思維法等。這些收集用戶主觀和經驗數據的方法是用戶滿意度評估的基礎。然而，依賴主觀評價(jia) 可能會(hui) 產(chan) 生準確性與(yu) 客觀性不足的問題。

一些研究開始通過結合客觀的行為(wei) 分析、生理測量以及計算機算法的方法來輔助主觀評價(jia) 。利用可用性測試的基礎，客觀行為(wei) 分析已經成為(wei) 評估軟件界麵滿意度的流行方法。腦電測量、眼動追蹤和麵部識別技術也廣泛用於(yu) 評估界麵滿意度。而隨著計算機算法的快速發展，基於(yu) PSO-BP神經網絡的用戶滿意度的預測模型開始逐漸被應用於(yu) 用戶界麵研究。神經網絡算法能夠很好地處理用戶滿意度中涉及的多種因素（如用戶行為(wei) 、情感反應和操作效率）之間複雜的非線性關(guan) 係，獲得準確和穩定的預測模型。

利用麵部識別技術評估用戶滿意度

過往研究中，用戶滿意度的實驗研究中獲取的生理數據主要以腦電和眼動為(wei) 主，這往往需要專(zhuan) 業(ye) 的人員來設計並實施實驗。例如對於(yu) 腦電采集來說，實驗過程複雜耗時，對被試選擇標準也很嚴(yan) 格，這就降低了研究效率；對於(yu) 眼動追蹤來說，其數據主要反映視覺特征和審美偏好，無法直接反應情緒與(yu) 感受，所以相關(guan) 研究通常以眼動數據來證實軟件界麵的可用性，後探究可用性和滿意度之間關(guan) 係，從(cong) 而得出界麵滿意度評估，而這也導致研究重點偏離了界麵滿意度評估。此外，采集這些數據時一般需要使用專(zhuan) 業(ye) 的、昂貴的設備如腦電設備和眼動儀(yi) ，這大大增加了實驗成本。

相比之下，麵部表情識別技術作為(wei) 一種非接觸式的測量方法用於(yu) 用戶滿意度研究，能更加簡潔、快捷地獲得同樣客觀的數據。麵部表情直接反映了用戶的情緒狀態，且與(yu) 滿意度密切相關(guan) ，這使得麵部表情識別和分析技術在評估滿意度方麵具有實用性和價(jia) 值。此外，收集麵部表情數據更直接，成本更低，通常隻需要一個(ge) 標準的相機來捕捉麵部表情，即可完成數據采集。這將大大降低實驗成本，提高實驗效率。

總的來說，目前評價(jia) 用戶滿意度的方法主要依靠主觀評價(jia) ，偶爾有客觀指標支持，但這些方法缺乏效率和準確性。因此，本研究團隊旨在提出並驗證一種測量用戶滿意度的新方法，即利用麵部識別技術與(yu) PSO-BP神經網絡模型來預測用戶滿意度。

構建預測模型並驗證

研究采用實驗觀察的方法，選擇國內(nei) 教育領域流行的兩(liang) 款筆記軟件：Notability和Goodnotes，觀察被試操作時的行為(wei) 並評估其滿意度。參與(yu) 實驗被試共42名，隨機分為(wei) A、B兩(liang) 組，分別進行兩(liang) 組實驗（圖1）：

圖1

（1） A組被試使用Notability根據提示完成四項任務（圖2）：用橙色的圓點筆畫一個(ge) 心、插入一張圖片並等比調整大小放入框中、使用橡皮擦工具擦除紫線、將手寫(xie) 筆記改為(wei) 黑色並調整大小放入框中。過程中測量其麵部表情強度、任務完成時間、任務成功率和操作流程。任務完成後，被試進行從(cong) 1-10的主觀滿意度評分。利用客觀數據作為(wei) 輸入，主觀評分作為(wei) 輸出，構建基於(yu) PSO-BP神經網絡的用戶滿意度預測模型；

（2） B組被試使用Goodnotes完成與(yu) A組同樣的四項任務並采集數據。使用相關(guan) 數據驗證模型的有效性和準確性。

圖2

本研究使用諾達思的麵部表情分析係統（FaceReader）進行麵部表情追蹤與(yu) 分析。FaceReader的麵部表情識別平均準確率為(wei) 99%，在消費者行為(wei) 和心理學研究等領域被廣泛使用。研究中使用攝像頭捕捉用戶在軟件交互過程中的麵部反應，後在FaceReader中進行分析（圖3）。軟件采用保羅·艾克曼的麵部動作編碼係統（FACS），將表情分為(wei) 六種基本類型：喜悅、悲傷(shang) 、憤怒、驚訝、恐懼和厭惡以及中性狀態，並根據即時觀捕捉到的麵部特征為(wei) 每種情緒分配相應的強度值。

圖3

在模型構建階段，將用戶的主觀滿意度得分與(yu) 預測結果進行比較，對模型進行調整。隨後，在模型驗證階段，將這些分數與(yu) 模型的預測結果進行比較，以評估模型的準確性。

評估用戶界麵滿意度的新方向

結果顯示（圖4），預測Goodnotes中四個(ge) 功能任務的滿意度時，平均預測誤差為(wei) 13.74%，預測準確率高達86.26%。這表明利用麵部表情識別技術與(yu) PSO-BP神經網絡構建的用戶滿意度預測模型具有較高的準確性和可靠性，是預測用戶滿意度的有效方法。

圖4 四項任務中預測模型與(yu) 實際用戶滿意度的比較

長期以來，界麵滿意度的評估和測量一直是軟件優(you) 化和升級的關(guan) 鍵指標。目前，滿意度評估主要依靠主觀評價(jia) ，有時輔以客觀方法。然而，主觀方法往往缺乏客觀性，而客觀方法則麵臨(lin) 效率問題。本研究提出並驗證了一種評估用戶界麵滿意度的預測模型，這有助於(yu) 拓展用戶界麵滿意度評估方法的範圍，對軟件界麵可用性評估和優(you) 化設計具有實際意義(yi) 。

將麵部識別技術與(yu) PSO-BP神經網絡相結合的測量方法既客觀又精確，且相較於(yu) 其他客觀測量方法，具有更高的效率，可以很容易地應用於(yu) 一般的軟件滿意度評估，為(wei) 軟件接口設計、優(you) 化和升級提供有價(jia) 值的數據和指導，繼續推動該領域的可用性研究。未來研究可以考慮將更多的軟件類型作為(wei) 實驗材料，以及增加樣本的多樣性，以進行更廣泛的用戶滿意度分析，進一步增強模型的預測能力，最終建立適用性更廣、精度更高的滿意度預測模型。

參考文獻

Li, Q., Zheng, B., Wu, T., Li, Y., & Hao, P. (2024). A Method for Evaluating User Interface Satisfaction Using Facial Recognition Technology and a PSO-BP Neural Network. Applied Sciences, 14(13), 5649.

關(guan) 注諾達思公眾(zhong) 號，聯係我們(men) 獲取更多產(chan) 品信息及學術文章！