顏 波， 褚學(xué)寧, 張 磊

(上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院， 上海 200240)

用戶(hù)感知是用戶(hù)使用產(chǎn)品過(guò)程中產(chǎn)生的特有體驗(yàn)，用戶(hù)通常會(huì)用舒適、喜歡、滿(mǎn)意等意象形容詞來(lái)描述對(duì)產(chǎn)品使用的感受和體會(huì)[1].如果設(shè)計(jì)師能夠?qū)τ脩?hù)感知的影響因素及其相互關(guān)系有深入的理解，將有助于設(shè)計(jì)出更符合用戶(hù)需求和體驗(yàn)更好的產(chǎn)品.用戶(hù)感知屬于心理學(xué)范疇，難以準(zhǔn)確直接測(cè)量，但可以通過(guò)多個(gè)測(cè)量指標(biāo)間接量化研究[1].過(guò)去有關(guān)用戶(hù)感知方面的研究主要是應(yīng)用Logistic和Probit等回歸分析方法[2-3]，關(guān)聯(lián)規(guī)則分析和聚類(lèi)分析等數(shù)據(jù)挖掘方法[4-5]，以及支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)(ANN)等網(wǎng)絡(luò)建模方法[6-7]來(lái)建立單一用戶(hù)感知與測(cè)量指標(biāo)之間的影響關(guān)系模型.但是，這些方法無(wú)法描述用戶(hù)多個(gè)感知之間的因果關(guān)系和影響路徑.

結(jié)構(gòu)方程模型(SEM)能同時(shí)處理多個(gè)因變量，容許自變量和因變量都含有測(cè)量誤差，特別適合社會(huì)學(xué)、心理學(xué)研究中涉及到的不能準(zhǔn)確、直接測(cè)量的多個(gè)變量之間影響關(guān)系的分析問(wèn)題，因此利用SEM不僅可以獲得用戶(hù)感知的主要測(cè)量指標(biāo)，而且可以獲得用戶(hù)多個(gè)感知之間的因果關(guān)系和影響路徑.孫逸文等[8]以手機(jī)為案例研究了功能疲勞對(duì)用戶(hù)資產(chǎn)的影響，利用SEM建立了用戶(hù)期望、感知、功能疲勞、滿(mǎn)意度和購(gòu)買(mǎi)意愿之間因果關(guān)系的路徑模型.Xiong等[9]利用SEM探討了項(xiàng)目參與者的表現(xiàn)如何影響承包商的項(xiàng)目滿(mǎn)意度，建立了用戶(hù)的目標(biāo)明確性、施工風(fēng)險(xiǎn)管理以及相互尊重和信任等對(duì)滿(mǎn)意度影響的路徑模型.Ghosh等[10]運(yùn)用SEM將用戶(hù)多個(gè)感知及其相互關(guān)系映射到網(wǎng)絡(luò)中形成因果模型，以休閑鞋用戶(hù)感知建模為例進(jìn)行了驗(yàn)證.雖然SEM方法在許多領(lǐng)域得到了廣泛應(yīng)用，但其變量之間線性關(guān)系的假設(shè)也制約了其應(yīng)用的深度.用戶(hù)感知是一種主觀感受和心理狀態(tài)的變化過(guò)程[1]，國(guó)內(nèi)外研究表明，產(chǎn)品質(zhì)量特性和用戶(hù)滿(mǎn)意度之間存在著非線性關(guān)系[11-12].近些年一些學(xué)者在SEM中加入變量的二次項(xiàng)和交互項(xiàng)來(lái)表達(dá)變量之間的非線性[13-14]，但模型過(guò)于復(fù)雜，參數(shù)估計(jì)困難、計(jì)算量大、穩(wěn)定性差，實(shí)際中難以應(yīng)用.

人工神經(jīng)網(wǎng)絡(luò)模型不僅可以表達(dá)變量之間的非線性關(guān)系，而且具有自學(xué)習(xí)能力，能夠自動(dòng)調(diào)節(jié)網(wǎng)絡(luò)節(jié)點(diǎn)間的連接權(quán)重來(lái)擬合變量間的關(guān)系，但其拓?fù)浣Y(jié)構(gòu)主要是根據(jù)經(jīng)驗(yàn)來(lái)確定，并且神經(jīng)元之間往往采用全連接，模型對(duì)輸入輸出變量及神經(jīng)元之間的影響路徑和影響程度缺乏解釋.如果將ANN與SEM相結(jié)合，用SEM確定用戶(hù)感知之間的因果關(guān)系，并轉(zhuǎn)換為ANN模型的拓?fù)浣Y(jié)構(gòu)，再利用ANN模型的非線性映射能力和自學(xué)習(xí)能力來(lái)擬合多個(gè)感知之間的因果關(guān)系，既解決了SEM的線性和參數(shù)難以估計(jì)問(wèn)題，也使得ANN模型拓?fù)浣Y(jié)構(gòu)的建立變得有據(jù)可依.為此，本文提出了一種SEM與ANN相結(jié)合的用戶(hù)感知建模方法.SEM-ANN模型是一種結(jié)構(gòu)化的神經(jīng)網(wǎng)絡(luò)模型，不僅能夠解釋各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)之間的因果關(guān)系和影響程度，而且利用神經(jīng)網(wǎng)絡(luò)的非線性擬合能力提高了用戶(hù)感知模型的擬合優(yōu)度，能更加準(zhǔn)確定量地表達(dá)用戶(hù)感知之間的相互關(guān)系和影響用戶(hù)感知的因素.

圖1 SEM和ANN結(jié)合的用戶(hù)感知建模過(guò)程Fig.1 The process of user perception modeling based on SEM and ANN

1 用戶(hù)感知模型

圖1所示為SEM和ANN結(jié)合的用戶(hù)感知建模過(guò)程.圖中：包括基于SEM的用戶(hù)感知建模和基于SEM-ANN的用戶(hù)感知建模2個(gè)階段：

(1) 首先，根據(jù)過(guò)去對(duì)用戶(hù)感知的研究以及工程師和設(shè)計(jì)師的經(jīng)驗(yàn)，提出用戶(hù)感知模型的假設(shè)，包括用戶(hù)多個(gè)感知之間的相互關(guān)系以及每個(gè)用戶(hù)感知的測(cè)量指標(biāo)；然后，根據(jù)用戶(hù)感知的測(cè)量指標(biāo)設(shè)計(jì)調(diào)查問(wèn)卷，如通過(guò)多個(gè)問(wèn)卷項(xiàng)量化用戶(hù)對(duì)舒適性的感知，收集處理問(wèn)卷信息；最后，使用SEM作為參數(shù)估計(jì)和假設(shè)檢驗(yàn)技術(shù)，得到用戶(hù)多個(gè)感知之間的影響路徑以及影響每個(gè)用戶(hù)感知的主要測(cè)量指標(biāo).

(2) 首先，根據(jù)影響用戶(hù)感知的主要測(cè)量指標(biāo)和影響路徑構(gòu)建ANN模型的拓?fù)浣Y(jié)構(gòu)，建立結(jié)構(gòu)化的人工神經(jīng)網(wǎng)絡(luò)模型；然后，采用BP(Back Propagation)算法訓(xùn)練模型中各網(wǎng)絡(luò)節(jié)點(diǎn)間的連接權(quán)重，實(shí)現(xiàn)了用戶(hù)感知建模；最后，利用方均根誤差(RMSE)和判定系數(shù)(R2)評(píng)價(jià)模型的性能.

2 基于SEM的用戶(hù)感知模型

本文首先根據(jù)SEM得到影響用戶(hù)感知的主要因素和用戶(hù)感知之間的相互關(guān)系.以智能手機(jī)為例，根據(jù)技術(shù)接受模型(TAM)[15]以及工程師和設(shè)計(jì)師的經(jīng)驗(yàn)提出用戶(hù)感知模型的假設(shè)，如圖2所示.該模型因具體產(chǎn)品和使用場(chǎng)景的不同而不同.外源潛在變量和內(nèi)生潛在變量代表關(guān)于用戶(hù)感知的心理結(jié)構(gòu)，潛在變量一般不能直接測(cè)量得到，需要通過(guò)一個(gè)或多個(gè)測(cè)量變量間接量化.

圖2 智能手機(jī)用戶(hù)感知模型的假設(shè)Fig.2 The hypothetical of smartphone user perception model

SEM由測(cè)量模型和結(jié)構(gòu)模型2部分組成，利用SEM能夠?qū)y(cè)量指標(biāo)與用戶(hù)感知以及用戶(hù)感知之間的相互關(guān)系聯(lián)系起來(lái).測(cè)量模型描述是用戶(hù)感知和測(cè)量指標(biāo)之間的關(guān)系，利用驗(yàn)證性因子分析(CFA)可以檢驗(yàn)用戶(hù)感知和各測(cè)量指標(biāo)關(guān)系的密切程度，通過(guò)對(duì)因子載荷大小的考量和顯著性檢驗(yàn)可以為測(cè)量指標(biāo)的刪除提供依據(jù)，減輕結(jié)構(gòu)模型建模階段的工作量.結(jié)構(gòu)模型顯示了用戶(hù)多個(gè)感知之間的因果關(guān)系，在產(chǎn)品設(shè)計(jì)中，用戶(hù)感知可以在用戶(hù)需求中形成，或者代表設(shè)計(jì)師感興趣的用戶(hù)心理結(jié)構(gòu)，用戶(hù)感知之間的關(guān)系通常由設(shè)計(jì)師定義，需要不斷迭代修改，對(duì)提出的多個(gè)模型進(jìn)行測(cè)試直到收斂到一個(gè)最佳模型為止.因此在SEM-ANN模型中，利用SEM來(lái)檢驗(yàn)設(shè)計(jì)師提出的關(guān)于用戶(hù)感知之間相互關(guān)系的假設(shè)，得到影響用戶(hù)的感知的主要測(cè)量指標(biāo)和影響路徑，以此作為構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)的依據(jù).

3 基于SEM-ANN的用戶(hù)感知模型

目前人工神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)主要是根據(jù)經(jīng)驗(yàn)來(lái)確定，并且神經(jīng)元之間往往采用全連接，這種模型對(duì)輸入輸出變量之間的影響路徑和影響程度缺乏解釋.本文將SEM結(jié)構(gòu)作為神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計(jì)依據(jù)，其中，根據(jù)SEM中潛在變量的個(gè)數(shù)及相互關(guān)系確定隱含層神經(jīng)元的個(gè)數(shù)及隱含層層數(shù)；測(cè)量變量和潛在變量的關(guān)系以及潛在變量之間的影響路徑則對(duì)應(yīng)神經(jīng)元之間的連接方式.因此，這種結(jié)構(gòu)化的神經(jīng)網(wǎng)絡(luò)模型能夠解釋輸入輸出變量及神經(jīng)元之間的影響路徑和影響程度.

3.1 SEM-ANN用戶(hù)感知模型的拓?fù)浣Y(jié)構(gòu)

SEM-ANN模型神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由SEM因果分析的結(jié)果確定，如圖3所示.與傳統(tǒng)的ANN模型不同，通過(guò)SEM-ANN模型可以清楚地分析輸入變量對(duì)輸出變量的影響路徑和影響程度.輸入節(jié)點(diǎn)的個(gè)數(shù)由外源測(cè)量變量的個(gè)數(shù)確定，假定存在I個(gè)外源測(cè)量變量，用xi表示外源測(cè)量變量的輸入(i=1，2，…，I).隱含層層數(shù)和隱含層神經(jīng)元個(gè)數(shù)由外源潛在變量和內(nèi)生潛在變量的個(gè)數(shù)確定，假定存在B個(gè)外源潛在變量和N個(gè)內(nèi)生潛在變量，分別用ξb(b=1，2，…，B)和ηn(n=1，2，…，N)表示.輸出神經(jīng)元的個(gè)數(shù)由內(nèi)生測(cè)量變量的個(gè)數(shù)確定，假定存在O個(gè)內(nèi)生測(cè)量變量，用yo表示內(nèi)生測(cè)量變量的輸出(o=1，2，…，O).網(wǎng)絡(luò)之間的連接方式根據(jù)測(cè)量變量與潛在變量以及潛在變量之間的相互作用關(guān)系連接而成，各網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接權(quán)重與SEM中的因子載荷和路徑系數(shù)相對(duì)應(yīng)，根據(jù)神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)確定輸入層網(wǎng)絡(luò)節(jié)點(diǎn)和隱含層神經(jīng)元節(jié)點(diǎn)之間的連接權(quán)重為B×I維向量，定義為Win；隱含層神經(jīng)元節(jié)點(diǎn)之間的連接權(quán)重為N×(B+N)維向量，定義為Whidden；隱含層神經(jīng)元節(jié)點(diǎn)與輸出層神經(jīng)元節(jié)點(diǎn)之間的連接權(quán)重為O×N維向量，定義為Wout.神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元都包含一個(gè)非線性的激活函數(shù)，本文設(shè)定所有神經(jīng)元的激活函數(shù)均為Sigmoid函數(shù).

圖3 基于SEM的人工神經(jīng)網(wǎng)絡(luò)模型Fig.3 The artificial neural network model based on SEM

3.2 SEM-ANN用戶(hù)感知模型訓(xùn)練

假定輸入的樣本X=[X1X2…Xp]，每一個(gè)樣本所對(duì)應(yīng)的輸入為外源測(cè)量變量的取值Xp=[xp1xp2…xpI](p=1，2，…，P)，期望輸出為內(nèi)生測(cè)量變量的實(shí)際取值Dp=[dp1dp2…dpo].對(duì)輸入和期望輸出向量進(jìn)行標(biāo)準(zhǔn)化處理，對(duì)Win、Whidden和Wout進(jìn)行權(quán)重初始化后，利用BP算法訓(xùn)練模型中各網(wǎng)絡(luò)節(jié)點(diǎn)間的連接權(quán)重.BP算法分2個(gè)階段執(zhí)行：

(1) 正向傳遞階段.輸入信息從輸入層經(jīng)隱含層逐層計(jì)算各網(wǎng)絡(luò)節(jié)點(diǎn)的輸出值，最終得到模型的輸出為Yp=[yp1yp2…ypo].

(2) 反向傳播階段.根據(jù)模型輸出與期望輸出計(jì)算總的輸出誤差，輸出誤差逐層向前傳播算出各隱含層神經(jīng)元的誤差，運(yùn)用Delta學(xué)習(xí)規(guī)則不斷調(diào)節(jié)網(wǎng)絡(luò)的連接權(quán)重，從而實(shí)現(xiàn)網(wǎng)絡(luò)誤差的最小化.

3.3 SEM-ANN用戶(hù)感知模型評(píng)價(jià)

為了定量地說(shuō)明SEM-ANN用戶(hù)感知模型的有效性，隨機(jī)選擇原始樣本的80%作為訓(xùn)練數(shù)據(jù)，20%作為測(cè)試數(shù)據(jù)，使用訓(xùn)練數(shù)據(jù)訓(xùn)練得到模型中各網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接權(quán)重，然后利用測(cè)試數(shù)據(jù)評(píng)價(jià)模型的性能.本文選用2種性能評(píng)價(jià)指標(biāo)，方均根誤差RMSE和判定系數(shù)R2，RMSE越接近于0表示模型的預(yù)測(cè)精度越高，R2越趨近于1表示模型的擬合程度越好，計(jì)算公式分別為

(1)

(2)

(3)

4 案例研究

4.1 實(shí)驗(yàn)方案和數(shù)據(jù)收集

智能手機(jī)發(fā)展迅速，作為最具代表性的人機(jī)交互式產(chǎn)品，更加重視用戶(hù)的使用體驗(yàn)和感受，因此本文采用手機(jī)作為案例研究對(duì)象來(lái)證明所提出方法的有效性.在本案例研究中，所考慮的用戶(hù)感知包括設(shè)計(jì)和品牌吸引力、用戶(hù)對(duì)流暢性的感知、對(duì)續(xù)航的感知、對(duì)功能的感知、用戶(hù)使用體驗(yàn)以及滿(mǎn)意度，用戶(hù)感知之間的假設(shè)關(guān)系已經(jīng)在第2節(jié)中給出.該研究中問(wèn)卷調(diào)查使用問(wèn)卷星平臺(tái)(https://www.wjx.cn/jq/15616784.aspx)完成，每個(gè)用戶(hù)感知測(cè)量指標(biāo)的問(wèn)卷選項(xiàng)采用Likert 7級(jí)量表的形式，選項(xiàng) 1～7分別代表非常不同意～非常同意，選項(xiàng)題目設(shè)置力求言簡(jiǎn)意賅、語(yǔ)義清晰、內(nèi)容完備.為了獲取實(shí)驗(yàn)用戶(hù)，主要在校園內(nèi)發(fā)放問(wèn)卷，同時(shí)也在微信、QQ等社交網(wǎng)絡(luò)上發(fā)布問(wèn)卷以獲取校園之外更多的用戶(hù)，最終共收集到了182份問(wèn)卷，有效問(wèn)卷168份.本文中SEM的計(jì)算使用SPSS-Amos21軟件完成，SEM-ANN模型的訓(xùn)練使用Python3.6語(yǔ)言編寫(xiě)完成.

4.2 基于SEM的用戶(hù)感知模型分析

4.2.1用戶(hù)感知的測(cè)量模型分析 SEM檢驗(yàn)的前提是輸入數(shù)據(jù)服從正態(tài)分布，將不滿(mǎn)足條件的調(diào)查問(wèn)卷數(shù)據(jù)使用Box-Cox變換技術(shù)轉(zhuǎn)化為正態(tài)分布后，建立測(cè)量模型對(duì)用戶(hù)感知的影響因素進(jìn)行CFA檢驗(yàn).從模型中剔除因子載荷較小且沒(méi)有通過(guò)顯著性檢驗(yàn)的測(cè)量指標(biāo)，再次對(duì)模型進(jìn)行CFA檢驗(yàn)，當(dāng)所有測(cè)量指標(biāo)都是顯著的且因子載荷大致良好時(shí)進(jìn)行結(jié)構(gòu)模型分析.

4.2.2用戶(hù)感知的結(jié)構(gòu)模型分析 利用測(cè)量模型分析了測(cè)量指標(biāo)與用戶(hù)感知的關(guān)系后，緊接著利用結(jié)構(gòu)模型分析用戶(hù)感知之間的相互關(guān)系.基于SEM的用戶(hù)感知模型最終的擬合結(jié)果如圖4所示.圖中：i1～i22為相應(yīng)用戶(hù)感知的具體測(cè)量指標(biāo)，設(shè)計(jì)和品牌吸引力的測(cè)量指標(biāo)i4因未通過(guò)測(cè)量模型分析而被剔除；e1～e22為測(cè)量模型的誤差項(xiàng)；e01～e02為結(jié)構(gòu)模型的殘差項(xiàng).

本文首先根據(jù)模型可以得到臨界比(CR)值，然后算出CR值所對(duì)應(yīng)的顯著性概率P值.如果P<0.05，則表示影響關(guān)系是顯著的.用戶(hù)感知之間標(biāo)準(zhǔn)化的路徑系數(shù)值如表1所示.常用的模型擬合指數(shù)擬合值如表2所示.

圖4 基于SEM的用戶(hù)感知模型的擬合結(jié)果Fig.4 The fitting results of user perception model based on SEM

表1 用戶(hù)感知之間標(biāo)準(zhǔn)化的路徑系數(shù)值
Tab.1 The standardized path coefficients between user perceptions

影響路徑參數(shù)估計(jì)值CRP用戶(hù)使用體驗(yàn)←用戶(hù)對(duì)流暢性的感知0.5145.281<0.001用戶(hù)使用體驗(yàn)←用戶(hù)對(duì)續(xù)航的感知0.3903.805<0.001用戶(hù)使用體驗(yàn)←用戶(hù)對(duì)功能的感知0.2242.557 0.011用戶(hù)滿(mǎn)意度 ←用戶(hù)使用體驗(yàn)0.6528.105<0.001用戶(hù)滿(mǎn)意度 ←設(shè)計(jì)和品牌吸引力0.5035.631<0.001

表2 基于SEM的用戶(hù)感知模型的擬合指數(shù)Tab.2 The fit index of user perception model based on SEM

由表1和2可知，首先用戶(hù)感知之間的關(guān)系都是顯著的，然后檢驗(yàn)?zāi)Ｐ偷恼w擬合指數(shù)、絕對(duì)擬合指數(shù)和λ2/df=1.090<2，并且接近于1，說(shuō)明樣本協(xié)方差矩陣和估計(jì)的協(xié)方差矩陣相似程度很大，RMSEA=0.023<0.05，GFI=0.901>0.9，符合標(biāo)準(zhǔn)；相對(duì)擬合指數(shù)IFI=0.986>0.9，CFI=0.986>0.9，符合標(biāo)準(zhǔn)；簡(jiǎn)約擬合指數(shù)PNFI=0.750>0.5，PGFI=0.718>0.5，符合標(biāo)準(zhǔn)，說(shuō)明文章設(shè)定的模型較簡(jiǎn)約并具有較好的擬合度.綜上，表明模型的擬合效果較好，通過(guò)SEM確定了用戶(hù)多個(gè)感知之間的影響路徑以及影響每個(gè)用戶(hù)感知的主要因素.

4.3 SEM-ANN用戶(hù)感知模型分析

根據(jù)4.2節(jié)分析的結(jié)果確定神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)，建立結(jié)構(gòu)化的神經(jīng)網(wǎng)絡(luò)模型，如圖5所示.

利用Python編寫(xiě)B(tài)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型參數(shù)，其中134條樣本作為訓(xùn)練數(shù)據(jù)，34條樣本作為測(cè)試數(shù)據(jù)，對(duì)輸入和輸出數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后進(jìn)行模型訓(xùn)練，學(xué)習(xí)率設(shè)置為 0.1，學(xué)習(xí)次數(shù)設(shè)置為 2 000 次，當(dāng)達(dá)到學(xué)習(xí)次數(shù)時(shí)結(jié)束網(wǎng)絡(luò)訓(xùn)練.利用訓(xùn)練好的模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，計(jì)算模型輸出的方均根誤差RMSE和判定系數(shù)R2，結(jié)果如表3所示.

圖5 基于SEM-ANN的用戶(hù)感知模型Fig.5 The user perception model based on SEM-ANN

表3 SEM-ANN用戶(hù)感知模型的評(píng)價(jià)結(jié)果

Tab.3 The evaluation results of user perception model based on SEM-ANN

測(cè)量指標(biāo)用戶(hù)使用體驗(yàn)i16i17i18i19用戶(hù)滿(mǎn)意度i20i21i22RMSE0.0740.1100.0690.0520.0610.1780.044R20.6420.6970.7250.6860.7730.6550.749

由表3可得，測(cè)試數(shù)據(jù)中各個(gè)測(cè)量指標(biāo)的RMSE均較小，都在 0.1 左右，最大誤差也都小于 0.2，說(shuō)明在迭代學(xué)習(xí)了 2 000 次之后，模型取得了較好的收斂效果，同時(shí)各個(gè)測(cè)量指標(biāo)的R2都大于 0.5，說(shuō)明模型的擬合效果較好.

4.4 結(jié)果分析與討論

4.4.1用戶(hù)感知模型的擬合優(yōu)度分析 判定系數(shù)R2表示內(nèi)生潛在變量對(duì)內(nèi)生測(cè)量變量的解釋程度，R2越趨近于1表示模型的擬合程度越好，比較SEM和ANN-SEM模型用戶(hù)使用體驗(yàn)和滿(mǎn)意度測(cè)量指標(biāo)的R2值，結(jié)果如表4所示.

表4 用戶(hù)使用體驗(yàn)和滿(mǎn)意度測(cè)量指標(biāo)的R2值

Tab.4 TheR2of measurements for user experience and satisfaction

用戶(hù)感知模型用戶(hù)使用體驗(yàn)i16i17i18i19用戶(hù)滿(mǎn)意度i20i21i22SEM0.5970.6220.6540.6450.7410.6060.697SEM-ANN0.6420.6970.7250.6860.7730.6550.749

由表4可得，本文提出的SEM-ANN模型的擬合優(yōu)度明顯優(yōu)于SEM，將SEM引入ANN后，不僅提高了ANN模型的可解釋性，而且利用ANN強(qiáng)大的非線性擬合能力使得模型的擬合優(yōu)度有所提高.

4.4.2用戶(hù)感知之間的影響程度分析 用戶(hù)感知之間的效應(yīng)值反映了各用戶(hù)感知之間相互影響的程度，路徑系數(shù)以及神經(jīng)元之間連接權(quán)重歸一化后的結(jié)果如表5所示.

表5 SEM和SEM-ANN模型用戶(hù)感知之間的效應(yīng)值

Tab.5 The effect values between user perceptions based on SEM and SEM-ANN model

影響路徑SEMSEM-ANN用戶(hù)對(duì)流暢性的感知→用戶(hù)使用體驗(yàn)0.4560.670用戶(hù)對(duì)續(xù)航的感知→用戶(hù)使用體驗(yàn)0.3460.134用戶(hù)對(duì)功能的感知→用戶(hù)使用體驗(yàn)0.1980.196用戶(hù)使用體驗(yàn)→用戶(hù)滿(mǎn)意度0.5650.513設(shè)計(jì)和品牌吸引力→用戶(hù)滿(mǎn)意度0.4350.487

對(duì)比表5中SEM和SEM-ANN模型分析的結(jié)果，兩者在影響程度的大小和排序上都存在一定差異.例如，在SEM中影響用戶(hù)使用體驗(yàn)的因素從大到小依次是手機(jī)流暢性、續(xù)航能力和功能，而SEM-ANN模型的排序卻是手機(jī)流暢性、功能和續(xù)航能力，并且流暢性對(duì)使用體驗(yàn)的重要程度要遠(yuǎn)遠(yuǎn)高于其他2個(gè)因素.分析用戶(hù)的實(shí)際使用情況，手機(jī)流暢性的測(cè)量指標(biāo)主要包括對(duì)ROM(Read Only Memory)、RAM(Random Access Memory)以及CPU(Central Processing Unit)的評(píng)價(jià)，根據(jù)Kano模型可以將用戶(hù)的需求分為基本需求、期望需求和興奮需求.基本需求是產(chǎn)品必須具有的功能或服務(wù)，目前手機(jī)需要存儲(chǔ)的文件和安裝的應(yīng)用程序越來(lái)越多，并且用戶(hù)經(jīng)常會(huì)同時(shí)打開(kāi)多個(gè)應(yīng)用程序，因此ROM、RAM以及CPU的性能必須要能保證手機(jī)正常運(yùn)行，否則將嚴(yán)重影響用戶(hù)使用體驗(yàn)，屬于基本需求的范疇.當(dāng)滿(mǎn)足用戶(hù)的基本需求后，隨著CPU等性能的提高用戶(hù)的滿(mǎn)意度會(huì)逐漸上升，進(jìn)入期望需求階段.但當(dāng)CPU等性能提高到一定程度時(shí)，若產(chǎn)品不能提供其他意想不到的特性，僅依靠CPU等性能的提高，對(duì)使用體驗(yàn)的改善程度會(huì)逐漸降低，這時(shí)就需要通過(guò)改善手機(jī)的續(xù)航能力和增加新的功能來(lái)提高用戶(hù)使用體驗(yàn)，滿(mǎn)足用戶(hù)的興奮需求.因此，用戶(hù)感知之間呈現(xiàn)出明顯的非線性關(guān)系，這是使用SEM難以解釋的.同時(shí)SEM-ANN模型分析的結(jié)果與目前手機(jī)市場(chǎng)的發(fā)展趨勢(shì)相符，手機(jī)流暢性和功能是各大手機(jī)廠商努力做出產(chǎn)品差異化的主要方向.例如，基于Android系統(tǒng)華為開(kāi)發(fā)了EMUI系統(tǒng)、小米開(kāi)發(fā)了MIUI系統(tǒng)等，華為與徠卡合作推出后置雙攝像頭手機(jī)、蘋(píng)果在最新一代iPhone中推出人臉解鎖功能等，這些措施都是為了增強(qiáng)手機(jī)的流暢性和功能以給用戶(hù)帶來(lái)更好的使用體驗(yàn).由此說(shuō)明，利用SEM-ANN模型分析用戶(hù)感知之間的影響關(guān)系更合理，因?yàn)槠淠芨玫財(cái)M合變量之間的非線性關(guān)系，使得分析結(jié)果與實(shí)際情況更相符.

4.4.3用戶(hù)感知的影響因素分析 測(cè)量指標(biāo)在用戶(hù)感知中的相對(duì)重要度反映了測(cè)量指標(biāo)對(duì)相應(yīng)用戶(hù)感知的影響程度，表明了SEM和SEM-ANN模型在解釋用戶(hù)感知與其測(cè)量指標(biāo)之間關(guān)系的能力，因子載荷以及網(wǎng)絡(luò)節(jié)點(diǎn)之間連接權(quán)重歸一化后的結(jié)果如表6所示.

對(duì)比表6中SEM和SEM-ANN模型分析的結(jié)果，總體來(lái)看，兩者在相對(duì)重要度的大小和排序上部分結(jié)果一致，但是也存在一定差異.例如，對(duì)于用戶(hù)對(duì)流暢性的感知，SEM中4個(gè)測(cè)量指標(biāo)的重要度差不多，但SEM-ANN模型中i7的重要度明顯低于i5、i6和i8的重要度.因此，對(duì)于非參數(shù)化的ANN研究方法，結(jié)果并不一定會(huì)偏離理論，通過(guò)將SEM引入到ANN后，不僅提高了ANN模型中網(wǎng)絡(luò)連接權(quán)值的可解釋性，而且利用ANN模型的非線性擬合能力彌補(bǔ)了SEM方法的不足，使得分析的結(jié)果更接近實(shí)際情況.

表6 測(cè)量指標(biāo)在用戶(hù)感知中的相對(duì)重要度

Tab.6 The relative importance of measurements for user perception

潛在變量測(cè)量指標(biāo)SEMSEM-ANN設(shè)計(jì)和品牌吸引力i10.3370.128i20.2990.345i30.3640.527用戶(hù)對(duì)流暢性的感知i50.2660.260i60.2370.319i70.2520.123i80.2450.298用戶(hù)對(duì)續(xù)航的感知i90.2310.431i100.2300.177i110.2500.070i120.2890.322用戶(hù)對(duì)功能的感知i130.301 0.104 i140.350 0.742 i150.349 0.154 用戶(hù)使用體驗(yàn)i160.2430.236i170.2490.194i180.2550.315i190.2530.255用戶(hù)滿(mǎn)意度i200.348 0.358 i210.315 0.336 i220.337 0.306

5 結(jié)語(yǔ)

用戶(hù)感知在產(chǎn)品設(shè)計(jì)過(guò)程起著重要作用，本文針對(duì)現(xiàn)有研究方法難以描述用戶(hù)多個(gè)感知之間的非線性關(guān)系和影響路徑，導(dǎo)致用戶(hù)感知建模不夠真實(shí)準(zhǔn)確的問(wèn)題，提出了一種結(jié)構(gòu)方程模型與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的用戶(hù)感知建模方法，并通過(guò)一個(gè)智能手機(jī)用戶(hù)感知建模的案例證明了所提出方法的有效性.本文的主要?jiǎng)?chuàng)新點(diǎn)如下：

(1) SEM-ANN模型的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是建立在SEM因果關(guān)系分析的理論基礎(chǔ)之上的，因此是一種結(jié)構(gòu)化的神經(jīng)網(wǎng)絡(luò)模型，能夠解釋各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)之間的相互關(guān)系及影響程度，提高了神經(jīng)網(wǎng)絡(luò)模型的可解釋性.

(2) 將人工神經(jīng)網(wǎng)絡(luò)引入到結(jié)構(gòu)方程模型中，能夠表現(xiàn)用戶(hù)多個(gè)感知之間以及用戶(hù)感知與影響因素之間的非線性關(guān)系.利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性擬合能力提高了模型的擬合優(yōu)度，可以幫助設(shè)計(jì)師更加準(zhǔn)確地理解用戶(hù)感知之間的因果關(guān)系和影響用戶(hù)感知的因素.

本文中，用戶(hù)感知測(cè)量指標(biāo)的評(píng)價(jià)是通過(guò)調(diào)查問(wèn)卷完成的.隨著物聯(lián)網(wǎng)的普及和傳感器在產(chǎn)品中的廣泛應(yīng)用，某些用戶(hù)感知測(cè)量指標(biāo)數(shù)據(jù)的獲取可以通過(guò)傳感器采集用戶(hù)-產(chǎn)品交互數(shù)據(jù)來(lái)實(shí)現(xiàn)，從而使用戶(hù)感知模型更加準(zhǔn)確、客觀.這是下一步研究的方向之一.