在數字時代，資訊的傳播和互動主要是通過各種軟件的用戶界面進行。用戶滿意度是迭代優化軟件界面設計的重要參考。

如何更好地測量用戶滿意度？

越來越多的用戶體驗研究開始探索從傳統主觀評價到更加全面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，了解他們如何將面部識別技術與PSO-BP神經網絡相結合，構建出一個綜合的用戶滿意度測量模型，從而擴大用戶界面滿意度評估方法的范圍，增強測量的客觀性及傳統評估技術的效率（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于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改善的用戶體驗相關。在數字時代，資訊的傳播和互動主要是通過各種軟件的用戶界面進行，因此，用戶從界面中獲得的滿意度在信息交互過程中起著至關重要的作用，是優化和完善軟件及相關產品的關鍵因素。

用戶界面滿意度的評估方法多種多樣，多以主觀評價為主，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，依賴主觀評價可能會產生準確性與客觀性不足的問題。

一些研究開始通過結合客觀的行為分析、生理測量以及計算機算法的方法來輔助主觀評價。利用可用性測試的基礎，客觀行為分析已經成為評估軟件界面滿意度的流行方法。腦電測量、眼動追蹤和面部識別技術也廣泛用于評估界面滿意度。而隨著計算機算法的快速發展，基于PSO-BP神經網絡的用戶滿意度的預測模型開始逐漸被應用于用戶界面研究。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、情感反應和操作效率）之間復雜的非線性關系，獲得準確和穩定的預測模型。

利用面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主，這往往需要專業的人員來設計并實施實驗。例如對于腦電采集來說，實驗過程復雜耗時，對被試選擇標準也很嚴格，這就降低了研究效率；對于眼動追蹤來說，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感受，所以相關研究通常以眼動數據來證實軟件界面的可用性，后探究可用性和滿意度之間關系，從而得出界面滿意度評估，而這也導致研究重點偏離了界面滿意度評估。此外，采集這些數據時一般需要使用專業的、昂貴的設備如腦電設備和眼動儀，這大大增加了實驗成本。

相比之下，面部表情識別技術作為一種非接觸式的測量方法用于用戶滿意度研究，能更加簡潔、快捷地獲得同樣客觀的數據。面部表情直接反映了用戶的情緒狀態，且與滿意度密切相關，這使得面部表情識別和分析技術在評估滿意度方面具有實用性和價值。此外，收集面部表情數據更直接，成本更低，通常只需要一個標準的相機來捕捉面部表情，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，目前評價用戶滿意度的方法主要依靠主觀評價，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并驗證一種測量用戶滿意度的新方法，即利用面部識別技術與PSO-BP神經網絡模型來預測用戶滿意度。

構建預測模型并驗證

研究采用實驗觀察的方法，選擇國內教育領域流行的兩款筆記軟件：Notability和Goodnotes，觀察被試操作時的行為并評估其滿意度。參與實驗被試共42名，隨機分為A、B兩組，分別進行兩組實驗（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心、插入一張圖片并等比調整大小放入框中、使用橡皮擦工具擦除紫線、將手寫筆記改為黑色并調整大小放入框中。過程中測量其面部表情強度、任務完成時間、任務成功率和操作流程。任務完成后，被試進行從1-10的主觀滿意度評分。利用客觀數據作為輸入，主觀評分作為輸出，構建基于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A組同樣的四項任務并采集數據。使用相關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面部表情分析系統（FaceReader）進行面部表情追蹤與分析。FaceReader的面部表情識別平均準確率為 99%，在消費者行為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面部反應，后在FaceReader中進行分析（圖3）。軟件采用保羅·艾克曼的面部動作編碼系統（FACS），將表情分為六種基本類型：喜悅、悲傷、憤怒、驚訝、恐懼和厭惡以及中性狀態，并根據即時觀捕捉到的面部特征為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預測結果進行比較，對模型進行調整。隨后，在模型驗證階段，將這些分數與模型的預測結果進行比較，以評估模型的準確性。

評估用戶界面滿意度的新方向

結果顯示（圖4），預測Goodnotes中四個功能任務的滿意度時，平均預測誤差為13.74%，預測準確率高達86.26%。這表明利用面部表情識別技術與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實際用戶滿意度的比較

長期以來，界面滿意度的評估和測量一直是軟件優化和升級的關鍵指標。目前，滿意度評估主要依靠主觀評價，有時輔以客觀方法。然而，主觀方法往往缺乏客觀性，而客觀方法則面臨效率問題。本研究提出并驗證了一種評估用戶界面滿意度的預測模型，這有助于拓展用戶界面滿意度評估方法的范圍，對軟件界面可用性評估和優化設計具有實際意義。

將面部識別技術與PSO-BP神經網絡相結合的測量方法既客觀又精確，且相較于其他客觀測量方法，具有更高的效率，可以很容易地應用于一般的軟件滿意度評估，為軟件接口設計、優化和升級提供有價值的數據和指導，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.

關注諾達思公眾號，聯系我們獲取更多產品信息及學術文章！