（1）简介
访谈是用户研究中深入理解用户、洞察用户需求的方法之一。但是，专业的用户研究员进行一次完整专业的访谈不仅需要在访谈本身投入较大的人力和时间，在访谈过后还需要对访谈时的录音原话进行深入分析和归纳整理。有研究显示，整理和分析访谈录音大约需要访谈时间的4-8倍，这已经成为访谈法作为一种高效的用户研究方法的瓶颈之一。
本设计与研究由英国艺术与人文基金项目（牛顿计划）与华为研究院“智能设计”项目共同资助，其总体目标是通过智能系统软件的设计，帮助需要进行访谈的用户研究员高效整理访谈录音材料，一键生成访谈报告，提升用户研究员的工作效能。
（2）“访谈宝（VOC）”系统设计
访谈宝系统设计遵循从用例设计开始，围绕“访谈过程”和“自动生成与查看访谈报告”两个核心功能展开。其中自动生成访谈报告包含访谈语音转化为文本、深度挖掘文本的需求和用户情感两个部分。图1就是生成与查看访谈报告的用例图。
在此基础上，对用例中的用户需求进行分析，可以初步获得访谈宝产品的功能清单（表1）与产品使用流程图（图2）。
| 模块 | 功能 | 描述 |
|---|---|---|
| 访谈录音 | 开始录音 | 一键开始访谈录音 |
| 暂停录音 | 在录音过程中随时暂停录音 | |
| 继续录音 | 在暂停录音后随时可以继续录音 | |
| 完成并保存录音 | 完成录音并保存录音 | |
| 查看录音时长 | 实时查看录音时长，了解已经访谈了多长时间 | |
| 查看录音转译文本 | 录音会实时进行语音识别，可以看到实时转译文本 | |
| 访谈对象信息 | 填写姓名 | 填写访谈对象姓名 |
| 选择性别 | 选择访谈对象性别 | |
| 选择年龄 | 选择访谈对象年龄 | |
| 选择学历 | 选择访谈对象学历 | |
| 填写职业 | 填写访谈对象职业 | |
| 回听录音 | 对已经访谈过的录音进行回听 | |
| 项目管理 | 新建项目 | 新建访谈项目，填写项目名称 |
| 删除项目 | 删除已有项目，同时删除该项目下全部访谈录音 | |
| 重命名项目 | 对项目进行重命名 | |
| 访谈对象报告 | 生成报告 | 一键生成访谈对象报告 |
| 查看报告 | 查看访谈对象报告，包括访谈对象信息、需求分析、情感分析、重点标记原文 | |
| 修改报告 | 修改访谈对象报告中的需求文本、情感文本 | |
| 查看原文 | 查看访谈对象录音原文，同时可以回听录音 | |
| 项目报告 | 生成报告 | 一键生成项目报告 |
| 查看报告 | 查看项目报告，包括项目中全部访谈对象统计信息、需求分析、情感分析、重点标记原文 | |
| 修改报告 | 修改项目报告中的需求文本、情感文本 |
基于功能与流程设计，针对访谈宝系统的智能算法进行总体设计。“访谈宝”先通过语音识别技术将录音转译为文本，再通过自然语言处理技术结合用户研究的专门知识的机器学习与训练，可以对文本进行分析，并提取用户研究需要的用户需求和用户情感，并生成用户研究报告。总体算法流程如图3所示。
图3 流程图（“访谈宝”生成及查看报告，部分）
在具体算法上，“访谈宝”的语音识别能力通过调用百度人工智能（AI）开放平台提供的语音识别接口实现，自然语言处理能力在湖南大学与华为联合开展的智能设计项目中针对在线用户评论的用户需求与情感语义分析工具的基础上，针对访谈用户的特征进行算法优化，其具体算法架构如下图：
例如，针对需求提取，访谈宝的算法基于常用的支持向量机（Support Vector Machine，SVM），将文本分成“需求”与“非需求”两类
Mic#打标签，需求语料打上标签1，非需求语料打上标签0
x=np.concatenate((need[‘words’], un_need[‘words’]))
y=np.concatenate((np.ones(len(need)),np.zeros(len(un_need))))
#训练SVM需求分类模型
model = SVC(kernel=’rbf’,verbose=True)
model.fit(train_vec, y)
#保存SVM需求分类模型
joblib.dump(model,’../Desktop/need_svm.pkl’)
#验证SVM分类模型效果
def svm_predict(query):
words = jieba.lcut(str(query))
words_vec =total_vector(words)
#加载需求分类模型result=model.predict(words_vec)
#输出需求分类结果
if int(result) == 1:
print(‘类别：需求‘)
elif int(result) == 0:
print(‘类别：非需求‘)
基于上述的算法，“访谈宝”基于MVC模式开发，并通过Objective-C语言在Xcode开发环境上实现。访谈宝最终的界面如图5。
（3）讨论
访谈宝目前已经在部分国内部分通讯、家电和汽车企业展开运用，取得了不错的效果。与传统的访谈流程相比，访谈宝节约了用户研究员转化文字、数据分析以及开展数据可视化的时间（图6），提升了用户研究的效能。
机器行为的设计与机器行为的研究同样重要。访谈宝的设计总体而言是在软件设计的范围下，通过对算法行为的整合，形成全新的智能系统。访谈宝涉及的算法本身改进并不多，但是与传统的访谈流程相比，已经可以较大程度地提升访谈研究的作业效能，充分反映了机器行为设计在提升作业效能方面的积极作用。
同时，针对更加复杂的机器行为，例如智能机器和人类合作开展的复杂问题求解的作业行为，则要比“访谈宝”这样简单的智能替代行为要复杂。这也是本章下一个研究案例需要说明的内容。
