software-ux-research

软件用户体验研究

使用此技能，依托证据降低产品和设计风险。此技能负责研究方法选择、研究设计、发现综合和研究运营，不负责 UI 实现。

快速参考

需求	默认方案	输出
探索和 JTBD	对预先定义的细分群体进行半结构化访谈，并预先设定饱和标准和预算停止规则	机会简报
可用性评估	通过小规模迭代开展主持式测试，覆盖每项关键任务和每个用户群体	标注严重程度的发现报告
对定性洞察进行量化	调查问卷或分析数据审查	细分群体或模式解读
验证变更的因果效果	对照实验或分阶段推出	实验简报
研究运营和资料库设计	轻量级受理流程、分类体系和同意机制	研究运营建议
无障碍或低数字素养研究	使用适配材料开展主持式访谈	风险与包容性报告

何时使用此技能

当主要问题涉及以下内容时，请使用此技能：

• 哪些用户问题最重要，以及对哪些人重要
• 某个概念、流程或原型是否易于理解和使用
• 哪种研究方法合适
• 如何设计研究并综合研究发现
• 如何开展研究运营、资料库和同意流程

当主要任务属于以下情况时，请改用其他技能：

需求	改用
UI 设计和交互模式	../software-ui-ux-design/SKILL.md
代码层面的无障碍整改	../software-accessibility/SKILL.md
无障碍测试自动化和 CI 门禁	../qa-testing-accessibility/SKILL.md
分析埋点实现	marketing-product-analytics 和 ../qa-observability/SKILL.md
实验设计、埋点和结果统计分析	marketing-product-analytics；研究侧的决策请参阅 references/ab-testing-implementation.md
通过评价、应用商店内容和投诉挖掘痛点	research-review-mining
对已构建产品进行用户画像或合成用户浏览器测试	../qa-persona-testing/SKILL.md
产品存在之前开展 PMF 调查、创意验证和需求测试	startup-idea-validation 和 ../product-management/SKILL.md
启发式检查清单、UI 润色迭代和设计质量审查	../software-ui-ux-design/SKILL.md

默认原则

• 从需要推动的决策着手
• 采用足以回答问题的最小方法组合
• 用定性研究了解动机和阻碍，用定量研究衡量规模和细分情况
• 将合成参与者仅用于生成假设
• 每项输出都必须注明置信度和证据轨迹
• 在给出最终建议前，必须核实现行标准和监管相关说法

质量视角

根据决策需要选择证据层面：修复流程时关注任务成功率和阻碍；研究信任、留存或采用情况时关注情绪和意义。说明研究覆盖了哪些层面，并将结论限制在这些层面。加载 references/consumer-experience-quality.md，了解四层视角及其研究方法；仅完成任务并不能证明留存有所提升。

工作流

1. 明确决策和截止日期。
2. 梳理现有证据。
3. 选择方法，并说明为何不采用较弱的替代方案。 对于调查问卷，分发前应预先规定欺诈、机器人、重复答卷和快速作答的筛查规则；请参阅 references/survey-design-guide.md#survey-integrity-fraud-bots-and-speeders。
4. 产出一份可直接用于决策的成果。
5. 标注置信度和数据处理限制。

输出类型

默认输出：

• 研究计划
• 研究方案
• 发现报告
• 决策简报

每份重要输出都应包含：

• 方法选择依据
• 置信度
• 证据链
• 知情同意与数据处理说明
• 以选项和权衡为框架的建议

方法选择器

需求	主要方法
动机、需求、转换触发因素	访谈、情境探究、日记研究
可用性与易学性	有主持的可用性测试、认知走查、启发式评估
规模、细分群体或行为模式	分析数据审查、问卷、反馈分析（评论挖掘：research-review-mining）
因果效应	对照实验、分阶段推出、偏好测试

当失败路径、辅助技术或复杂工作流至关重要时，默认采用有主持的测试。

阶段指南

阶段	典型研究重点
探索	问题选择、JTBD、进步驱动力
概念或 MVP	概念理解、原型可用性、引导风险
发布	阻碍因素识别、无障碍性与就绪度
增长	留存、摩擦与细分群体行为
成熟	优化、简化或功能退役

验证清单

交付任何研究成果之前：

• 明确指出本研究旨在推动哪项决策
• 说明方法选择依据：考虑过哪些较弱的替代方法，并说明拒绝它们的原因
• 参与者与目标细分群体相符，不是出于便利而招募、仅来自调研面板，或来自客户成功团队的人脉名单
• 样本依据说明任务、细分群体、风险、排除的人群、数字化停止阈值、连续评估窗口、样本量／预算上限，以及达到上限时采取的行动；实验需进行功效计算
• 在输出中说明置信度和证据链
• 将合成参与者标记为仅用于生成假设，不得作为证据引用
• AI 辅助分析计划预先声明可容忍的分歧程度（按严重性划分）、审计批次大小、连续通过批次数、最大审计规模，以及达到上限时由人工重新编码／升级处理的行动
• 已取得知情同意；录音、文字稿和参与者身份信息分开存储
• 欧盟／英国参与者数据：向 AI 处理服务商发送数据前须落实 DPA；检查是否适用《欧盟 AI 法案》高风险（附件 III）部署者义务，并从具备资质的欧盟监管法律顾问或《官方公报》文本中确认当前适用日期，不要凭记忆判断
• 记录反驳性证据，而不只是支持性片段
• Agentic 产品：研究须运行多轮交互、至少进行一次中断，并在测量信任度时包含预设的错误输出

研究运营规则

• 在受理信息中记录决策、受众、细分群体和证据链接
• 所有研究使用统一分类体系和原子化洞见
• 将参与者身份信息与笔记、录音分开存放
• 对广泛共享的材料进行脱敏
• 仅允许非研究人员开展带有审查防护措施的模板化研究

优先采用 ISO、W3C、监管机构和一手方法来源，而非摘要。

AI 与无障碍说明

对于 AI 驱动的产品研究（研究对象本身由 AI 驱动）：

• 测试信任校准、故障恢复、可解释性、工具使用披露和审批关卡
• 区分错误输出、含糊不清的输出和无法恢复的故障
• 对 Agentic 产品开展多轮会话研究——单轮研究会遗漏大部分故障面
• 明确测试引导能力：用户会在任务进行中改变主意，添加、修改和撤回需求会以不同方式失败
• 使用预设的错误输出来衡量信任校准；全对的研究无法区分良好判断和盲目接受
• 完整维度列表和方法映射见 references/ai-in-research.md，多轮协议见 references/agentic-evaluation-methods.md

对于研究工作流中的 AI（综合分析工具、AI 主持人、合成用户）：

• 将合成用户仅用于生成假设（NN/g 的立场），绝不能将其视为证据
• 从人工编码的种子样本开始分析，再让 AI 扩展；根据预先声明的分歧规则，审查每一类标签以及低置信度和随机抽取的项目
• 只有当研究方案足够结构化、初级研究人员也能遵循时，才适合使用 AI 主持人
• 列出所有处理参与者数据的 AI 工具（供应商、发送的数据、DPA、AI Act 分类——参见上文的 EU/UK 检查清单项，以及 references/ai-in-research.md#eu-ai-act）

在招募前，制定定性研究停止规则（饱和阈值、观察窗口、上限、达到上限后的行动）和 AI 编码审计规则：references/research-frameworks.md#reproducible-qualitative-stop-rules。

对于涉及无障碍的研究：

• 如果研究范围涉及无障碍，应招募辅助技术用户
• 区分无障碍易用性发现和正式的符合性发现

常见陷阱

• 未明确研究需要解决的实际决策，就先选定偏好的研究方法。
• 招募的便利抽样参与者在情境、素养或工作流方面与目标细分群体相差太远。
• 将生成的摘要、AI 笔记聚类或合成参与者当作证据，而非辅助材料。
• 将探索、易用性和因果验证问题混在一项研究中，导致三类结果都含糊不清。
• 报告严重程度或置信度时，未结合样本质量、任务覆盖范围和证据强度。
• 对录音、转录稿和参与者身份信息的保护力度低于研究敏感度所需的标准。
• 未签署当前有效的 DPA，也未在同意书中明确披露 AI 处理，就将 EU/UK 参与者的录音发送给非 EU 的 AI 供应商（Dovetail、Marvin、Looppanel 或任何由基础模型支持的服务）——GDPR 第 V 章的传输规则适用。
• 行为研究只从专业研究面板（Prolific、UserTesting panel）招募参与者，随后将结果推广至产品用户——面板受访者是有经验的参与者，其行为与首次使用产品的真实用户存在系统性差异。

常见反模式

问题与方法不匹配（用问卷研究 why，用启发式评审评估理解风险）、将 n=5 解读为有代表性、基于单条引述做决策、事后寻找细分群体、实验在达到统计显著性时就停止，以及通过面板或 CS 联系人名册招募。完整列表及缓解措施见：references/research-frameworks.md#research-practice-anti-patterns；AI 和 Agentic 产品反模式见：references/ai-in-research.md#anti-patterns。

导航

参考资料

• references/usability-testing-guide.md
• references/survey-design-guide.md
• references/westrum-culture-measurement.md — 经验证的七项团队文化调查构念的实例（Westrum 类型学、评分、来源限制）；与 foundations-team-theory 配套
• references/ux-audit-framework.md — 专家评审与用户研究、认知走查、与证据挂钩的严重程度模型
• references/ux-metrics-framework.md
• references/research-repository-management.md
• references/ab-testing-implementation.md — 实验与研究的决策、结果汇报检查、成熟度级别；实验机制参见 marketing-product-analytics
• references/non-technical-user-research.md
• references/ai-in-research.md
• references/agentic-evaluation-methods.md — 评估多轮 Agent 产品：中断/引导测试、多轮第一人称评估、通过植入错误校准信任、Agent 辅助启发式评估
• references/consumer-experience-quality.md — Continuous Discovery、JTBD Switch、摩擦记录、情绪测量、日记研究、竞争性 UX 基准测试、机会规模估算、JTBD 结果陈述、观影派对、嵌入模型
• references/ia-testing-guide.md — 卡片分类（开放式/封闭式/混合式）、树测试、首次点击测试、5 秒测试
• references/evaluative-methods-guide.md — Wizard of Oz、礼宾式测试、假门测试、假门/烟雾测试、联合分析、MaxDiff、Kano、Beta 测试小组
• references/consumer-recruiting-guide.md — 招募来源、筛选问卷、激励伦理、儿童/青少年（COPPA、ICO 儿童守则、GDPR 第 8 条）、霍桑效应、无障碍招募、流失用户招募
• references/research-frameworks.md — 选择研究方法（探索性与评估性研究、方法选择矩阵）
• references/customer-journey-mapping.md — 用户旅程地图、服务蓝图、体验映射
• references/competitive-ux-analysis.md — 竞争性 UX 基准测试方法和报告模板
• references/feedback-tools-guide.md — 产品内反馈、调查和客户之声工具，以及反馈运营模式
• references/demographic-research-methods.md — 按年龄组和人口特征调整的研究方法
• references/remote-research-patterns.md — 远程和非主持式研究方法与运营
• data/sources.json

资源

• assets/research-plan-template.md
• assets/testing/usability-test-plan.md
• assets/testing/usability-testing-checklist.md
• assets/testing/think-aloud-protocol.md — 出声思考访谈流程模板
• assets/competitive/competitive-ux-matrix.md — 竞争性 UX 矩阵；与 references/competitive-ux-analysis.md 一起加载
• assets/audits/ux-audit-report-template.md
• assets/metrics/ux-metrics-dashboard.md
• assets/journeys/customer-journey-canvas.md — 绘制触点和情感变化曲线时，与 references/customer-journey-mapping.md 一起加载
• assets/journeys/service-blueprint-template.md — 记录前台与后台服务交付流程时，与 references/customer-journey-mapping.md 一起加载

相关技能

• ../software-ui-ux-design/SKILL.md
• ../software-accessibility/SKILL.md
• ../qa-testing-accessibility/SKILL.md
• marketing-product-analytics
• research-review-mining
• ../qa-persona-testing/SKILL.md

经验回顾循环

当先前的决策或陷阱与当前任务相关时，如果存在 learnings.consolidated.md，请查阅该文件；仅在需要了解历史记录或它是现有备用文件时，才使用 learnings.md。否则跳过这两个文件。

应用相关经验后，如果遇到值得记住的模式、值得避免的错误，或令你意外的领域事实，请通过 agents-skills-feedback-loop/scripts/append_learning.py 向 learnings.md 追加一条注明日期的项目。不要修改 SKILL.md 本身。