利用 Notion AI + ChatGPT4 ，輔助大範圍 UX 研究
面臨到重量級研究專案，手拿顯微鏡和望遠鏡都是必須的
前陣子因為某個重量級專案，研究範圍非常的大，大到我們悠識研究團隊幾乎 6 個人力全出動，去各地進行場域觀察收集資料。經歷了好幾十場之後，收回了一堆錄音錄影檔、觀察筆記、訪談重點紀錄。
除了資料量大之外，牽涉到的重要角色也非常多樣。必須不斷思考各角色的互動、溝通方式。除了需要拿顯微鏡觀察特定細節之外，我們也必須手持望遠鏡，類似上帝視角的角度來全面檢視，服務單位間的溝通有哪些斷掉的地方。基於保密原則，以下舉例皆有變造過。
這邊有幾個前提：
1. 因為專案範圍巨大，我們切成 5 大子題目，但是這 5 大子題目，在關係上環環相扣。
2. 在進入到 AI 輔助階段之前，我們團隊已經先把各 5 大子題目的資料分析完畢，並撰寫成簡報形式的研究報告。
蛤，你說都已經分析完了，為什麼還要用 AI？其實是有幾個原因：
1. 該專案需要文章形式的產出，而簡報是我們慣用的交付成果
2. 在有限時間內，我們要快速盤點出 5 大子題目的共通處，挖掘下一步值得深入探討的方向
先說結論，這次用 Notion AI + ChatGPT 輔助了哪些研究產出？
✅ 將條列式簡報，用 ChatGPT 轉化成 5 篇可閱讀的長文
✅ 將以上 5 篇長文，使用 Notion AI 進行摘要壓縮，再讓 ChatGPT 吃
✅ 將 ChatGPT 養成金頭腦，快速找出橫跨 5 大子題目的重點發現
以下記錄這次將文字資料進行切割，並重新整合的過程。為什麼要這麼麻煩，其實就是因為現在的 ChatGPT 使用上仍有一些限制，例如：一次吃進去的訊息不能太長、短期記憶有限等。在使用這些 AI 工具的時候，我們必須去留意它的專長與限制，確保後續資料產出的合適性與正確性。（特別是在講求實事求是的研究領域）
Step 1. 製作資料的「罐頭食品」
使用 ChatGPT，先將每一議題的條列式簡報，產出有脈絡式的文章。接下來，因為每一議題的文章很長，將近 6000 字左右。於是我們將文章放到 notion 中（不確定字數限制，但目前測試萬字以內是沒問題），請 notion AI 進行摘要壓縮。這個階段，我們製作出，5 個議題的「資訊罐頭」。
Step 2. 因為 ChatGPT 食量不大，需要分次餵食
雖然 ChatGPT 從 3.5 升級到 4 之後，單則可輸入的資訊大幅 8 倍，但太多字數還是吃不進去。所以我們必須分次將資訊罐頭，餵給 ChatGPT。我使用的指令是：
「接下來我會給你＿篇議題的文章，請在我貼完所有的文章後，找出這＿篇文章的共通性與重要議題。」
但我後來發現，只要我一貼文章，他就會忍不住想要馬上幫我馬上摘要，很想叫他馬上閉嘴(?)。後來，這幾天看到電腦玩物的 Esor 用了另一種下指令的方式，可能會更有效的讓 ChatGPT 吸收。（參考文章：利用 ChatGPT 提示語突破字數限制教學，深入分析摘要2萬字資料 )
接下來，就是把這 5 個資料罐頭，一則一則餵給他吃。
Step 3. 把 ChatGPT 當神燈精靈，快速取得重點資訊
吃完後，ChatGPT 現在已變成 +9 金頭腦 🤖，我們終於可以開始進入資訊提取的重點。我下的指令是：
「現在請開始分析，前面第一章～第五章，文章的共通性和重要議題」
驚人的事情開始出現了，我之前沒想過原來 ChatGPT4 在回答中，還會再特別點出，某段資訊來自於第幾篇文章。
例如，下圖中的 ＯＯ 整合與優化：各篇文章都提到了ＯＯＯＯＯ需求。無論是ＯＯＯ（第四篇文章）、還是ＯＯＯ（第五篇文章），都強調了ＯＯＯＯＯ方面的不足。
特別提出來源，讓人覺得他的短期記憶還算是可靠的。當然，即使他產出了長篇大論的回答，我們也不能照單全收，必須去檢查他有沒有突然秀逗而講錯的部分。
而這一部分的資訊收整，可以說是，針對已知的資訊進行初步萃取，提升研究員對於大範圍資料分析的敏感度。
再來，除了既有資訊的萃取外，你也可以試試讓 ChatGPT 回答一些探索式的問題。例如說，我們嘗試了：「請分析ＯＯＯ文章中，所有ＯＯＯＯ資料可能會介接的ＯＯＯＯＯ單位」於是，ChatGPT 馬上列出了數個可能會和此專案相關的單位，方便我們從另一個利害關係人的視角，來檢視這個大範圍的研究議題。
Step 4. 利用訪談技巧，再深入挖掘 ChatGPT 還沒告訴你的事
不只於此，我們還可以利用「訪談技巧」深入挖掘 ChatGPT 沒告訴我們的事情。
我們通常在訪談尾聲，都會問受訪者：「還有沒有哪些您剛剛沒有提到，但您也有想分享的事情呢？」
最後一個開放性的問題，常常充滿驚奇，而 ChatGPT 也並非例外。
我下的指令為：
「還有沒有哪些剛剛沒提到的單位，是也有機會介接ＯＯＯＯＯ相關系統？」。
沒想到他還真的給我好幾個單位，而且這些推理，也通通是來自於我餵給他的資訊罐頭。
畢竟 ChatGPT 每次的回答，本身就不會有絕對固定的形式，而且可以 regenerate 不斷優化，所以道理上，可能有些已存在的資訊推理，沒有通通一次攤出來說給你聽。
再回顧一次，我們這次資料重新拆解與整合的流程，如下圖所示：
使用 AI 工具的最大效益為：畫重點、提醒、補強，而並非完全取代人腦
總而言之，這次使用心得上，用 AI 工具的最大效益是，幫我們快速找出各大子題目的共通點，並找出下一步值得深入探討的研究問題，快速的畫出重點。
當然，在分析這些個別議題時，我們腦袋中多少都已經累積一些接下來的大方向。而 ChatGPT 很棒的是，幫我們把人腦快速產生的研究直覺，與它爬梳資訊的萃取做互相對照驗證。
另外我在文章一開始也提到，因為此研究議題非常的大，所以我們當初是把子題目分配給不同成員進行訪談與分析。當使用 ChatGPT 做整合時，他可以提醒，我本人沒親自參與的子題目重點。除了我們團隊成員之間彼此本身就有討論之外，ChatGPT 的資訊整合，可以再一次加深團隊中每一人對於議題的掌握。
必須提醒大家的是，我們在使用 AI 工具時，必須要清楚它目前的缺點。例如，ChatGPT 短期記憶仍有限，在參考他的資訊時，還是必須要仰賴我們本身的專業，去對照他是否有在亂講話、或是記憶錯亂的情形。再來我們這次讓資訊壓縮，所以必然有些細節，是 ChatGPT 沒吃進去的狀況。
總而言之，目前以上的做法，還是只能作為輔助使用，並非完全取代 UX 研究員的大腦。而現在技術的發展實在太快，我這篇文章寫出來時，可能工具的發展狀況又不同了。
現階段的 AI 工具，可能還需要我們人去拆解每一步的工作流程，適度投餵給 AI 資料，設定後續的串接服務，但未來，應該會有越來越多的 AI 服務，會直接針對各個知識工作者的情境，提供一站式的分析服務。
例如，前幾天看到有人分享的 User Evaluation 服務，User Evaluation — AI for Research，開放將錄音錄影檔上傳後，自動使用語言模型的推理，直接萃取出使用者的痛點與重大發現，並給予下一步建議。目前好像只有開放部分語言使用，如果有人曾經使用過，也歡迎分享你的使用心得。
以上是這次使用 Notion AI + ChatGPT 作為研究輔助工具的心得，如果你也有 AI 工具輔助 UX 工作流程的小訣竅，歡迎跟我們分享交流。🙌
