ربات‌ها، دیپ‌فیک‌ها و هویت‌های جعلی، تحقیقات کاربران را خراب می‌کنند

تحقیقات کاربر نقش ارزشمندی در فرآیند توسعه محصولات و خدمات ایفا می کند و به شناسایی نقاط اصطکاک زودتر هنگام حذف آنها کمک می کند تا به طور قابل توجهی کمتر از پرداختن به یک موضوع در ادامه خط هزینه شود. تحقیقات نشان می‌دهد که شرکت‌هایی که در مرحله مفهومی پروژه روی UX بهبودیافته سرمایه‌گذاری می‌کنند، در نهایت زمان‌بندی توسعه محصول را بین 33 تا 50 درصد کاهش می‌دهند.

با این حال، تحقیقات کاربر به این فرض بستگی دارد که شرکت‌کنندگان با حسن نیت درگیر فرآیند هستند، با مشارکت غیرصادقانه که به طور بالقوه داده‌ها را آلوده می‌کند و در نهایت بر محصول نهایی تأثیر منفی می‌گذارد.

شرکت کنندگان غیراصیل چالش جدیدی برای رشته ما نیستند. چندین سال پیش، من دو گروه متمرکز جداگانه را پشت سر هم برای دو مشتری مختلف راه اندازی کردم که در آن فرد یکسان به هر دو گروه مراجعه کرد، که توسط آژانس های مختلف با نام های مختلف استخدام شده بودند. آنچه در چند سال گذشته تغییر کرده است، مقیاس و پیچیدگی مشکل است.

هوش مصنوعی و فریبکاران در تحقیقات از راه دور

در طول همه‌گیری COVID-19، استخدام آنلاین و جمع‌آوری داده‌ها برای حفظ فاصله فیزیکی در حین انجام تحقیقات کاربر ضروری شد. روش‌های از راه دور به دلایلی مانند کاهش هزینه‌های سفر و تدارکات و همچنین اجازه دادن به محققان برای دسترسی به شرکت‌کنندگان در یک گستره جغرافیایی وسیع‌تر از آن زمان محبوب باقی مانده‌اند.

متأسفانه، همان ویژگی‌هایی که تحقیقات از راه دور را جذاب می‌کند، درها را نیز به روی صنعت کلبه‌ای از «شرکت‌کنندگان حرفه‌ای» باز کرده است که از ناشناس بودن دیجیتال و موانع کم برای تأیید هویت استفاده می‌کنند تا از مشارکت انگیزشی به عنوان منبع درآمد تکمیلی استفاده کنند.

این، همراه با ابزارهای هوش مصنوعی که به طور فزاینده ای در دسترس هستند، محیطی مناسب برای مشارکت کلاهبردارانه در تحقیقات کاربران ایجاد کرده است. داده‌های ابتکار کیفیت داده‌های جهانی جامعه تحقیقات بازار نشان می‌دهد که 95 درصد از محققان کیفی مورد بررسی، تقلب شرکت‌کنندگان را در 12 ماه گذشته تجربه کرده‌اند.

شرکت‌کنندگان غیراصیل می‌توانند مضامین یک مطالعه را تحریف کنند، نیازهای واقعی کاربران را مبهم کنند، و در نهایت تیم‌ها را به سمت نتایجی هدایت کنند که با بازار هدفشان همخوانی ندارد. یک مطالعه موردی در سال 2025 گزارش داد که نسبت پاسخ‌های قابل استفاده از تقریبا 75٪ به حدود 10٪ پس از ارسال تقلبی وارد نمونه کاهش یافت.

دور نگه داشتن شرکت‌کنندگان غیراصلی از استخدام تحقیقاتی (بدون به خطر انداختن دسترسی و حساسیت)

در شرایط فعلی وسوسه واقعی وجود دارد که با هر شرکت کننده ای که دوربین خود را روشن نمی کند یا دائما مشکلات صوتی را تجربه می کند به عنوان یک کلاهبردار بالقوه برخورد شود. با این وجود، هوشیاری نمی تواند به قیمت حساسیت به نیازهای فردی و مسائل دسترسی تمام شود.

کاربران ممکن است دلیل موجهی داشته باشند که ترجیح می دهند از ویدئو استفاده نکنند، ارتباط کوتاهی برقرار کنند یا در بیان تجربیات خود مشکل داشته باشند. به همین دلیل است که محققان باید رویکردی در جهت شناسایی الگوهای رفتار مشکوک اتخاذ کنند تا اینکه بر روی یک شواهد جهش کنند و یک شرکت کننده را به عنوان غیر معتبر بنویسند.

پرچم های قرمز در ابتدا می توانند در طول فرآیند درخواست و غربالگری برافراشته شوند. هجوم غیرمنتظره برنامه‌های کاربردی از سوی افرادی که متعلق به گروه‌های اقلیت هستند که دسترسی به آنها معمولا مشکل است، می‌تواند شانسی باشد، اما باید با دقت بیشتری مورد بررسی قرار گیرد.

مطالعه‌ای بر روی افراد متقلب در گروه‌های متمرکز آنلاین منتشر شده در مجله بین‌المللی روش‌شناسی تحقیقات اجتماعی اشاره کرد که دریافت اکثر درخواست‌ها از سوی والدین مرد در مطالعه‌ای که قبلا مشارکت زنان را به شدت مشاهده کرده بود، یک علامت هشدار اولیه بود.

آدرس های ایمیل مشابه و غیرعادی یکی دیگر از علائم هشدار اولیه رایج است. آدرس‌های ایمیل شامل نام‌های رایج و رشته‌ای از اعداد (مانند john.doe1172@gmail.com، برای مثال) شواهد محکمی از کلاهبرداری نیستند، اما یک نقطه داده مفید برای ایجاد یک الگوی رفتار مشکوک هستند.

یکی از رایج‌ترین شاخص‌های مشارکت غیرواقعی، ناهماهنگی بین آنچه شرکت‌کننده در حین غربالگری می‌گوید و خود جلسه است. برخی ادعا می‌کنند که مثلا هر روز از یک محصول استفاده می‌کنند، اما پس از آن تلاش می‌کنند تا ویژگی‌های اصلی را نام ببرند یا تعامل اخیر با آن را توصیف کنند. سؤالات باز درباره تجربیات شخصی اخیر می تواند به رفع این اختلافات کمک کند. شرکت کنندگان ممکن است برای توصیف رویدادهای خاص، جدول زمانی یا اصطلاحات مرتبط با موضوع تحقیق دچار مشکل شوند.

برخی از شرکت‌کنندگان مشکوک در طول مصاحبه‌ها، پاسخ‌های تک کلمه‌ای، ناتوانی در پیگیری سؤالات یا مقاومت در برابر تلاش‌های محقق برای ایجاد شرکت‌کننده، حواس‌پرتی یا بی‌تفاوت به نظر می‌رسند. این شواهدی از تقلب به تنهایی نیست. شرکت‌کنندگان می‌توانند عصبی، خسته، ناراحت یا ناآشنا با تحقیقات کیفی باشند، اما چنین رفتاری زمانی که در کنار دیگر دال‌ها رخ می‌دهد، باید شک و شبهه ایجاد کند.

غربالگری، پاسخ به مشارکت مشکوک به تقلب، و چه باید کرد وقتی شرکت کنندگان غیر واقعی در اواسط مطالعه مشکوک شدند

محققان باید از تقلب بالقوه در تمام مراحل فرآیند، از جمله هنگام انجام خود تحقیق آگاه باشند.

داده‌های شرکت‌کننده‌ای که به وضوح واجد شرایط بودن خود را نادرست معرفی کرده است، باید از تجزیه و تحلیل حذف شوند. محققان همچنین باید آنچه را که با تیم گسترده‌تر اتفاق افتاده است بررسی کنند. هر حادثه می تواند نقاط ضعفی را در فرآیند استخدام یا غربالگری نشان دهد که ممکن است سایر شرکت کنندگان در مطالعه را تحت تاثیر قرار دهد.

یک چارچوب محکم برای پاسخ های عملی را می توان به پنج مرحله تقسیم کرد: مکث کنید و اختلاف ظاهری را روشن کنید.

اگر واجد شرایط بودن نتوان جلسه را پایان داد.

مستندسازی و گزارش حادثه از طریق تحقیق یا فرآیند استخدام مناسب.

داده های غیر قابل اعتماد را از تجزیه و تحلیل حذف کنید.

فرآیند را مرور کنید و در صورت لزوم غربالگری را تقویت کنید. به سوی یک فرآیند تحقیقاتی انعطاف‌پذیرتر

تحقیقات کاربر همچنان ابزار ارزشمندی برای شرکت هایی است که به دنبال اصلاح و توسعه محصولات خود هستند. انجام این تحقیق از راه دور، دامنه جغرافیایی را گسترش داده، موانع لجستیکی را کاهش داده و مشارکت را برای افرادی که ممکن است در غیر این صورت کنار گذاشته شوند، ممکن ساخته است. با این حال، ساده لوحانه است که فرض کنیم روند فعلی در مشارکت غیراصیل مبتنی بر هوش مصنوعی به زودی به جایی خواهد رسید.

هوش مصنوعی به این مشکل کمک می کند، اما می تواند از تلاش ها برای رسیدگی به آن نیز حمایت کند. تشخیص الگو می تواند به محققان کمک کند شرکت کنندگان مکرر و خوشه هایی از پاسخ های مشکوک یا سایر رفتارهای استخدام غیرمعمول را شناسایی کنند.

از آنجایی که شرکت‌ها تحقیقات کاربران را برای ساخت و عرضه محصولات و خدمات دیجیتال جدید افزایش می‌دهند، افراد متقلب به روش‌های معنی‌داری تحقیقات کاربران را به خطر می‌اندازند. بنابراین یافتن اقدامات متقابل مؤثر برای حفظ اعتبار و ارزش تلاش‌های تحقیقاتی کاربر ضروری است.

ما بهترین ابزار اسناد IT را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit