Breaking the bias: integrating physiological and self-reported data to improve UX researchers' accuracy and empathy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
User experience (UX) research aims to optimize digital products by tackling users' needs and motivations. Traditional self-reported measures, while cost-effective and accessible, are limited by cognitive biases and fail to capture the multidimensional nature of emotions. This exploratory study investigates whether integrating physiological data alongside self-reported measures during usability testing enhances UX researchers' inferential accuracy and perceived empathy. Specifically, it examines whether visualizations of users' physiological trends and self-reported scales lead to improvements in a researcher's ability to identify usability issues and foster empathy. Twenty-two UX researchers were randomly assigned to two conditions: one received combined self-reported and physiological data visualizations, while the other received only self-reported data. Participants analyzed simulated user journeys, identified usability challenges, and completed a survey on empathy in design. Results showed that participants in the physiological and self-reported data condition demonstrated significantly higher inferential accuracy (63% vs 47%, p <0.10) and greater empathy across both cognitive and emotional dimensions ( p <0.05). Findings suggest that combining self-reported and physiological measures leads to richer insights into the users' emotional journeys, improving decision-making in UX research contexts. Visually mapping emotional valence and arousal data in real time enabled researchers to link usability challenges to user experiences with precision, facilitating targeted follow-up. Simplified data visualizations proved effective in enhancing workflow efficiency and fostering empathy. This study underscores the value of multimethod approaches in UX testing, advocating for tools that integrate and represent diverse data sources. Future research should explore scalability and application in naturalistic settings to advance UX practices further.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle