智能反馈
在智能系统的上下文中，“用户反馈”是指 收集、解释用户反馈并将其整合到系统中以提高智能和结果的过程。
反馈总是由用户触发。反馈基于用户在审查和响应 AI 输出时的判断和经验。
何时使用
如果您想启用动态学习行为以增强产品的智能，请收集用户对 AI 输出的反馈。
反馈收集
在决定如何收集反馈时，需要考虑四个主要方面：
- 反馈收集方式
- 反馈收集上下文
- 用户输入类型
- 反馈交互方式
反馈收集方式
反馈收集可以是隐式的或显式的。
隐式反馈
隐式反馈是通过跟踪用户的活动来收集的，包括导航路径、搜索查询、输入和其他交互。这种方法在用户与系统交互时收集反馈，并且不会中断。
隐式方法满足大多数收集需求。
明确的反馈
当用户打断他们的常规操作以提供反馈时，或者当系统打断用户要求反馈时，就会给出显式反馈。明智地使用显式反馈方法，并且仅在隐式方法不合适时才使用。
显式方法满足特殊的收集需求。
反馈收集上下文
触发器的位置反映了收集反馈的背景或目的。我们可以将上下文大致分类为“本地”反馈或“全局”反馈。
局部反馈的特征
- 反馈触发器靠近 UI 元素和上下文信息。
- 用户可以就特定组件或值提供直接反馈。
- 本地反馈有明确的重点，这使得事后更容易解读反馈。
全局反馈的特征
- 反馈适用于整个页面，甚至整个应用程序。
- 重点不限于特定的组件或值。
- 收集反馈的目的是改进整个 ML 模型，而不是单一的推理。
用户输入类型
要选择合适的输入控制，请考虑寻求反馈的不同方式以及您将如何利用这些见解。方法和格式决定了反馈的质量。
结构化输入
您可以通过使用一组给定选项提出封闭式问题来收集非常具体的反馈。用户只能以预定义的格式回答，不能随意反馈。
结构化反馈的特点：
- 问题有明确的重点。
- 问题可以用“是”或“否”来回答。
- 收集到的反馈通常与推荐的质量有关。
非结构化输入
您还可以通过提出开放性问题来收集不受限制的反馈。在这里，用户可以提供复杂的答案，并包括对您未曾想到的方面的反馈。这使您可以收集有关不属于您系统的外部现实世界因素的见解。
非结构化反馈的特点：
- 问题是公开提出的，邀请无限的答案。
- 收集反馈以获得有关情报服务质量和性能的信息。
- 收集反馈以了解用户在执行任务时在 UI 上的行为。
- 反馈处理需要时间，需要详细调查才能准确解释。
反馈交互方式
用于收集显式反馈的交互方法取决于用例和用户的动机。我们区分 主动用户和被动用户：
活跃用户的交互方式
对于活跃用户，在 UI 上提供可选的反馈触发器，以便用户可以随时提供反馈。
被动用户的交互方法
对于被动用户，提示用户使用反馈表或通知提供反馈。通过这种方法，系统会中断用户的工作流程以寻求反馈。
- 不要在请求反馈的过程中打断用户的工作流程。
- 对于活跃用户，将反馈触发器放置在靠近您正在收集反馈的内容（上下文）附近。
- 对于被动用户，在流程结束时请求反馈。用户提交反馈后，显示一条消息以确认已收到反馈。
- 为用户提供跳过反馈步骤的选项。
- 为了获得用户的信任，对用户的反馈进行及时的系统响应，并确保反馈可跟踪。
反馈模式类型
到目前为止，我们已经确定了三种 AI 反馈模式类型：
- 确认或更正：用户对 AI 提供的解决方案进行确认或更正。
- 跟踪用户操作：系统跟踪用户对 AI 结果执行的操作。
- 测量可观察行为：系统测量用户体验 AI 结果的可观察行为。
确认或更正
用户可以主动对 AI 输出给出 结构化反馈 ，以帮助系统随着时间的推移学习和提高其智能。此类反馈的示例包括确认和纠正 AI 结果。我们区分二进制和非二进制反馈收集方法。
二进制反馈收集
简单的二进制反馈收集方法的示例是操作按钮、切换按钮或切换控件，如复选框（选中、取消选中）。
非二进制反馈收集
在非二进制反馈收集方法中，提供了多个选择类别。可能的控件包括组合框或列表选择和单选按钮的组合。
如果你想使用这个模式：
- 收集减少偏见的用户反馈
- 使用预定义的用户反馈为监督学习准备 AI 模型
- 创建一个只能使用结构化反馈的 AI 模型
- 收集多类分类或聚类问题类型的反馈
跟踪用户操作
智能系统还可以从用户对 AI 结果执行的 UI 操作中学习。这些行动包括：
- 选择、排序、过滤和分组 AI 结果
- 对 AI 结果进行评级
- 搜索 AI 结果
所有这些交互都可以隐式跟踪以进行再训练，以显示经过优化和优化的 AI 结果。
选择、排序、过滤和分组 AI 结果
用户可以通过选择、排序或过滤项目来个性化 AI 结果。他们还可以执行操作来对结果进行分组，例如：
- 添加到购物车：用户将商品移至更集中的列表，该列表将很快得到处理。
- 不相关：用户对 AI 确定的项目不感兴趣，但希望将来在其他上下文中看到该项目。
- 保存以备后用： 该项目在当前上下文中不相关，但是是一个有趣的发现。用户将它移到一个不太集中的列表中，以便稍后重新访问它。
在这里，您可以使用网格列表来显示推荐的项目列表。每个块包含一个项目，具有足够的详细信息供用户做出决定。要收集本地反馈，您可以在块中放置一个 主要操作按钮来记录用户的操作。如果您需要容纳更多操作，请使用溢出菜单。
或者，您可以使用响应式表格来显示推荐项目列表。在这种情况下，您可以 在行项目级别提供一个主要操作按钮来记录用户操作。如果您需要容纳更多操作，请使用溢出菜单。
对 AI 结果进行评级
您可以为用户提供使用评级指标对评级 AI 结果进行优先排序的选项。然后，该评级可用于根据所有结果的数字等级（从最高到最低）确定单个 AI 结果的有用性。
搜索 AI 结果
当用户在 AI 结果列表中搜索特定项目时，系统可以使用搜索信息返回相似的结果或根据用户的兴趣和搜索历史优化结果的顺序。
如果你想使用这个模式：
- 主要收集有关 AI 结果质量的反馈
- 收集多类分类或聚类问题 类型的反馈
测量可观察的行为
一旦用户开始检查 AI 结果，系统就可以通过观察用户浏览结果时的行为来学习。该系统可以跟踪各种交互变量，统称为 点击流数据分析。这包括跟踪查看的项目、 浏览模式、 保留供将来参考的项目、推荐给朋友的项目、 在单个任务上花费的时间等等。从点击流数据分析中获得的见解用于提高未来 AI 输出的质量。
由于此反馈是完全隐式的，因此没有为此模式定义任何 UI 交互。由各个应用领域探索如何将点击流数据分析输入到他们自己的 AI 模型中。
注意：这种隐式反馈收集方法对最终用户不透明，可能需要事先征得用户同意。如果您总是在收集反馈数据并使用它来优化 AI 结果之前征求用户的明确同意，用户就更有可能信任和接受 AI。
如果你想使用这个模式：
- 使用推荐产品或服务列表收集用户界面的反馈
- 隐式收集用户反馈，因为显式反馈收集方法无法收集足够的数据来训练 AI