卡片分类法-定义产品信息架构

植夫发布

什么是卡片分类?

卡片分类是一种简单易行的信息整理工具,可靠,低成本获得用户观察、分类的方式,它将信息系统中的元素组织得让用户易于理解。

卡片分类法的来源

卡片分类法来源于美国心理学家乔治· 凯利(George Kelly)的人格构念理论(Personal Construct Theory)。该理论的信念是基于:一套个人构念组合起来就构成一个人的观念系统,这个系统决定着他如何去思想、体验、行动和认识新情境。换言之,整个系统就是人格(心理模型、心智模型)。

该理论认为,个人在其生活中经由对环境中人、事、物的认识、期望、评价、思维所形成的观念称为个人构念(personal construct),每个人的生活经验不同,个人构念自然也因人而异,因此个人构念就代表他的人格特征。在这里要区分一个概念“动机”,弗洛伊德的心理动力理论(心理活动的内在力量或内在驱力)。

什么时候使用?

通常在用户研究与设计初期执行。在一些信息量大,信息种类繁多的核心入口,如网站导航、电商网站物品分类、软件菜单等方面,让用户能快速找到自己所需的信息。

卡片分类法的作用

用于帮助设计或者评估信息架构,目的在于了解人们会把信息划分成什么类别,信息之间的关系,以及如何描述被划分的信息,能够发现用户期待的功能和内容,改善信息的分类或组织,让用户能快速找到自己所需的信息,降低用户学习成本,其核心在于发现用户对事物的认知和分类逻辑。可以在卡片分类后进行深入的对话,了解他们归类的原因、价值观。

邀请用户参与可以真正了解符合用户习惯的信息架构。研究者通过使用标有单词、图片的若干主题卡,鼓励参与者按他们的偏好顺序对其进行整理归类。卡片分类可以帮助研究者获得诸多洞察,甚至

主要方法

开放式-卡片分类:无预先规定的标签,由用户按照自己感觉恰当的方式把卡片分为若干组,最后再给分好的组命名,并贴上标签。


封闭式卡片分类:有预先规定的类别,用户只需把卡片上的信息归类到这些分类下。


先开放后闭合的卡片分类法(即先探索再验证)。先探索再验证:在一组用户当中执行开放式的卡片分类法来得出分类的类别,然后在另一组用户当中执行封闭式的卡片分类,运用第一组用户中得到的新分类类别,看看第二组用户是否很容易把卡片归入到这些类别当中。

小组卡片分类法
小组卡片法:多名用户组成的小组一起将卡片信息进行分类。(根据我们实践经验:我们建议先让用户单独划分,然后再小组讨论划分,这样做一方面保留了用户独立思考,另一方面可在一开始就避免小组成员先入为主的影响)

单独测试,很难对大量的卡片进行排列,提供的反馈和意见可能也没有小组测试来得多,小组测试的好处是它可以为你提供更丰富的数据,并且数据之间也会有联系。个人测试往往是单个个体的“自言自语”,而小组测试中,测试人员会进行大声公开的讨论。成组进行测试能够处理更大的卡片数据量并且他们会发生讨论和质疑对方,这样你就能够拥有非常丰富的数据来建立用户的心理模型。

软件卡片分类法
  • 优点:
  • a,用户只需用鼠标拖拽分类就可自动生产数据;
  • b,用户完成分类后直接得到所有原始数据列表和可视化图表结果;
  • c,利于不方便到现场的人员参与;
  • d,可能会邀请到更多用户,从而符合预期的用户类型比例。
  • 缺点:
  • a,软件对卡片数量或用户数量有限制,卡片超过一定数量需要付费;
  • b,在线卡片分类工具要求一张卡片只能出现在一个位置;
  • c,远程在线实施不知道用户分类时遇到的困惑;
  • d,远程操作时用户质量不好把控。
卡片分类法的缺点

不考虑用户目标——如果在使用时没有考虑用户的目标,它可能会导致整个信息架构并不适合用户真正使用场景,比如一款智能手表,分类时分为“手表”类别,但是用户真正在购买时通过人工智能、智能硬件等类别找到,智能手表会淹没在“手表”的海洋里。

结果差异大——可能最后参加测试者提供的结果具有一致性,但也有可能会相差很大,取决于样本抽取是否合理、全面、有代表性。

分析会耗费时间——卡片分类虽然能够帮助我们快速的分类,但是数据的分析却是非常困难和耗时间的,特别是如果测试用户最后反馈的结果并不一致。

执行类型

一对一执行:配备一名可用性团队成员,参与者独立执行。这样可以更深入地了解参与者的思考过程,但耗时较长(一般情况我建议这种方法,比较深入)。

一对多执行:配备一名可用性团队成员,各参与者独立执行。这样可以快速收集多份分类,但需要准备更多的材料,同时对每位参与者的了解不深。

团队共同执行:配备一名可用性团队成员,各参与者共同执行。协作可以更快地完成分类,但需要将团体动力学考虑进去,如群体气氛、群体成员间的关系、领导作风对群体性质的影响。

远程执行:不需要配备可用性团体成员,参与者各自执行。这样可以跨地区执行,但无法了解参与者思考的过程。

如何执行卡片分类?
1、准备好卡片
  1. 主题卡。根据需要测试的主题准备单词主题卡或图片主题卡,每张卡片只有一个主题。通常数量在 50 至 60 ,过量容易造成参与者疲劳。
  2. 空白卡。准备若干空白卡,以便参与者自行添加主题。
  3. 组别卡。考虑使用不同于空白卡的组别卡,让参与者为组别命名。
  4. 主题卡编号。考虑在不明显的地方编号,以便于后续研究者进行分析(要注意编号可能会影响用户判别,一定不能影响用户对当前卡片信息的判断)。
2、选定卡片内容
  • 卡片数量。小于30张,用户很容易完成,但也许不能体现分类;大于100张,用户会累,而且不易记住分类内容,耗时较多,随着用户完成任务动机的提高会影响完成效率。
  • 选择能够进行归纳的内容。如:“wifi,浏览器,通讯录,视频通话,手机壳”中,前四个明显属于手机的功能,最后一个手机壳属于手机的附属物。
  • 内容在同一层级上,避免包含关系。如:“手机多媒体,音乐,图库,视频”中,后面三个内容都包含在手机多媒体中,此时不应该同时出现来让用户分类。
  • 内容和功能任选其一,不能都选。如:“手机尺寸,开关机”中,前者属于内容,后者属于功能。
  • 内容不具有歧义或误导性。如:大数据量操作,用户不清楚是指批量操作很多数据还是指对大数据的量化操作。
  • 合适信息粒度。代表内容的卡片可以是个人页面、功能、页面的小群组或者整个网站的一部分。你必须设置合适的信息粒度,不然测试者将会因为粒度设置的不合理而很难将信息分组。

3、执行准备

  • 邀请用户。可用性专家Nielsen认为大多数可用性研究,5个人就可以达到0.75的( 参与者的实验结果与最终结果) 相关度,他推荐卡片分类的用户数只要15人左右即可达到0.9的相关度。
  • 估算时间。提供估算时间有助于参与者建立完成时的预期。
  • 随时记录。可用性团队成员可以随时记录参与者的想法、理由或挫折。

4、执行测试

  1. 说明目的。清晰地介绍活动,给用户足够多的背景信息,让其明白卡片是关于什么的。
  2. 随机演示。随机出现的卡片有助于参与者进行分类(这个环节不能少,一般用户没有经验或者有经验,演示有助于快速进入状态)。
  3. 分组。尽量保证每个测试人员都有机会参与并提供反馈。如果其中一个测试人员尝试“接管”进程,轻轻提示其他测试用户。如果一个测试人员坐在后面,轻轻的提醒他一下。如果测试人员建立了一个“杂项”的分组,那么你可以问问它们是否满意这一组或者再看看该组中是否还可以进行下一步分组。另外,注意不要引导它们太多,让用户们根据自己的想法进行。
  4. 打乱顺序。最好像洗牌一样打乱顺序交给用户,因为大多数人都不会根据后面看到的卡片来回头重新组织内容
  5. 执行分类。尽量不要打断参与者。并允许参与者使用空白卡添加主题,或弃置不想要的主题卡。
  6. 不同类别的分类:开放式分类时,先不要告诉用户需要进行标签命名,等到分类结束后再告知,否则用户一开始就会琢磨标签命名,而不是考虑如何分组;闭合式分类可以将标签摆在桌面上。
  7. 大声思考。鼓励参与者大声思考,有助于可用性团队成员随时记录。如果用户对卡片内容不理解,主持应给予解释,但不可以引导用户分类。
  8. 及时记录。及时拍摄分好类的主题卡,记录分组的名称、数量以及主题卡。当看到用户对某个卡片犹豫不决时,要立刻询问原因并记录下来。
5、分类结束后访谈
  • 对类别如何命名?
  • 为什么会这么分类,根据什么来分类?
  • 类别中哪些卡片是最有代表性的?
  • 哪些分类困难?为什么?哪些分类容易?为什么?
  • 小组讨论中有哪些观点?
  • 对整体分类的结果是否满意?有什么不满意的地方?
如何分析开放式卡片分类

在以往的卡片分类执行中,往往最后的数据分析会难倒这个统计挂科的人,这里主要摘取别人的统计方法,自己没有试验过。

数据分析方法1——分类结果表和类别概率表

按照之前搜集的数据,制作成两张表格:分类结果表和类别概率表。分类结果表:每一行是一张卡片,每一列是一位参与者,单元格是类别命名。(见下表,为了演示,此处仅列举3名用户数据。注意:针对开放式分类,有些类别命名的意思是一样的,但是参与者使用了不同的措辞,要统一起来。)

类别概率表:每一行是一张卡片,每一列是一个类别,单元格是这张卡片分到这个类别的概率。(见下表,此表根据分类结果表统计出每张卡片被分到每个类别的用户频数,再除以总体用户数即可得到相应单元格的概率值)

数据分析方法2——层级聚类分析

原理:通过测量所有卡片两两之间的距离,来研究它们之间的相似性。故可以使用任何研究距离矩阵的标准统计方法,如层级聚类分析 (hierarchical cluster analysis)、多维标度法 (multidimensional scaling)。

在数学中, 一个距离矩阵是一个包含一组点两两之间距离的矩阵 (即二维数组)。 因此给定 N 个欧几里得空间中的点,其距离矩阵就是一个非负实数作为元素的 N × N 的对称矩阵。——维基百科

工具

Donna Spencer’s Card Sort Analysis Spreadsheets:Donna 的模板提供了 20 * 200 以及 40 * 400 的联动数据表 。除此之外,Donna 的模板还在数据表中提供了标准化的处理。

SPSS Statistics:很多商业统计工具可以实现,包括 Excel 在 Windows 上的插件 Unistat 。下面以 SPSS 的操作分层聚类分析的路径为例。路径:SPSS – Analyze – Classify – Hierarchical Cluster

步骤
1、将每位参与者的数据转成 N * N 的对称矩阵。

根据不同的定义,在录入数据的时候有两种预处理思路,但异曲同工:

  • 组内距离为 0 ,组外距离为 1 ,即相异矩阵。
  • 组内距离为 1 ,组外距离为 0 ,即共生矩阵。

以共生矩阵为例,设定单个参与者放置在同一组的卡片之间距离为 1 ,录入参与者的卡片分组,可以得到一张这样的矩阵——矩阵中的距离只能是 1 或者 0 。

2、将所有参与者的 N * N 对称矩阵叠加。

叠加之后的对称矩阵可以看到两两卡片被放到一组的频次。因分析数据的需要,需要补齐完整的矩阵,包括对角线。

  • 在相异矩阵中,对角线为0。
  • 在共生矩阵中,对角线为用户数。
  • 以共生矩阵为例,所有参与者的对称矩阵如下。
3、调整数据格式。

在变量视图里面,将卡片名调整为定类变量,将卡片频次调整为定距变量。

4、聚类分析。

在使用 SPSS 运行层级聚类分析时,可以使用不同的联接方法和度量距离进行运算。根据经验,Between-Groups Linkage (组间联接法)、Within-Groups Linkage (组内联接法) 以及Ward’s Method (Ward法) 是比较行之有效的连接方法;同时,由于我们是对观察记录 (cases) 进行分类,在选取度量区间上使用 Q 型聚类的 Euclidean distance (欧氏距离) 或 Squared Euclidean distance (欧氏距离平方)。

联接方法
  • Between-Groups Linkage (组间联接法):合并两类,使所有两类的平均距离最小。系统默认选项。
  • Within-Groups Linkage (组内联接法):合并两类,新类中所有项之间的平均距离最小。
  • Nearest Neighbor (最近邻法):以两类间最近点间的距离,代表两类间的距离。
  • Furthest Neighbor (最远邻法):以两类间最远点间的距离,代表两类间的距离。
  • Centroid Clustering (重心聚类法):定义类与类之间的距离为两类中各样本的重心之间的距离。
  • Median Clustering (中位数聚类法):定义类与类之间的距离为两类中各样本的中位数之间的距离。
  • Ward’s Method (Ward法):聚类中使类内各样本的离差平方和最小,类间的离差平方和尽可能大。
度量区间
  • Euclidean distance (欧氏距离):即两观察单位间的距离为其值差的平方和的平方根。用于 Q 型聚类。
  • Squared Euclidean distance (欧氏距离平方):即两观察单位间的距离为其值差的平方和。用于 Q 型聚类。系统默认项。
  • Cosline (余弦相似性测度):变量矢量的余弦,这是模型相似性的度量。
  • Pearson conelation (皮尔逊相关系数):即相关系数距离,是线性关系的测度,范围是-1~+1。用于 R 型聚类。
  • Chebychev (切比雪夫距离):即两观察单位间的距离为其任意变量的最大绝对差值,用于 Q 型聚类。
  • Block (Manhattan 距离):两项之间的距离是每个变量值之差的绝对值总和,用于 Q 型聚类。
  • Minkowski (闵科夫斯基距离):距离是一个绝对幂的度量,即变量绝对值的第 p 次幂之和的平方根。p 由用户指定。
  • Customized (自定义距离):距离是一个绝对幂的度量,即变量绝对值的第 p 次幂之和的第 r 次根。p 与 r 由用户指定。
7、从冰柱图 (Vertical Icicle) 和系统树图 (Dendrogram) 查看分类结果。
冰柱图怎么看。
  • 观察纵轴,通过添加切割线进行水平切分。
  • 观察0至切割线区间,白柱间的间隔,间隔即为组。

系统树图怎么看。

  • 从左至右看,可以看到哪些卡片在最开始就聚类到一起。
  • 从右往左看,通过添加切割线进行垂直切分,了解组数;组数可以是参与者的平均组数,也可以是业务方的目标组数。

通常,一个开放式卡片分类后,可以紧跟一个或多个封闭式卡片分类,通过封闭式卡片分类来验证信息归类是否合适。

数据分析方法3——如何分析封闭式卡片分类
  1. 原理:定义衡量指标为把主题卡放置各组别中的参与者比例。每张主题卡在组间比例悬殊较大的,是较有把握的分类;反之,是存在分歧的分类。
  2. 工具:使用 Excel 就可以完成基础统计。
  3. 步骤
  • 邀请参与者将主题卡与组别匹配。
  • 将每位参与者的数据转成 N * N 的对称矩阵。
  • 将所有参与者的 N * N 的对称矩阵叠加。
  • 将频次转化成百分数,标记出每张主题卡的最大百分数。
  • 求最大百分数的平均数,该平均数可以衡量该组组名是否有效。
数据分析方法4——层次聚类方式OptimalSort软件分析

采用OptimalSort软件,依次填写Settings、Sards(免费版本中卡片限制在30张以内,数据分析只能看10个用户数据)、Categories,然后分别点击右上角Save和Launch,将Survey Address发送给用户,即可进行卡片分类。该软件适用于开放、闭合、混合式(即开放+闭合)三种形式的卡片分类数据分析。

  1. 在个人账户里可以看到所有的研究项目。
  2. 点击Result即可得到最终数据分析结果。
数据分析方法5——层次聚类方式SynCaps Data分析

采用OptimalSort软件得到用户数据,进入Result,下载SynCaps Data。打开Synacapsv1软件,直接将SynCaps Data导入Syncapsv1软件,即可自动得出层次聚类分析结果,此时可在软件界面根据需要来选定划分的组数。

  1. 下载SynCaps Data
  2. 将SynCaps Data导入Syncapsv1软件
分析方法6——层次聚类方式xSort软件

采用xSort软件(完全免费,对卡片和用户数都没有限制,但只可在MacOS上使用),在Sorting中输入卡片基本信息,设置好后,让用户拖拽鼠标即可完成分类,在Result中即可查看最终结果。

  1. 输入信息

查看分类结果

写在最后的一些经验
  • 主题卡编号提高录入效率。将线下数据转录至线上是一个量大效率低的事,结合卡片编号可以有效提高录入效率。
  • 主题卡的措辞尽量精准,避免偏差、歧义。无法避免时,可以在主题卡上加以解释。否则难以理解的主题卡会被用户分到无法解释的类别。
  • 用户的结果不一定是合适的。在主题卡涉及领域较广且主题卡理解有不可避免的偏差时,目标用户的分类受知识所限,可以考虑专家法,执行封闭式卡片分类。
  • 浏览每位用户创建的内容分组,查看分组是否存在某种趋势;每位用户在分组过程中的行为、态度是否类似,有何差异;哪些分组结果是对预期分类的肯定,哪些分组结果是对预期分类的否定;是否有出乎意料的分类结果。

参考资料:

https://mp.weixin.qq.com/s/p2AqKoKFW7F9t4t1-tqwOw

https://www.jianshu.com/p/6f3832011e47?utm_campaign=maleskine&utm_content=note&utm_medium=seo_notes&utm_source=recommendation

分类: 设计探索

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据