Artificiell intelligens (AI) och i synnerhet maskininlärning (ML) har inom UX-design visat potential att förbättra designprocessen genom att exempelvis identifiera användargrupper från stora datamängder, effektivisera idégenerering och automatisera repetitiva uppgifter. Det råder dock oenighet kring hur tekniken kan integreras i designprocessen. En viktig del av en designers arbete är att konsekvent prioritera användarbehov och därigenom förbättra användartillfredsställelsen. Därför försöker designers empatiskt sätta sig in i användarnas situation genom att identifiera deras behov och noggrant utforska potentiella problemområden. En visualiseringsteknik som ofta används av designers för att utveckla och förstå användarupplevelsen är journey mapping (JM). JM är dock en mycket resurskrävande process då den förutsätter nära samarbete mellan olika avdelningar och team. Trots detta visar forskning att de flesta designers inte integrerar element relaterade till insikter i sina kartor, vilka ofta är avgörande för att omvandla JM från visuell berättelse till handlingsplan. Integreringen av ML i JM-processen skulle potentiellt kunna möjliggöra en snabbare, mer datadriven och anpassningsbar designprocess som fokuserar mer på användarnas behov och önskemål. Utmaningen ligger i att smidigt integrera tekniken utan att förlora mänskliga perspektiv och tolkningar, vilka är grundläggande för användarcentrerad design. Denna studie fokuserar på att utforska sätt att integrera ML i delar av designprocessen för att möta utmaningarna som uppstår vid strävan efter användarcentrerad design i en resurskrävande miljö. För att uppnå en djupgående och strukturerad förståelse av samspelet mellan designprocessen, empatiskapande samt ML valdes en systematisk litteraturgranskning som den primära datainsamlingsmetoden samt tematisk analys som dataanalysmetod för denna studie. Målet är att utifrån detta resultat presentera praktiska rekommendationer, baserat på sammanställning av befintlig forskning, för hur JM-processen kan omformas och göras mer ML-driven. Genom en omfattande litteratursökning inhämtades data, vilken genomgick kvalitetsbedömning. Därefter genomfördes en inkludering- och exkluderingsprocess i enlighet med förutbestämda kriterier. Detta resulterade i 13 utvalda dokument, från vilka mönster och teman extraherades genom en tematisk analys. Resultatet visade på vikten av samskapande mellan människa och maskin för att möjliggöra en ansvarsfull designprocess. I resultaten presenteras även tekniska möjligheter och dilemman, där ML exempelvis kan automatisera repetitiva uppgifter och möjliggöra kontinuerlig övervakning och utvärdering av användarupplevelsen över tid. Dock kräver detta omfattande och representativa träningsdataset för att konstruera ML-modeller med hög generaliseringsförmåga gentemot nya och komplexa data. Resultaten belyser också bristen på förståelse för ML bland UX-designers och betonar vikten av samarbete med datavetare för att skapa en effektiv designprocess. Utifrån dessa resultat presenteras rekommendationer för en ML-driven JM-process. Även om UX-rollen troligtvis behöver omdefinieras, framhåller resultaten att kulturen inom UX-designprocessen snarare är "dataaktiverad" än helt datadriven. Detta perspektiv understryker det fortsatta behovet av mänsklig intuition och förståelse trots den ökade inriktningen på datadrivna metoder. Slutligen diskuteras hur framtida forskning skulle kunna inrikta sig på att utvärdera rekommendationernas praktiska tillämpbarhet. / Artificial Intelligence (AI), particularly Machine Learning (ML), has demonstrated potential within UX design to enhance the design process by identifying user groups from extensive datasets, streamlining idea generation, and automating repetitive tasks. However, there is ongoing debate about the integration of this technology in the design process. A crucial aspect of a designer's work is consistently prioritizing user needs to enhance user satisfaction. Designers strive to empathetically understand user situations by identifying their needs and meticulously exploring potential problem areas. One commonly used visualization technique employed by designers to develop and understand user experiences is Journey Mapping (JM). However, JM is a resource-intensive process, requiring close collaboration across different departments and teams for extensive data collection. Despite this, research indicates that most designers do not integrate elements related to insights into their maps, crucial for transforming JM from a visual narrative to an actionable plan. Integrating ML into the JM process could potentially enable a faster, more data-driven, and adaptable design process, effectively focusing on user needs and desires. The challenge lies in seamlessly integrating the technology without losing the human perspectives and interpretations fundamental to user-centered design. This study focuses on exploring ways to integrate ML into parts of the design process to address challenges in pursuing user-centered design in a resource-intensive environment. A systematic literature review was chosen as the primary data collection method, with thematic analysis employed as the data analysis method. The aim was to present practical recommendations based on a compilation of existing research on the design process, making the JM process more MLdriven. Through an extensive literature search, data was gathered and subjected to quality assessment. Subsequently, an inclusion and exclusion process were conducted according to predetermined criteria, resulting in 13 selected documents. Patterns and themes were extracted through thematic analysis. The results emphasize the importance of co-creation between humans and machines to enable a responsible design process. Technical possibilities and dilemmas are also presented, highlighting ML's ability to automate repetitive tasks and facilitate continuous monitoring and evaluation of user experience over time. However, this requires comprehensive and representative training datasets to construct ML models with high generalization ability to new and complex data. The results also underscore the lack of ML understanding among UX designers and emphasize the importance of collaboration with data scientists for an efficient design process. Recommendations for an ML-driven JM process are presented based on these findings. While the UX role may need redefinition, the results emphasize a "data-activated" culture within the UX design process rather than being entirely data-driven. This perspective underscores the ongoing need for human intuition and understanding despite the increased focus on data-driven methods. Finally, the discussion explores how future research could evaluate the practical applicability of the recommendations.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:su-226606 |
| Date | January 2024 |
| Creators | Gärdhammar, Lisa Marie Karin |
| Publisher | Stockholms universitet, Institutionen för data- och systemvetenskap |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0026 seconds