使用者評估方法

視覺化研究均需要進行使用者評估來了解該介面是否達到預期的效用，亦即 實用性（Usefulness），以及是否容易上手，介面是否清楚明瞭到一般使用者能 夠自行運用上手（Usability）。本研究參考過去系統評估方法包含卜小蝶與陳思 穎（2007）的網路分群搜尋引擎評估與黃婷穎（2011）的網路評價視覺化系統，

來建立本系統的使用者評估方法。本研究共有採用兩種使用者評估方法，一為新 聞主題任務觀察法；二為問卷調查法，新聞主題任務的目的是為了瞭解使用者實

49

際使用的情形，與其使用過後的觀感，而問卷調查的目的是為了瞭解使用者使用 本系統的滿意度。實際的評估流程，如圖 18 所示。

圖 18 使用者評估架構與流程

一、 新聞主題任務觀察法

本研究採用觀察法佐以螢幕側錄程式來記錄使用者的操作歷程，並於操作後 立刻施予訪談，瞭解其對本介面於使用上的感受與意見。在新聞主題任務的選擇 上，採用過去 Havre、Hetzler、Whitney 與 Nowell （2002）與 Chung、 Liu、Li 與 Chen（2010）所使用的任務式評估方法，搭配訪談法能夠更深入的了解使用 者的使用感受。本研究設計三項主題引導使用者使用本系統，分別為「塑化劑」、

「埃及政變」與「佔領華爾街」，由於這三項皆屬於一種長期發展且牽涉的相關 人事物複雜的新聞議題，利用具此特性之議題，瞭解使用者如何使用本系統挖掘 相關的新聞資訊再適合不過，而不會因為主題本身過於單純，而使受試者認為沒 有挖掘相關資訊的必要。由於本系統的設計目的是為了新聞瀏覽，或新聞偶遇，

而並非新聞搜尋，因此為了避免受試者將新聞主題任務理解為一個「搜尋任務」， 使用者會被要求選一個最生疏的主題進行瀏覽，並向受試者說明，在操作過程中 可以放棄此主題，任何感興趣的主題，使用者都可以利用此系統來進行瀏覽。

50

同時利用螢幕錄影軟體「Free Screen Recorder」紀錄每位受試者的使用過程。本 研究不限制使用者的使用時間，在使用者自我認為其得到的資訊足夠而停止使用

51

Q：我看見你好像沒有用幾次 Path Filter，是為什麼？

A：因為我覺得他會把我目前看到的狀態弄不見，所以我不想他幫我去除 那些關鍵字，我不喜歡。 ［F001_8-10］

另一方面，為了避免受試者因參與實驗法影響使用滿意度的調查，因此參與

「新聞主題任務」的受試者不得填寫使用者滿意度問卷。參與「新聞主題任務」

的受試者一共十位，其中包含八位圖書資訊學研究所學生與兩位圖文傳播研究所 學生。

二、 循序樣式探勘

本研究利用「循序樣式探勘（Sequential Pattern Mining）」的分析方法，分析 新聞主題任務中受試者的共通使用序列。本研究所設計之視覺化系統，其包含關 鍵字網絡視覺化、歷程記錄與控制、網絡繪圖規則切換、新聞閱讀器與時間區間 控制器等諸多視覺化互動功能，其能夠幫助導引受試者的瀏覽過程、縮放瀏覽視 野，並能夠進一步組織自我的瀏覽歷程，而另一方面，於實驗中（新聞主題任務）

為了予以受試者一個較無拘束的使用過程，希望實驗能夠貼近真實生活的使用情 境，實驗中並無規定受試者應該以什麼樣的方式或是順序使用系統功能，因此受 試者的實際瀏覽過程可能較無結構性。

以整體實驗來說，本系統的功能具多元性，而受試者的使用過程具多樣性，

為了瞭解受試者使用本系統之實際使用情形；大部分受試者究竟是如何使用本系 統所設計的功能？對於受試者來說，多元功能的使用，是否存在順序關係？亦或 存在何種共同樣式的表現？利用循序樣式探勘幫助分析再適合不過。

循序樣式的探勘由 Rakesh 與 Ramakrishnan（1995）提出，其主要目的是用 於挖掘顧客交易資料庫中的循序頻繁的交易序列，將一資料庫視為一群交易集合；

每筆交易為項目（Items）的集合，亦稱為交易集（Itemset）；而每一筆交易以交 易時間排序，以 AprioriAll 演算法（Rakesh & Ramakrishnan, 1995）探勘客戶最

52

頻繁的交易序列。簡單的來說，循序樣式探勘即為了找出大部分的顧客產生的共 同購買樣式，例如，於某大賣場中進行分析的結果發現，百分之六十的顧客會再 購買尿布後購買啤酒，這樣的數據能夠提供決策者進行購物動線的調整（若尿布 與啤酒若設置在鄰近的位置，能夠增加銷售量）。

AprioriAll 演算法的主要精神便是透過支持度（Support）的設定，找出所有 顧客交易之大型序列（Large k-sequence）。圖 19 為本研究使用 AprioriAll 演算法 幫助分析使用序列之實際探勘過程圖，假設資料庫中包含五位受試者（n<6）的 使用序列 Sn；最小支持度為 0.6（Sp=0.6）；首先將所有子序列 Sub-Sk 於 Sn 中 取出，並將相同之 Sub-Sk 刪除（順序與序列包含之項目完全相同即刪除，即使 項目相同但順序不同則視為兩獨立之 Sub-Sk，例如{A, B}與{B, A}為兩獨立之 Sub-Sk）。接著依照規則找出所有最大序列 LSk，若該 Sub-Sk 之支持度小於最小 支持度（0.6）則刪除；所有大於最小支持度之 LSk 不得被其他 LSk 所包含（例 如，{B, D}包含{B}，則刪除{B}；{A, B, D}包含{A, B}，則刪除{A, B}；但是{A, C, D}並不包含{ D, A}），最後產生所有大型序列 LSk。

圖 19 AprioriAll 演算法 資料來源：研究者整理

說明：以五個序列作為範例，說明此演算法如何探勘所有大型序列 LSk

53

本研究於新聞主題任務中，利用螢幕擷取軟體記錄所有受試者之完整使用過 程，為了能夠以 AprioriAll 演算法探勘大型序列樣式，研究者以人工的方式查閱 所有使用過程之影片，並將影片中受試者所有使用情況進行編碼，轉換為便於進

與實用性（Usefulness）等五大項（Plaisant, 2004; Keith & Melanie, 2009），題項 共 25 題（問卷題項詳請參見附件 1）。功能性是為了瞭解系統提供的功能符合使

54

55