面向用戶生成內(nèi)容的創(chuàng)意思維知識服務研究

李曉英，唐冬琳

湖北工業(yè)大學 工業(yè)設計學院，武漢 430068

伴隨著物聯(lián)網(wǎng)與數(shù)據(jù)分析技術的快速發(fā)展與應用，傳統(tǒng)的設計領域產(chǎn)生了巨大的變化[1]?！耙杂脩魹橹行摹钡漠a(chǎn)品設計理念越來越重要，深入洞察用戶需求是產(chǎn)品概念設計前期的關鍵環(huán)節(jié)[2]。傳統(tǒng)的用戶調研方法中獲取用于產(chǎn)品設計的數(shù)據(jù)通常是一項耗時且昂貴的工作。目前用戶在線數(shù)據(jù)逐漸成為設計人員獲取用戶對產(chǎn)品和服務的體驗的重要信息來源[3-4]。現(xiàn)階段通過集合數(shù)據(jù)挖掘和文本分析技術來解決用戶需求的獲取、識別、分析及表達，其研究內(nèi)容主要包含三方面：一是從用戶使用產(chǎn)品過程中采集后臺數(shù)據(jù)并進行分類處理，分析用戶需求特征與規(guī)律，提供虛擬產(chǎn)品界面的迭代設計策略[2，5]；二是從用戶購買服務過程中挖掘相關商品信息[6]、用戶在線評論[7-10]與售后服務數(shù)據(jù)[11]，分析消費者對產(chǎn)品功能與外觀的偏好，提供實體產(chǎn)品的改良設計策略；三是從用戶信息交流平臺中爬取相關主題的文本數(shù)據(jù)加以識別分析與可視化表達，獲取用戶的關注與偏好信息，把握用戶需求的主流趨勢[12]。這些研究多聚焦于產(chǎn)品功能層面的用戶分類需求或宏觀層面的消費者群體需求趨勢，較少涉及行為與情感層面的用戶信息研究與創(chuàng)意思維關聯(lián)應用。楊煥[13]針對移動應用界面設計，借助在線文本建立用戶體驗與故事情景法的用戶需求洞察路徑；Ahmed 等[14]借助大量的概念設計文本集（如Open IDEO在線協(xié)作創(chuàng)意社區(qū)概念文本數(shù)據(jù)等），在創(chuàng)意設計過程中引入網(wǎng)絡可視化技術與方法，實現(xiàn)有效信息的快速捕捉與設計靈感的組合創(chuàng)造。上述研究為如何從用戶在線文本中獲取產(chǎn)品設計創(chuàng)意提供了方法與技術支持。為了進一步完善和提高用戶研究效率和創(chuàng)意知識獲取水平，在相關研究的基礎上，本文提出面向用戶生成內(nèi)容的創(chuàng)意思維知識服務研究。運用文本分析與可視化技術，從冗雜的用戶在線文本中挖掘有用的信息，將其轉化為可視化圖表并建立創(chuàng)意思維映射，輔助設計人員在智能產(chǎn)品設計前期快速洞察用戶有效信息并啟發(fā)創(chuàng)意靈感。

1 創(chuàng)意思維知識服務研究模型

隨著社交媒體生活普遍化，越來越多的用戶在互聯(lián)網(wǎng)平臺發(fā)表他們對某一事物的關注、情緒與偏好等方面的個人原創(chuàng)信息，即用戶生成內(nèi)容（User-Generated Content，UGC）。UGC 通常呈現(xiàn)非結構化的文本格式，具有廣泛性、自發(fā)性、互動性、意識性等特征[15]，有助于產(chǎn)品概念設計的創(chuàng)意思維開發(fā)。以UGC中的文本數(shù)據(jù)為研究對象，構建面向UGC 的創(chuàng)意思維知識服務研究模型，如圖1所示。該模型從設計模糊定位的UGC域到清晰認知的可視化域，再到設計洞察的創(chuàng)意知識域，構成創(chuàng)意思維知識服務的信息金字塔。

UGC域基于唐納德·A·諾曼的設計層次理論[16]，將UGC 信息特征劃分為用戶的生理與認知特征、行為習慣特征與表達情感特征，引出對應詞組要素的分類，從而保證快速獲取并識別用戶需求的有效信息。用戶的生理與認知特征分別對應生理數(shù)值詞（Physiology，P）與認知特征詞（Cognition，C），用戶的行為習慣特征對應常用動作詞（Behavior，B），用戶的表達情感特征對應情感變化詞（Emotion，E），用戶群體對象對應角色稱呼詞（User，U）。可視化域借助詞頻分析、情感分析與網(wǎng)絡分析等文本分析與可視化技術，輸出關鍵詞詞頻類目表和一系列關鍵詞網(wǎng)絡圖，實現(xiàn)有效信息的關聯(lián)分析與可視化表達，展示出用戶關注焦點信息、語境內(nèi)容關聯(lián)信息、用戶情感體驗度量與關聯(lián)要素分區(qū)指引。創(chuàng)意知識域基于唐納德·A·諾曼提出的三個設計層次，對應形成創(chuàng)意知識獲取的物理功能層面、交互行為層面與情感反饋層面。創(chuàng)意知識獲取的三個層面有助于從可視化信息中深入用戶的認知、行為與情感方面的用戶研究，展開聯(lián)想轉移、活動情景與用戶故事等角度的創(chuàng)意構想。研究模型中UGC域是UGC分析的輸入端口，體現(xiàn)于創(chuàng)意思維知識服務過程中的用戶數(shù)據(jù)特征提取與有效信息分類；可視化域是UGC分析的輸出端口，其中輸出圖表和創(chuàng)意知識域的創(chuàng)意知識獲取層面構成創(chuàng)意思維映射。

2 UGC分析與創(chuàng)意思維映射

UGC分析是將文本分析與可視化技術引入創(chuàng)意思維的信息處理關鍵部分；創(chuàng)意思維映射是可視化圖表與創(chuàng)意知識獲取層面的映射分析過程。

2.1 UGC分析技術與流程

在現(xiàn)有詞庫基礎上通過反復測試與更新，拓展中文分詞庫、停用詞庫，構建UGC有效要素分類詞庫與情感分析詞庫作為分析基礎材料。本文選用八爪魚采集器和R 語言作為分析工具，建立UGC 文本分析與可視化技術流程，如圖2 所示。該流程主要分為UGC 采集、文檔預處理、信息提取與可視化三個環(huán)節(jié)。其中，信息提取與可視化是UGC 分析流程中的關鍵環(huán)節(jié)，主要通過詞頻分析、情感分析與網(wǎng)絡分析，實現(xiàn)UGC的關鍵詞要素分類提取、語境內(nèi)容關聯(lián)數(shù)據(jù)處理與關鍵詞網(wǎng)絡可視化。

2.1.1 詞頻分析

詞頻的高低反映出用戶對該詞的關注程度，借助高頻詞表明用戶關注的聚焦信息。依據(jù)高頻詞臨界值估算方法[17]，提取目標語料庫中有效高頻詞。在實踐分析基礎上，由于常用動作詞出現(xiàn)的頻次相對較低，選用二八定律提取常用動作高頻詞。

定義1H_value為高頻詞臨界值，M為目標語料庫中全部有用詞個數(shù)，如式（1）所示：

圖1 面向UGC的創(chuàng)意思維知識服務研究模型

圖2 UGC文本分析與可視化技術流程

定義2BH_value為高頻詞臨界值，BM為目標語料庫中常用動作詞個數(shù)，如式（2）所示：

同時將情感變化詞預先提取，全部作用于后續(xù)情感分析中的情感極值標記環(huán)節(jié)。在通過UGC情感分析詞庫與有效要素分類詞庫進行詞類標注等文檔預處理后，利用式（1）與式（2）布爾運算提取各類別的關鍵詞。進而設定詞組的簡稱代表對應集合，即：角色稱呼詞組集合U、生理數(shù)值詞組集合P、認知特征詞組集合C、常用行為詞組集合B、情感變化詞組集合E。將U、P、C、B輸出為關鍵詞詞頻類目表，從而獲得用戶群體對象、生理特征、認知特征與行為特征信息，進行宏觀定位并初步把握用戶文本中的設計要素。

2.1.2 情感分析

情感分析是指發(fā)現(xiàn)人們對事物情感傾向或情緒動態(tài)等相關研究[18]。結合設計思維的用戶情感體驗要素，量化處理文本語境中的情感關聯(lián)傾向，分析關鍵詞要素之間的用戶情感關聯(lián)級別。首先，根據(jù)“主+謂+賓+情狀副詞”的句子主干成分對關鍵詞重新排序，識別并排列關鍵詞所在句子中的語境內(nèi)容順序。主語與賓語表示人或物，與U/P/C（用戶、生理、認知）對應；謂語說明動作或操作，與B（行為）對應；“情狀副詞”表達情緒狀況或觀點態(tài)度，與E（情感）對應。然后，基于情感分析詞庫分類標記并計算每一條有效句子的情感極值，實現(xiàn)文本語境情感關聯(lián)的數(shù)據(jù)化過程[19]。其中，情感極值評分規(guī)定如下：情感分析詞庫包括程度副詞、正面情感詞與負面情感詞，正面情感詞記為+0.1、+0.3、+0.5，負面情感詞記為-0.1、-0.3、-0.5；若出現(xiàn)程度副詞的評分結果乘以2，未出現(xiàn)情感變化詞的評分結果為0，帶有否定詞則評分結果取反；若最終評分結果中絕對值大于0.6，則對應賦值為+0.7（或-0.7）。

在情感分析過程中，通過將關鍵詞進行句子主干標準化，并對句子中情感變化詞進行量化標注，從而實現(xiàn)用戶聚焦關聯(lián)信息的正負情感級別度量，又為創(chuàng)意構想中行為交互與用戶故事提供切實有效的用戶文本語境。

2.1.3 網(wǎng)絡分析

網(wǎng)絡分析已成為復雜系統(tǒng)關聯(lián)可視化的關鍵方法，使復雜關系可以通過簡單的網(wǎng)絡圖描述實現(xiàn)。本文從微觀角度深入研究用戶文本中關鍵詞語境內(nèi)容與情感之間的關聯(lián)，快速鎖定相關利益者的關系網(wǎng)絡和用戶的生理、認知、行為及情感特征之間的關聯(lián)網(wǎng)絡。在網(wǎng)絡分析中，將詞頻分析的不同類目關鍵詞作為節(jié)點屬性，將情感分析的句子主干成分順序和情感極值作為連線屬性，輸出一系列關鍵詞網(wǎng)絡圖。在關鍵詞網(wǎng)絡圖中節(jié)點標簽顯示關鍵詞信息，節(jié)點顏色說明關鍵詞的類別，節(jié)點大小代表關鍵詞的頻次；連線表示共現(xiàn)詞組所在句子的語境關聯(lián)，連線顏色說明關鍵詞所在語境的情感傾向，連線粗細代表其相連關鍵詞之間的共現(xiàn)頻次（Cooccurrence Frequency，Co_Freq）；節(jié)點周圍的連線數(shù)量稱為節(jié)點度（Degree，Deg）。共現(xiàn)次數(shù)傳達關鍵詞之間的密切度，節(jié)點度衡量某一關鍵詞的輻射度[20]。

依據(jù)設計方向進一步選定某一高頻關鍵詞作為中心節(jié)點，對其相鄰節(jié)點的網(wǎng)絡屬性作出兩項定量分析，得到用戶情感體驗度量與關聯(lián)要素分區(qū)指引。其一，將相鄰節(jié)點以情感極值與Co_Freq 屬性分布構成用戶情感體驗度量網(wǎng)絡圖，直觀地呈現(xiàn)關鍵詞要素的正負情感關聯(lián)級別與密切度強弱級別（見第3.2.2節(jié)）。用戶情感體驗度量網(wǎng)絡圖可以捕捉用戶正負面情感關聯(lián)的核心信息，作用于挖掘用戶情感表達上的創(chuàng)意設計概念。其二，將相鄰節(jié)點以Co_Freq 與Deg 屬性分布構成關聯(lián)要素分區(qū)指引網(wǎng)絡圖[21]。通過線性回歸分析與高頻臨界值估算法變量處理，形成相鄰節(jié)點密切度與輻射度級別的四個象限區(qū)域（見第3.2.2節(jié)）。關聯(lián)要素分區(qū)指引網(wǎng)絡圖中四個象限展示出關聯(lián)信息中的核心區(qū)域（Q1）與次要區(qū)域（Q3）。Q1中節(jié)點處于強密切度與強輻射度區(qū)域，作為設計主題下用戶研究信息中的核心關聯(lián)范疇，主要作用于交互行為情景與用戶故事框架的構建；Q3中節(jié)點處于弱密切度與弱輻射度區(qū)域，作為用戶故事的補充參考信息。同時該網(wǎng)絡圖中強弱輻射度反映出與中心節(jié)點相鄰的關鍵詞在語料庫的飽和狀態(tài)[22]，強輻射度區(qū)域（Q1與Q2）與弱輻射度區(qū)域（Q3與Q4）說明突顯網(wǎng)絡圖節(jié)點設置的線索區(qū)域。Q1 與Q2 中節(jié)點相對處于強密切度，說明該關鍵詞處于不飽和狀態(tài)，作為指引查看該詞的突顯相鄰網(wǎng)絡圖，獲得更多用戶語境的有效關聯(lián)信息；Q3 與Q4 中相鄰節(jié)點的輻射度低，說明該關鍵詞處于過飽和狀態(tài)，作為指引查看該詞的突顯最短路徑網(wǎng)絡圖，完善用戶故事或活動情境的強關聯(lián)信息細節(jié)。為了分析過程有序且高效，對網(wǎng)絡分析的可視化輸出作出如下設置：頻次參數(shù)篩選設置，查看中心網(wǎng)絡圖；類目項篩選設置，查看U/P/C/B 詞網(wǎng)絡圖；指定節(jié)點篩選設置，查看突顯相鄰網(wǎng)絡圖或突顯最短路徑網(wǎng)絡圖。

2.2 創(chuàng)意思維映射分析過程

UGC可視化輸出圖表中蘊含著大量的用戶有效信息，任何一項可視化圖表都會產(chǎn)生一個或多個不同設計層面的創(chuàng)意點，因而建立面向UGC 可視化輸出圖表的創(chuàng)意思維映射，如圖3所示。關鍵詞詞頻類目表呈現(xiàn)用戶群體對象、生理特征、認知特征、行為特征等聚焦信息。關鍵詞網(wǎng)絡圖展示用戶聚焦關注的語境內(nèi)容與情感關聯(lián)等信息，保證創(chuàng)意思維過程中用戶故事的客觀性與有效性。采用人物（who）、時間（when）、地點（where）、關聯(lián)事物（what）、關聯(lián)行為（what）與關聯(lián)情感傾向（how）（簡稱5w1h）的故事框架下[23]，通過組合、對比、相似、因果等聯(lián)想思維方法，將關鍵詞網(wǎng)絡圖的關鍵詞要素演變?yōu)閯?chuàng)意概念產(chǎn)生過程中的用戶故事。創(chuàng)意思維映射分析過程從物理功能層面、行為交互層面與情感反饋層面有效地洞察關鍵詞網(wǎng)絡圖，全面地識別并分析創(chuàng)意知識獲取途徑。

2.2.1 物理功能層面

物理功能層面通常與行為交互層面、情感反饋層面互為交融，在本文研究中，用戶行為習慣與表達情感的關聯(lián)信息主要分布于P（生理）與C（認知）。關鍵詞詞頻類目表可以反映用戶生理和認知特征的聚焦信息及規(guī)律；關鍵詞網(wǎng)絡圖的P與C分布、節(jié)點大小、連線粗細等屬性，可以體現(xiàn)用戶聚焦事物中關聯(lián)信息的關注程度與情感傾向。通過突顯網(wǎng)絡圖中語境關聯(lián)信息可以構建并完善故事細節(jié)，進而模糊定義產(chǎn)品概念的功能。

2.2.2 行為交互層面

行為交互層面?zhèn)戎胤治鲇脩舻某Ｓ脛幼髁晳T與其關聯(lián)信息，該信息主要體現(xiàn)于B（行為）。關鍵網(wǎng)絡圖中的B分布、節(jié)點大小、連線粗細等屬性，傳達常用動作習慣之間的關聯(lián)強度與情感傾向，可從中獲取用戶行為習慣。按照“常用動作詞——交互形式——活動場景——情感體驗”的行為交互聯(lián)想線索，通過量化分析網(wǎng)絡圖中獲取核心動作詞并主導聯(lián)想產(chǎn)品交互方式與活動場景，為產(chǎn)品交互模式提供對應活動情景與用戶情感體驗分析。在用戶研究分析基礎上，借助突顯相鄰網(wǎng)絡圖獲取核心動作詞的語境內(nèi)容關聯(lián)信息，從用戶行為關聯(lián)信息出發(fā)進行5w1h 用戶故事聯(lián)想；借助突顯最短路徑網(wǎng)絡圖獲取對應關鍵詞要素下的強關聯(lián)信息，補充創(chuàng)意思維過程中的用戶故事細節(jié)。

圖3 面向UGC可視化輸出圖表的創(chuàng)意思維映射

2.2.3 情感反饋層面

情感反饋層面主要與用戶的情感、觀點和態(tài)度有關，該層面信息分布于關鍵網(wǎng)絡圖中E（情感）。根據(jù)關鍵詞網(wǎng)絡圖中的情感關聯(lián)，通過提取主體對象的正負面情感強關聯(lián)信息，作為產(chǎn)品人性化設計概念的切入點；借助關鍵詞網(wǎng)絡圖的情感關聯(lián)多重性，采用聯(lián)想轉移方式使參與對象轉移主體對象的負面情感關聯(lián)信息，或者利用正面情感關聯(lián)信息替代負面情感關聯(lián)信息，改善或疏導負面情緒。根據(jù)用戶情感體驗度量網(wǎng)絡圖獲取正負面不同級別的用戶情感關聯(lián)要素，其中用戶正負面情感關聯(lián)的核心信息，作用于設計要素中的興奮點與痛點參考信息。根據(jù)突顯相鄰網(wǎng)絡圖與突顯最短路徑網(wǎng)絡圖中語境情感關聯(lián)信息可以補充并豐富故事情感，使產(chǎn)品設計概念融入用戶的情感體驗之中。

3 案例實踐應用

以“孕期健康，關愛胎兒”產(chǎn)品設計為實踐主題，依據(jù)2019 年國內(nèi)綜合母嬰平臺用戶體驗滿意度調查，選定排名前三的“媽媽網(wǎng)”“寶寶樹”“育兒網(wǎng)”作為UGC采集數(shù)據(jù)源[24]。為了保證采集信息的實用性與設計思維的開放性，在前期預定設計檢索詞與數(shù)據(jù)采集分析基礎上，本次研究以“胎心”作為檢索詞，采集內(nèi)容包括正文、發(fā)表時間及查閱人數(shù)。經(jīng)時間限定（2017.1—2019.9）與查閱數(shù)（＞100）過濾原始數(shù)據(jù)獲得1.2 萬多項UGC 有效數(shù)據(jù)。進一步經(jīng)清洗與文檔預處理獲得有效UGC語料庫，其中包括5 687個有用詞，32 680條有效句子。通過UGC 分析獲得可視化圖表，依次按照U、P、C、B 類目與情感傾向查看圖表信息。為了驗證創(chuàng)意思維的映射分析過程，后期將胎心話題進一步具體到胎心健康監(jiān)測方向。

3.1 詞頻分析輸出

從關鍵詞詞頻類目表可以看出孕婦討論胎兒胎心話題的聚焦內(nèi)容，如表1所示。U對應用戶群體對象，該信息表明在研究主題下胎心的主體對象為“胎兒”與“準媽媽”；家庭關系中相關角色主要涉及“準爸爸”與“奶奶”等家人，社會關系中相關角色主要包括“醫(yī)生”“姐妹們”“護士”；“女孩”與“男孩”說明“胎心”與胎兒性別可能存在一定的關聯(lián)性。進一步分析P并圖形化，圖4中變化折線表明胎兒與胎心話題的重點關注時間有“孕早期6～8周”“末次月經(jīng)”“孕晚期”。C與B將在后續(xù)網(wǎng)絡圖中分析。

3.2 網(wǎng)絡分析輸出

3.2.1 中心網(wǎng)絡圖

結合詞頻分析輸出的關鍵詞詞頻類目表，進一步進行網(wǎng)絡分析，結果如圖5 所示。以圖5（a）中心網(wǎng)絡圖I的熱點區(qū)域中可以看出“胎心”與“懷孕”“B 超”“醫(yī)院”“胎動”“胎心監(jiān)護”等詞存在著密切的關聯(lián)性。由于圖5（a）中節(jié)點分布相對密集，不易辨別連線的情感關聯(lián)信息，進一步通過頻次參數(shù)篩選設置輸出中心網(wǎng)絡圖II，如圖5（b）所示?！疤バ摹迸c“胎兒”“準媽媽”的強關聯(lián)性表明研究對象“胎心”具有雙重主體性；“胎兒”與“醫(yī)生”“準爸爸”“姐妹們”的關聯(lián)強度，表明孕期活動中的重要參與對象，并可以推測出孕婦主要的活動場景為家、醫(yī)院和互聯(lián)網(wǎng)平臺。正負情感傾向分別通過橙色系與藍色系連線表示?！疤バ摹敝車乃{色系連線居多，表明“胎心”帶給孕婦產(chǎn)生較多緊張與擔憂；反之，“胎兒”周圍的橙色系連線居多，表明“胎兒”給予孕婦收獲較多喜悅?！疤骸迸c“準媽媽”“醫(yī)生”有著橙色與藍色兩種重疊連線，說明在不同情景下可能產(chǎn)生不同情緒。“胎兒”與“準爸爸”之間為橙色連線，說明其語境中存在較多正面情感體驗因素；“胎兒”與“姐妹們”之間為藍色連線，說明其語境中存在較多負面情感體驗因素；這些說明準爸爸與姐妹們在孕婦生活中扮演著負面情感轉移角色，使孕婦緩解憂郁，增強幸福安全感。

表1 “胎心”檢索詞下關鍵詞詞頻類目表（部分）

圖4 孕期健康主題下生理數(shù)值詞組（P）詞頻圖

3.2.2 量化分析網(wǎng)絡圖

通過中心網(wǎng)絡圖對“胎心”與“胎兒”進行了情感關聯(lián)對比分析，獲得“胎心”是孕期健康主題下聚焦問題的核心關聯(lián)詞。進而以與“胎心”相關的高頻特征動詞“胎心監(jiān)護”作為量化分析網(wǎng)絡圖的中心節(jié)點。在“胎心監(jiān)護”中心節(jié)點下的用戶情感體驗度量網(wǎng)絡圖如圖6 所示，得出用戶正面情感關聯(lián)與負面情感關聯(lián)的核心信息，分別作用于胎心健康監(jiān)測方向下的興奮點參考信息與痛點參考信息，具體內(nèi)容如表2所示。通過正面情感核心關聯(lián)信息中“家用”“聽”“求神祈愿”等關鍵詞，確定產(chǎn)品相關概念功能，滿足孕婦群體認知、行為與情感需求；借助負面情感核心關聯(lián)信息中“缺氧”“產(chǎn)檢”“生病”等關鍵詞，聯(lián)想孕婦生活中出現(xiàn)問題的活動情景，作為改善用戶體驗的概念切入點。在“胎心監(jiān)護”中心節(jié)點下的關聯(lián)要素分區(qū)指引網(wǎng)絡圖如圖7所示，借助核心區(qū)域中“聽”作為聯(lián)想示例。從主體對象中聯(lián)想不同的交互形式，如胎兒發(fā)出的聲音、孕婦發(fā)出的聲音、對胎兒有益的聲音以及孕婦希望傳達的聲音，結合在醫(yī)院、家、戶外等不同活動場景中分析不同“聽”的交互情景下的孕婦情感體驗，從而得出胎心健康監(jiān)測下產(chǎn)品概念中以“聽”為交互形式主導方向。如圖8所示。

圖5 “胎心”檢索詞下中心網(wǎng)絡示例圖

圖6 “胎心監(jiān)護”中心節(jié)點下用戶情感體驗度量網(wǎng)絡示例圖

3.2.3 突顯網(wǎng)絡圖

進一步以圖7中Q1與Q2中“聽”為例，通過指定節(jié)點篩選設置，輸出突顯相鄰網(wǎng)絡示例圖，如圖9（a）所示。在圖 7 的 Q3 與 Q4 中選定“儀器”“家用”“耦合劑”等關鍵詞，通過指定節(jié)點篩選設置，輸出突顯最短路徑網(wǎng)絡圖示例圖，如圖9（b）所示。借助突顯網(wǎng)絡圖中的關鍵詞要素，展開聯(lián)想胎心健康監(jiān)測方向下的孕婦故事，從文本語境中深入挖掘孕婦的聚焦信息與關注問題。將圖9 中U/B/P/C 關聯(lián)信息轉化為5w1h 故事元素信息。在前期的分析基礎上得出用戶故事中人物（U）、時間（P）、地點信息，進一步組合關聯(lián)事物（S/P）、行為（B）與情感（E）組合胎心監(jiān)護下的孕婦故事。從不同的活動場景和孕期階段展開，關聯(lián)著不同的人物、事物及情感，通過組合、對比、因果、整合等方法將關鍵詞要素信息演變成創(chuàng)意概念中的孕婦相關故事。用戶故事是為了具體化呈現(xiàn)孕婦在胎心監(jiān)護過程中的需求和問題，進而歸納得出不同創(chuàng)意知識獲取層面的設計概念，如物理功能層面有胎心定位、報告解說、數(shù)據(jù)傳達等，行為交互層面有雙向互動、多渠道交流、健康反饋等，情感反饋層面有愛美需求、社交活動、心理寄托等，如圖10所示。

表2 用戶正負面情感關聯(lián)信息分析表

圖7 “胎心監(jiān)護”中心節(jié)點下關聯(lián)要素分區(qū)指引網(wǎng)絡示例圖

圖8 行為交互聯(lián)想線索示例圖

圖9 “胎心監(jiān)護”中心節(jié)點下突顯網(wǎng)絡示例圖

圖10 5w1h用戶故事信息示例表

通過案例驗證了UGC 分析與可視化流程的可行性，說明了面向UGC 的創(chuàng)意思維映射分析過程。在本次實踐中，創(chuàng)意知識獲取分為用戶研究與創(chuàng)意構想，如表3。用戶研究包括關鍵群體對象（a）、用戶行為習慣（b）、用戶聚焦信息（c）與用戶情感傾向（d），創(chuàng)意構想包括常用行為活動（e）、用戶故事情景（f）與用戶故事細節(jié)（g）。其中（a）、（b）項由UGC采集階段的檢索詞決定輸出，（c）、（g）項由自定義量化分析網(wǎng)絡圖的中心節(jié)點決定輸出后續(xù)可視化圖表。根據(jù)個人認知角度不同，設計人員通過設計主題下模糊定位關鍵詞可以發(fā)現(xiàn)更多相關信息并獲取更多創(chuàng)意概念。

表3 胎心健康監(jiān)測下創(chuàng)意知識匯總示例表

4 總結

本文基于文本分析與可視化技術應用，針對UGC中的文本數(shù)據(jù)，構建了面向UGC 的創(chuàng)意思維知識服務研究模型。以用戶為中心的設計理念構建了UGC分析流程；建立了可視化輸出圖表與物理功能層面、交互行為層面、情感反饋層面的創(chuàng)意思維映射；最后結合實踐案例驗證了模型的有效性。由于文本分析技術對相似與相關概念難以進行智能化分類，需要人工進行識別與不斷測試完善；同時創(chuàng)意知識獲取過程是思維發(fā)散與不斷演變的過程，需要循序漸進地積累與優(yōu)化。后續(xù)研究將深入拓展設計方法與可視化圖表轉化過程，并搭建設計團隊合作的創(chuàng)意集成平臺。