等待時距與系統(tǒng)響應度對語音交互等待體驗及學習效果的影響

艾云璐，唐云

(華中師范大學心理學院，青少年網絡心理與行為教育部重點實驗室，武漢 430079)

1 前言

等待體驗無處不在地發(fā)生在人們的經濟生活中，研究表明，等待過程中的體驗將會直接影響到對服務質量的判斷，從而影響到用戶的忠誠度與滿意度[1]。不同情境下人對等待時間的容忍度是不同的，比如對移動通信等待時長的容忍度就遠低于實體服務行業(yè)。用戶對網頁瀏覽、網絡游戲等互聯(lián)網交互類業(yè)務的容忍度最低，如果網頁文件加載超過2 s時便會對該程序產生負面的判斷[2]；對視頻瀏覽等單向傳輸業(yè)務則容忍度相對較高一點，能夠達到2 minute[3-4]。

語音交互作為一種新型的雙向實時交互模式，用戶對其反應時間有著更高的要求。智能語音對話模擬的是一種人與人交換發(fā)言的情境，人際互動最主要的形式是“對話”，而對話是在“向對方說出一句話”、“等待對方回復”、“對方給出回復”這三個階段中循環(huán)進行的。研究表明，在人們對話過程中，能夠忍受的最長沉默時間是0.5～2 s，具體的時長存在文化差異，一旦超過這個范圍，人們就能覺察到明顯的停頓，感知到對話的不流暢[5]。從人機交互的視角來看，語音交互的過程中同樣包含“向機器發(fā)出指令”、“等待機器回復”、“機器給出回復”這三個流程，對應語音交互流程設計的基本模式分別是“輸入—處理—輸出”，而等待體驗的時間范圍指的是從用戶指令結束到系統(tǒng)給出回饋的這段時間，即系統(tǒng)的處理階段。在系統(tǒng)性能一定的情況下，進行數(shù)據(jù)處理需要反應時間，等待體驗則指的是用戶在等待系統(tǒng)響應的過程中產生的主觀情緒體驗，這個體驗將影響到用戶對系統(tǒng)的評價以及使用傾向[6]。如何設計好語音交互過程中的等待體驗往往被忽略，但卻是提升用戶滿意度的關鍵環(huán)節(jié)。

用戶等待時間又可被細分為實際等待時間(actual waiting time,AWT)和感知等待時間 (perceived waiting time,PWT)。實際等待時間基本等同于系統(tǒng)反應時間，而感知等待時間則受到任務類型、情緒狀態(tài)、系統(tǒng)反饋等方面的影響，導致用戶感知到的等待時間比系統(tǒng)反應時間更長或更短[7-8]。系統(tǒng)反應速度通常只能從開發(fā)層面解決，在技術水平有限的情況下，可改善的空間很小，因此，控制用戶的感知等待時間是提升等待體驗的關鍵。

通常用系統(tǒng)響應度的概念反映系統(tǒng)對用戶需求的響應程度。一個高響應度系統(tǒng)(Highly-responsive System)能夠為用戶提供足夠的反饋，使得用戶能夠以他理想的狀態(tài)進行工作，對于系統(tǒng)有較高的控制感，從而影響到感知到的等待時間，進而影響到用戶滿意度。高響應度的系統(tǒng)既使無法立即完成用戶的請求，也能夠讓用戶了解當前所處的狀況，對操作和執(zhí)行情況提供反饋，比如告知用戶系統(tǒng)已經接受到輸入，提示操作還需要多少時間[9]。在語音交互的情境中，對于沒有屏幕的智能語音產品，通常通過閃爍的呼吸燈等視覺反饋以及提示音等聽覺反饋來向用戶反映系統(tǒng)的實時狀態(tài)。而對于有屏幕的智能語音產品如手機語音助手，通常以動態(tài)懸浮球營造豐富的視覺效果，并配有恰當?shù)奶崾疽?，比如在系統(tǒng)收到用戶的指令之后以及準備回復之前，都會有一個短暫的提示音，并且在系統(tǒng)加載的過程中懸浮球會轉變成加載樣式來表明系統(tǒng)所處的狀態(tài)。這些反饋方式都旨在提升系統(tǒng)的響應度。

已有的等待體驗研究主要在圖形用戶界面展開，通常是針對網絡擁擠造成的網頁卡頓、音頻文件下載緩慢等情境，其加載時間相對較長，至少是秒級的；加載形式也通常是進度條，研究發(fā)現(xiàn)不同類型的進度條對于感知到的時間存在不同程度的影響[4]。而語音交互中的等待體驗，一方面等待時距相對較短，通常是毫秒級的，另一方面反饋形式更加多樣，不局限于進度條反饋。這導致了語音交互與圖形用戶界面交互的等待體驗研究存在一定差異，但系統(tǒng)響應度影響感知到的等待時間這一基本原理是相通的。此外，與圖形用戶界面交互不同，在語音交互的等待體驗設計中，用戶滿意度與系統(tǒng)反應速度并非呈線性關系。過慢的語音反饋會給用戶形成系統(tǒng)非常愚鈍的印象，甚至產生不耐煩感。但是語音交互又并非反應越快越好，就像人與人對話，交流雙方進行信息交換的過程中要有適時的停頓，否則會顯得在搶話，同樣，在人機語音交互的過程中系統(tǒng)回復得太快反倒會引起用戶的不適[10]。有研究者結合時間心理學實驗研究以及實驗后的用戶訪談獲取用戶對語音交互反饋時間的時間知覺，發(fā)現(xiàn)100～550 ms是被試認為系統(tǒng)反應偏快的區(qū)間，當語音反饋的時間在這個時間范圍之間，用戶會感到反饋時間太短了，有一種倉促感[11]。

研究表明，不良的等待體驗不僅會影響到用戶對系統(tǒng)的主觀評價，還會影響到用戶的行為[6,12-13]。因此，本研究將模擬學習者與教育人工智能進行語音問答的情境，分別從主觀評價層面以及行為層面，探究語音交互等待體驗中的等待時距以及系統(tǒng)響應度對用戶滿意度以及英語詞匯學習效果的影響。

2 對象與方法

2.1 對象

在線招募在校大學生30名，其中1名被試因錯誤理解指導語而予以剔除，最終被試人數(shù)29名，男性14名，女性15名，平均年齡20.8歲，近3個月無TOEFL考試或者TOEFL學習經歷，能認真完成實驗，有電腦設備且網絡環(huán)境暢通。

2.2 實驗設計

采用2(等待時距：500 ms、2450 ms)×2(系統(tǒng)響應度：有提示音、無提示音)的被試內設計，因變量由用戶體驗主觀評定量表(主觀等待時距快慢、感知到的控制感、整體滿意度)與英語詞匯學習效果(測試階段熟識度與學習階段熟識度的差值)組成。

2.3 實驗儀器與材料

實驗在E-Prime 2.0環(huán)境下運行，通過液晶顯示器呈現(xiàn)，屏幕分辨率為1024×768，所有圖片材料均由Adobe Illustrator CC 2017生成并導出。

等待時距材料：正式實驗之前進行了預實驗以選取合適的等待時距材料。預實驗與正式實驗在完全相同的情境下進行，在線招募8名在校大學生進行預實驗，采用單因素被試內設計，以等待時距作為自變量，選取了9個等待時間作為自變量水平，涵蓋了前人研究中所涉及到幾個關鍵時間點[10]，最終根據(jù)實驗結果的頻率分布，判定500ms是本實驗情境下的最佳等待時距，并將此作為正式實驗預設的最佳等待時距的參數(shù)。而2450ms的等待時距被超過80%的用戶判定為偏慢，作為正式實驗中等待時距的對照水平。

英語詞匯材料：詞匯由易到難分別從高考基礎詞匯、四級高級詞匯、六級高級詞匯、托福核心詞匯、托福學科詞匯中選取，將選取的單詞順序打亂，發(fā)放給10名在校大學生進行辨識評定，學生需在“認識”與“不認識”兩個選項中進行迫選，最終將評定后的單詞按照認識率分為五組，分別為“完全認識”、“熟悉”、“模糊”、“生疏”、“完全不認識”，每組各8個單詞。將每組單詞均勻分配到每個Block，保證每個難度等級的詞匯數(shù)量在整個實驗過程中平均分布。詞匯釋義界面主要由詞匯拼寫、詞匯發(fā)音、單詞釋義、單詞例句這四個要素構成，其中詞匯音頻從國內語言翻譯產品“有道詞典”的音頻庫中下載，詞匯例句則從有道的例句庫中選取一個經典例句。

提示音材料：語音交互過程中的系統(tǒng)提示音采用Apple iOS 13系統(tǒng)中的語音助手Siri接收到用戶命令后給出的語音提示作為音頻材料。就系統(tǒng)響應度而言，有提示音代表高響應系統(tǒng)，無提示音則代表低響應系統(tǒng)。

2.4 實驗程序

實驗通過互聯(lián)網遠程完成，開始之前主試將實驗運行插件安裝包發(fā)送給被試并指導其安裝及配置，配置完成后被試即可在自己的電腦上打開運行的實驗程序。然后主試與被試連線進行語音交流，詳細說明實驗注意事項，隨后被試自行完成實驗。實驗整體流程如圖1所示。

練習階段：目的主要是讓被試了解詞匯評定以及語音交互的流程，如果被試存在任何疑問可以向主試發(fā)起求助，練習結束后即進入學習階段。

學習階段：首先，被試需要針對屏幕出現(xiàn)的英文單詞進行熟識度的評定(五級量表)，如果被試對于詞匯存在一定程度的不熟識度(即選擇了“完全認識”以外的任一選項)，則要求被試向系統(tǒng)發(fā)起語音提問，然后點擊屏幕上的“指令結束”來表明語音指令已結束。該步驟在實際的情況下應該是由人工智能自行判斷的，但由于實驗器材的限制，將這一過程交由被試完成，以避免被試由于語速快慢的不同導致等待時距的起始點存在差異，保證所有被試的實際等待時距都嚴格界定為從指令結束到系統(tǒng)給出反饋的時間段。

語音提問結束后，對于無響應組，系統(tǒng)將會在一定延時后(500 ms或2450 ms)語音播報單詞的發(fā)音，并給出詞匯釋義；對于有響應組，系統(tǒng)將出現(xiàn)語音提示，以表明系統(tǒng)已經收到指令，并經過一定延時后(500 ms或2450 ms)進行語音播報和呈現(xiàn)詞匯釋義。語音播報單詞發(fā)音的同時，呈現(xiàn)單詞解釋的文字界面，并給被試一定的時間學習記憶，記憶時間結束后進行下一個單詞的熟識度判斷與學習。

每一個Block僅包含一種實驗條件，不同的Block之間進行順序平衡。被試每完成一個Block，需要對該Block的學習體驗進行主觀評定，包括主觀感知到的等待時距快慢、感知到的控制感、整體滿意度。三個量表在每個Block結束后順次出現(xiàn)，均為五級量表。

測試階段：被試對屏幕出現(xiàn)的英文單詞再一次做出熟悉程度的判斷。該階段僅起到測試作用，即使被試仍然沒有達到“完全認識”，也不需要再向系統(tǒng)發(fā)起提問，系統(tǒng)會直接反饋釋義界面。

圖1 實驗流程圖

3 結果

采用SPSS 17.0對數(shù)據(jù)進行極端值探索，引用肖瑋和苗丹民對于極端值的處理方法[14]，將存在的兩個極端值當作缺失值處理，并替換為該處理情況下時間感知快慢數(shù)值的平均數(shù)。此外，一名被試做實驗時在語音交互界面處對指導語的理解有誤，導致了較高的認知負荷，因此決定對該被試的數(shù)據(jù)予以剔除，最終將29名被試納入數(shù)據(jù)分析。各條件下的描述統(tǒng)計信息見表1。

表1 不同條件學習效果及主觀評定的描述統(tǒng)計信息(M±SD)

3.1 學習效果

3.2 主觀評定

對主觀等待時距、感知到的控制感、階段性學習整體滿意度分別進行2(等待時距：500ms、2450ms)× 2(系統(tǒng)響應度：有提示音、無提示音)重復測量方差分析，得到以下結果。

圖2 各實驗條件下感知到的控制感均值比較

4 討論

本研究以等待時距和系統(tǒng)響應度為自變量，以英語詞匯學習效果以及等待時距快慢評定、感知到的控制感評定、整體滿意度評定作為因變量，探究了等待時距以及系統(tǒng)響應度對語音交互操作情境下用戶主觀體驗和學習效果的影響。

首先，本實驗的結果表明等待時距的處理效應顯著，無論是對于認知水平上的學習效果還是對于主觀上的體驗感知，都表現(xiàn)為在較慢的等待時距條件下表現(xiàn)不佳，這與前人的研究高度吻合[7,11,15-16]。相較于視覺而言，聽覺對于微小的差異更為敏感，耳蝸毛細胞對于聲音的反應要比視網膜對于光的反應更快[17]，其知覺差異通常處于毫秒級，這能夠解釋為什么在語音交互過程中用戶對于等待時距的耐受性比較低。無論是圖形用戶界面或語音交互過程的等待體驗，等待時間的延遲都會加劇用戶的焦躁情緒[4]，而情緒則可能進一步影響到行為和績效[12-13]。本實驗也發(fā)現(xiàn)，等待時距不僅影響了主觀評定的結果，還影響了學習效果，這意味著需要更加重視等待體驗設計在產品設計中的地位。

其次，結果表明系統(tǒng)響應度的提升能夠降低感知到的等待時間。本研究的系統(tǒng)響應度通過提示音的有無來反映響應度的大小，在大量關于圖形用戶界面的進度條加載設計研究中，也發(fā)現(xiàn)進度提示信息能夠降低用戶感知到的等待時間[9,15,18-19]。用戶向語音助手提問的時候，如果給用戶一個積極反饋以表明系統(tǒng)已經收到語音指令，那么根據(jù)時間知覺領域的注意閘門理論，當響應信息出現(xiàn)的時候，用戶將分配一部分注意在非時間信息(即響應信息)上，累積的時間信息脈沖更少，從而使得降低感知到的等待時間[3,20-22]。再者，感知控制感的結果說明在長時距等待的情況下，響應信息能夠明顯地提升用戶的控制感，而在短時距的情況下，響應信息并不能夠提升控制感。根據(jù)控制感理論，系統(tǒng)響應機制能夠給用戶帶來更加確切的期待感，使得用戶感知到對系統(tǒng)具有更強的控制感，進而提升用戶的等待體驗，這一理論假設與長時距的等待體驗高度吻合[23-25]，但與短時距條件的結果存在出入。可能的原因是，響應信息降低了用戶感知到的等待時間，從而使得最佳的等待時距遭到破壞，有提示音的最佳等待時距條件下，用戶感知到的等待時間也是低于“剛剛好”的水平，即存在一定的“偏快”傾向，讓用戶感到一種倉促感，從而降低了控制感水平。

作為實驗室試驗，本研究的生態(tài)效度還有待加強，一方面，為了保證精確操控時間條件，排除無關變量的影響，再加上實驗環(huán)境的限制，在用戶說完語音指令過后需要手動點擊確認鍵以表明語音輸入完畢，這與真實的情況存在出入?，F(xiàn)實的情況下用戶在語音輸入完畢過后系統(tǒng)會智能地判斷語音輸入完畢并自動給出反饋信息，這意味著實驗情境中被試點擊確認鍵的行為在一定程度上提升了表明語音輸入完畢的確定感，是否有響應信息來表示系統(tǒng)已經收到語音命令就顯得相對不那么重要了；另一方面，實驗模擬的是詢問英語單詞釋義的情境，被試需要反復提問不熟識單詞的釋義，任務是重復且單一的，而在與教育人工智能進行語音問答的真實情況中，對話的內容更加豐富，情況更加復雜，對話也不那么頻繁，同樣是生態(tài)效度的欠缺。

未來的研究可以從以下幾個方面做出改進或者進行深入探討。首先，可以深入探究不同的系統(tǒng)響應形式對語音交互等待體驗的影響。大量的圖形用戶界面等待體驗研究表明進度條的形式對于等待時距估計存在顯著差異[4,7,26]，那么同理，語音交互等待過程中的系統(tǒng)響應形式對等待體驗也存在潛在的影響，比如可以探究人聲反饋與一般的提示音反饋對任務完成度以及主觀感知的影響差異，或者聽覺反饋與視覺反饋的差異，或者不同的反饋方式的組合之間的差異，以尋求最佳的反饋形式。除了設計元素對體驗的影響，還可以探究任務本身對體驗的影響差異[18,27]。本研究的主要任務是對英語單詞的熟識度評定以及學習，任務難度低且重復度高，未來的研究可以采用可量化任務難度的任務作為研究對象，操縱任務的難度以探究任務難度的差異對于體驗的影響，為產品設計提供更加充足的情境信息。再者，由于本實驗在遠程情境下進行，較難實現(xiàn)對無關變量控制。盡管在指導語中試圖控制用戶的動機水平等無關變量，但是在非實驗室的環(huán)境下，存在更多潛在的環(huán)境因素，比如網絡速度、環(huán)境嘈雜度等，這些都會對用戶的等待體驗產生潛在的影響，這也是將來的研究需要考量的因素。最后，可以嘗試在更加逼真的情境下進行實驗，即在盡量控制好無關變量的基礎上，實現(xiàn)人機真正的智能語音交互，給被試營造更加真實的語音交互體驗感，提升研究的生態(tài)效度。

5 結論與啟示

本研究采用實驗室實驗，探討了等待時距和系統(tǒng)響應度對學習英語單詞的等待體驗和學習效果產生的影響，得到以下結論：(1)等待時距對主觀評價范疇的等待時間感知、控制感、主觀滿意度，以及對認知水平的學習效果均存在顯著的積極影響；(2)系統(tǒng)響應度顯著影響等待時間感知，有提示音比無提示音感知到的等待時間更快；(3)等待時距與系統(tǒng)響應度對控制感的影響可能存在交互作用，表現(xiàn)為在較慢等待時距條件下，有提示音比無提示音感知到的控制感顯著更高，而在最佳等待時距條件下，沒有發(fā)現(xiàn)有無提示音條件下感知控制感的差異。

本研究的發(fā)現(xiàn)對以語音作為主要交互方式的互聯(lián)網產品設計具有啟示意義。如果以語音作為主要的交互方式，在產品開發(fā)階段，應當注重對目標用戶群開展充足的等待體驗研究。一方面，關于設置等待時間，因為系統(tǒng)反應太快會給用戶造成不良的體驗，不宜簡單地以系統(tǒng)響應時間作為等待時間。而等待體驗可能會隨不同的使用情境或不同的任務而變化，需要找到特定情境和任務之下的最佳等待時間參數(shù)。另一方面，關于提供響應信息，當系統(tǒng)存在延遲的時候都能緩解在長時距等待情況下的失控感，例如在聽覺上用提示音表明系統(tǒng)已經收到語音指令，或者在視覺上用動態(tài)的加載條表明正在處理信息。但并非所有情況都應該出現(xiàn)響應信息，如果系統(tǒng)處理速度已經滿足較優(yōu)的等待時距，此時加入響應信息反而會導致感知到的時距加快，還可能導致提示音和語音輸出之間的心理間隔縮短，給用戶造成一種倉促感。當前的一些智能語音產品中確實存在類似問題，結合本研究的結論，這類問題有可能會降低用戶體驗，可以加以改進。