你的鼠標(biāo)會“出賣”你

克里斯托夫·施奈德

你的電腦鼠標(biāo)會“說話”！它會透露你的哪些情況？我們大多數(shù)人都知道技術(shù)“輸出”（比如糟糕的網(wǎng)站設(shè)計）會讓人心煩意亂，但我們是否意識到，技術(shù)“輸入”（比如我們自身特定的鼠標(biāo)光標(biāo)移動方式）也能向計算機提供我們情緒狀態(tài)的實時指標(biāo)？

我和我的同事們一直在研究一個課題：通過用戶自身的數(shù)字活動來偵測負(fù)面情緒。我們通過幾個實驗，提示組織如何以有價值的方式利用此類信息——從改善網(wǎng)站設(shè)計到偵測欺詐。是的，用戶手中鼠標(biāo)一個看似不起眼的微小移動，或者填寫在線表格時片刻的猶豫，實際上都可以成為警示信號，提示此人可能有欺詐企圖——他被自己的鼠標(biāo)出賣了！

本文專門探討了我本人在跟蹤數(shù)據(jù)（即用戶在人機互動過程中留下的數(shù)字足跡）領(lǐng)域的研究，并具體說明了企業(yè)如何利用此類數(shù)據(jù)，既改善用戶體驗，又防止錯誤輸入（無論故意與否），從而降低成本、提高利潤率和滿意度?，F(xiàn)在，讓我們點擊開啟探索之旅吧。

從操作電腦鼠標(biāo)到觸控觸摸屏以及滑動手機屏幕，我們運用精細(xì)動作技能來實現(xiàn)人機互動。這種技能獲得于童年時期，并成為大腦中的“硬布線”。神經(jīng)學(xué)研究表明，消極情緒會降低大腦的處理能力，影響反應(yīng)時間、肌肉力量以及最終的工作績效。

既往研究表明，挫折感會使得線上消費者紛紛離去。因此，我和我的合作者們決定探索以下課題：我們是否能夠檢測以及如何檢測到挫折感存在的信號，從而幫助網(wǎng)站所有者打造流暢的用戶體驗？鑒于負(fù)面情緒（如沮喪）會影響精細(xì)動作控制，我們推測，這會影響用戶通過輸入設(shè)備（如電腦鼠標(biāo)）的人機交互。又鑒于在線交互過程中鼠標(biāo)光標(biāo)的移動很容易被記錄下來，那么我們能否通過分析鼠標(biāo)光標(biāo)移動的距離和速度來偵測用戶的挫折感？

大多數(shù)線上的目標(biāo)導(dǎo)向型任務(wù)（如搜索信息、支付賬單或辦理結(jié)賬手續(xù)）都是結(jié)構(gòu)化和線性的。用戶操縱著鼠標(biāo)，將光標(biāo)從A點移到B點。我們提出的論點是：處于負(fù)面情緒影響下的用戶，其鼠標(biāo)光標(biāo)移動軌跡容易偏離屏幕上兩點之間最高效的路徑即直線軌跡。我們還假定，其鼠標(biāo)光標(biāo)的移動速度會慢于正常情況下的速度。為驗證以上假定，我們進(jìn)行了三項實驗研究。

研究1：承受時間壓力 在第一項研究中，我們將參與者隨機分成兩組，對其解釋說，他們正在參加一個智力測試，總共包括三個問題。在對照組中，我們設(shè)定的問題很簡單，而且參與者答對每個問題之后都會收到祝賀。另一組則要承受負(fù)面條件的影響：參與者只有幾秒鐘的時間來回答每個問題，而且題目極難，幾乎不可能答對。他們隨后被告知，由于他們的反應(yīng)速度太慢，因而被認(rèn)定智力水平遜于參加過同一測試的大多數(shù)人。（別擔(dān)心，我們一定會在實驗結(jié)束后對他們解釋清楚?。?/p>

接著，兩組人被要求參與同一項任務(wù)：將數(shù)字從屏幕的一邊拖拽到另一邊。我們記錄了每位參與者的鼠標(biāo)光標(biāo)移動情況。結(jié)果正如我們預(yù)測的那樣，受過負(fù)面影響的一組鼠標(biāo)移動速度慢于另一組，而且其移動軌跡也更偏離直線軌跡。

研究2：購物遇阻 在第二項研究中，我們建立了一個逼真的電商網(wǎng)站，參與者被要求在該網(wǎng)站購買一個筆記本電腦包。他們須在網(wǎng)站主頁點擊“購買筆記本電腦包”的鏈接，在下一個頁面選擇所需的包，在第三個頁面填寫筆記本電腦的屏幕尺寸，在第四個頁面審視產(chǎn)品并點擊“購買”。

我們同樣將參與者分為兩組。對于其中一個組，每個網(wǎng)頁的加載都沒有延遲，購物流程簡單順暢。而對于另一組，網(wǎng)頁加載緩慢，一些鏈接卡頓，頁面信息顯示“請等待下一個頁面加載”，接著是“頁面仍在加載中，請耐心等待”，然后是“頁面加載錯誤，請重試”。（這種情況我們都經(jīng)歷過，對嗎？）

購物完成后，兩組人都被轉(zhuǎn)到一個在線調(diào)查，按要求報告自己的情緒。結(jié)果顯示，在實驗過程中鼠標(biāo)光標(biāo)移動速度較慢、與直線軌跡偏離最大的人群與自我報告高度挫折感的人群呈正相關(guān)。這證實了可以用前者來推斷后者的存在，其總體準(zhǔn)確率約為82%。

研究3：配置挑戰(zhàn) 在第三項研究中，參與者被隨機分配到兩個不同的網(wǎng)站，他們要在網(wǎng)站上選擇一個產(chǎn)品型號，再選擇不同的產(chǎn)品屬性，然后配置產(chǎn)品，涉及的步驟各種各樣，有些相當(dāng)復(fù)雜。他們的鼠標(biāo)光標(biāo)移動情況被全程記錄下來，在每個步驟之后，參與者都要自我報告情緒狀態(tài)。在這里，我們?nèi)斡蓞⑴c者的情緒在沒有直接操縱的情況下自然變化，并將受試者不同的經(jīng)驗和專業(yè)知識，以及不同產(chǎn)品配置的不同復(fù)雜程度之間的異質(zhì)性納入考慮。結(jié)果表明，我們不僅可以根據(jù)鼠標(biāo)光標(biāo)移動的距離和速度來部分解讀受試者的情緒變化，而且可以由這些數(shù)據(jù)推斷出負(fù)面情緒的水平。

為什么說這些實驗很重要？首先，它們觸及用戶體驗設(shè)計的核心。像鼠標(biāo)光標(biāo)移動速度和距離這類跟蹤數(shù)據(jù)可以為A/B測試提供有用的輸入，有助于觀察同一網(wǎng)頁的兩個版本在用戶心中引發(fā)的負(fù)面情緒孰大孰小。借助JavaScript，管理者可以從客戶開始與網(wǎng)站互動的那一刻起，捕捉其鼠標(biāo)光標(biāo)的移動，直到他們退出網(wǎng)站，由此可以發(fā)現(xiàn)交互過程中的薄弱點或不夠“絲滑”的地方。異常的光標(biāo)移動距離或速度可能意味著負(fù)面反應(yīng)，揭示出需要改進(jìn)之處，甚至具體到精確的時間點、所在位置及網(wǎng)頁上的區(qū)域。它還可以幫助管理者主動、實時地回應(yīng)用戶需求：一個電商網(wǎng)站會由此獲知通過道歉、解釋或提供幫助等方式進(jìn)行干預(yù)的最佳時間點，趁著心懷不滿的客戶還沒下決心棄你而去，及時地減輕或平息偵測到的任何負(fù)面情緒。

前面講的是跟蹤數(shù)據(jù)如何能夠幫助公司更好地識別和修復(fù)自家網(wǎng)站的痛點，解決令用戶頭疼的問題。但有時候情況恰恰相反：是用戶的欺詐行為令公司遭受損失。這就引出了我的另一個研究方向，接下來我會予以詳述。

美國的一些估算數(shù)據(jù)顯示，每年因保險欺詐造成的損失約在800億美元到50，000億美元不等。而這些成本會以保費上漲的形式轉(zhuǎn)嫁給消費者，使得每人每年的保費負(fù)擔(dān)增加700美元。隨著在線交易數(shù)量日益增多，偵測欺詐行為的難度也變得更大。多數(shù)偵測方法是依靠事后監(jiān)察，即對已提交的索賠進(jìn)行統(tǒng)計抽樣，審查其中是否可能有虛假陳述。然而這種方法依賴的是輸出端。我們能否從用戶的輸入下手來偵測欺詐？通過分析他們的實時鼠標(biāo)光標(biāo)移動，揭示他們的實際心態(tài)，就像前述實驗一樣，從而當(dāng)場拿獲欺詐行為？

這一次我們進(jìn)行了兩項實驗。如同揭示負(fù)面情緒狀態(tài)的實驗一樣，我們假定在填寫線上表格時，提供虛假答案的人更有可能出現(xiàn)鼠標(biāo)光標(biāo)移動速度較慢、移動軌跡偏離最短路徑較大的情形。實驗中的實際情況如下。

研究1：捉住說謊者 首先，我們采用了一個業(yè)內(nèi)普遍認(rèn)同的游戲：參與者被要求注視一個由對角線一分為二的正方形。在正方形內(nèi)，對角線左右兩側(cè)會隨機出現(xiàn)一些小點，參與者須識別哪一側(cè)出現(xiàn)的小點更多。他們這樣做了十次，將鼠標(biāo)光標(biāo)向右或向左移動，點擊所選答案。這些動作都被JavaScript記錄下來。

為了激發(fā)作弊行為，我們告訴參與者，無論他們的答案是否屬實，點擊右邊總會比點擊左邊獲得更多報酬。這意味著四種可能性：參與者如實地點擊左邊；如實地點擊右邊；不小心點擊了錯誤答案；為追求自身報酬最大化，在明知那是錯誤答案的情況下故意點擊右邊。

最終結(jié)果顯示，參與者聲稱右側(cè)小點更多的時候占到59%，而實際上這種情況只占50%。對于這一組人，我們發(fā)現(xiàn)他們在考慮作弊時，鼠標(biāo)光標(biāo)偏離最短路徑及移動速度變慢的情況都明顯增加。

研究2：夸大保險索賠 接下來，我們要求參與者填寫一份提交車損索賠的線上表格。參與者在開始時擁有2，000枚虛擬幣。他們的保險免賠額是600枚虛擬幣。我們告訴他們，在完成保險索賠后，將根據(jù)每人手頭剩余的虛擬幣數(shù)量向他們發(fā)放獎金。我們想看看，人們是否會夸大損失，以獲得更高賠償來抵扣免賠額，并增加自己的最終財富。

參與者須點擊屏幕上的汽車圖片，標(biāo)示出所有報損的地方，其鼠標(biāo)光標(biāo)的移動都被跟蹤和記錄下來。在這一步，我們發(fā)現(xiàn)了更顯著的結(jié)果：與之前的實驗相比，鼠標(biāo)光標(biāo)移動的偏差更大、速度更慢。此外，與我們的假定一致，我們發(fā)現(xiàn)欺詐的嚴(yán)重程度與鼠標(biāo)光標(biāo)移動偏差的大小呈正相關(guān)，與其移動速度呈負(fù)相關(guān)。我們的實驗結(jié)果表明，欺詐行為確實與用戶的跟蹤數(shù)據(jù)表現(xiàn)出一定的相關(guān)度。

先別急于在腦海中喚起類似《少數(shù)派報告》（Minority Report）中描寫的那種反烏托邦場景——在那部科幻小說中，組織有能力提前偵測到“未發(fā)生的犯罪”，并在預(yù)知人的犯罪意圖的情況下將其逮捕——我們需要從正確的角度看待上述結(jié)果。這些發(fā)現(xiàn)是基于實驗的，盡管它們極具穩(wěn)健性，但還需要在現(xiàn)實環(huán)境中加以檢測。

正如我的兩位研究同事約瑟夫·瓦拉季奇（Joseph Valacich，來自亞利桑那大學(xué)）和杰夫·詹金斯（Jeff Jenkins，來自楊百翰大學(xué)）在最近發(fā)表的一篇會議論文中所指出的，雖然鼠標(biāo)光標(biāo)的軌跡偏差和速度是辨別用戶情緒和認(rèn)知狀態(tài)的有力手段，但我們必須保持審慎態(tài)度，不可貿(mào)然下結(jié)論。

在討論另一類跟蹤數(shù)據(jù)——擊鍵動態(tài)時，他們指出：“輸入本人姓名時的低熟悉度往往是一個標(biāo)示欺詐的信號。通常情況下，人們在輸入自己姓名時表現(xiàn)出很高的熟悉度，因為他們早已習(xí)慣成自然了。然而，如果針對姓名以外的其他監(jiān)控目標(biāo)，低熟悉度則未必意味著欺詐。例如，有些應(yīng)用程序要求填寫工作地址，而很多人記不清自己的工作地址，或者沒怎么輸入過。因此，他們在輸入工作地址時表現(xiàn)出較低的熟悉度，而這很可能不是標(biāo)示欺詐的信號。”

另外，有些人可能在技術(shù)互動方面天生不夠靈活，或者對觸摸屏設(shè)備的敏感度有別于其他人。在根據(jù)數(shù)字行為生物統(tǒng)計學(xué)（digital behavioral biometrics， DBB）做出推斷時，也就是從跟蹤數(shù)據(jù)中總結(jié)出獨特的行為模式時，必須在用戶進(jìn)行人機交互的特定目標(biāo)情境下做出解釋。某個特定的DBB統(tǒng)計數(shù)據(jù)（比如熟悉度）在應(yīng)用于一個目標(biāo)（如名字）和另一個目標(biāo)（如工作地址）的時候，意義可能完全不同。

對于任何打算在自身商業(yè)環(huán)境中利用DBB的從業(yè)者，除了要注意在具體情境中對事物做出解釋的重要性以外，我的同事們還給出了下面一些建議。

● 盡可能從行為數(shù)據(jù)中剔除個人身份信息。

● 避免需要特殊權(quán)限的侵入行為，如啟用電腦話筒和攝像頭。特別是在歐洲，根據(jù)《通用數(shù)據(jù)保護條例》（General Data Protection Regulation， GDPR）的規(guī)定，收集用戶數(shù)據(jù)需要征得同意，處理用戶數(shù)據(jù)須明確告知。

● 同樣，要避免跨域跟蹤用戶行為，這在技術(shù)上是可行的，但超出了在征得用戶同意的域內(nèi)收集數(shù)據(jù)的限制。

● 在不同設(shè)備間傳輸DBB時，要進(jìn)行加密。

● 對數(shù)據(jù)的解讀要建立在基于堅實理論和嚴(yán)謹(jǐn)研究的成熟科學(xué)方法之上。

最后一點是關(guān)鍵。隨著組織越來越多地運用人工智能（AI）和機器學(xué)習(xí)（ML）算法來強化自身的人工流程，這就要求精通此類技術(shù)的管理者了解這些自動化手段的潛在缺點、偏差和失誤。如前所述，某些奇怪的鼠標(biāo)動作可能有欺詐以外的原因。AI可以標(biāo)記出異常情況，但這需要合理的邏輯和有代表性的訓(xùn)練數(shù)據(jù)，后續(xù)還需要人類解讀者跟進(jìn)處理，如此方能形成可靠的結(jié)果，避免將用戶誤判為欺詐分子。

與任何用戶界面一樣，這個問題也不存在一種簡單的答案。然而，我們的研究揭示了一種低成本、高度可擴展的方法，可用于檢測用戶的情緒和認(rèn)知狀態(tài)，以便改進(jìn)用戶體驗設(shè)計。鼠標(biāo)移動特征還可以與其他類型的用戶輸入（如擊鍵動態(tài)和文件上傳）聯(lián)合運用。有了多種來源的跟蹤數(shù)據(jù)，管理者就可以不斷嘗試不同的設(shè)計、布局和A/B測試，并進(jìn)一步探索結(jié)果。

我們的方法不只是用來偵測用戶的沮喪水平或欺詐等負(fù)面因素。舉個例子：了解到認(rèn)知失調(diào)或認(rèn)知過載是教育領(lǐng)域的一個問題，我們就可以利用鼠標(biāo)移動指標(biāo)來設(shè)計更出色的界面，為在線學(xué)習(xí)者提供最適度的刺激，達(dá)到學(xué)習(xí)成果最大化。此外，我們還可以利用源自跟蹤數(shù)據(jù)的洞見，將用戶引向積極的方向，比如助力公共衛(wèi)生運動，或者減輕大眾對疫苗接種的認(rèn)知障礙。

越來越多的初創(chuàng)企業(yè)已經(jīng)在向企業(yè)客戶提供DBB產(chǎn)品和服務(wù)，特別是在金融領(lǐng)域，像匯豐銀行（HSBC）、巴克萊銀行（Barclays）、花旗銀行（Citi）和美國運通（American Express）等都已加入其中，這僅僅是幾個例子。潛在的應(yīng)用還有許多，需要未來做進(jìn)一步的研究和探索。好消息是：新的洞見并不遙遠(yuǎn)，輕點鼠標(biāo)，或許它就在眼前。

翻譯：石小竹