【摘 要】
:
随着互联网信息技术的高速发展,基于互联网信息技术的各类产品已遍布我们的日常生活。新兴技术在带来便利的同时,也带来很多弊端。面对信息社会的大量数据与碎片化信息的冲击,如何处理好“人、互联网产品、环境”之间的复杂关系,成为了用户体验设计的关键。大多数的设计方法理论都将重点关注于用户意识层面的设计需求,却极少关注用户潜意识层面的设计需求,而用户的潜意识决定了95%的行为、决策、情绪。本文从用户潜意识层面
论文部分内容阅读
随着互联网信息技术的高速发展,基于互联网信息技术的各类产品已遍布我们的日常生活。新兴技术在带来便利的同时,也带来很多弊端。面对信息社会的大量数据与碎片化信息的冲击,如何处理好“人、互联网产品、环境”之间的复杂关系,成为了用户体验设计的关键。大多数的设计方法理论都将重点关注于用户意识层面的设计需求,却极少关注用户潜意识层面的设计需求,而用户的潜意识决定了95%的行为、决策、情绪。本文从用户潜意识层面出发,通过实验探寻了图形元素对人的图像信息、文字信息获取效率的影响,发现了在人的潜意识层面中,形状、认知、情绪、信息获取之间的关系,并总结出基于潜意识理论、认知心理学理论、用户体验设计理论的适用于互联网产品界面设计的用户潜意识认知图形元素设计方法,并将其运用于实际设计项目中。首先,通过心理学实验,研究了图形背景元素对用户情绪及认知的影响。基于对潜意识设计理论、符号学理论、认知心理学理论的研究,完成用户潜意识下图形元素对图像、文字信息的认知影响实验。通过对实验结果的分析,得出不同图形元素对用户的图像信息、文字信息获取产生的不同影响。根据该主要影响因素是由于不同图形背景元素对用户潜意识下的情绪产生了不同影响,总结出五点基本理论,从而帮助设计从业人员选取相应图形元素来提升或降低用户潜意识下的认知水平。其次,根据情绪研究成果提出图形元素设计方法模型。结合国内外用户情绪相关研究成果,提出了适用于潜意识图形元素设计模型的情绪指标,和潜意识下情绪认知模型与潜意识下信息获取效率模型。并结合用户体验设计方法论,对情绪影响用户体验的相关理论做了深入的研究探讨,提出潜意识下以用户为导向、以商业目标为导向的图形元素设计方法模型。最后,将潜意识认知图形元素设计理论运用于实践,并引入评价指标。结合用户体验设计方法流程,对目标用户进行深入的用户研究,总结Persona典型用户画像、用户体验地图,完成消费级基因检测互联网产品的界面设计,推动产品上线。通过对照组实验,利用可用性测试方法、情绪评价方法,从可用性与情绪两个纬度验证了基于用户潜意识认知的图形元素设计方法是可行的,并且有效地提升了用户体验。
其他文献
随着工业生产水平的提高,相关工业过程的控制精度要求也逐渐增高。然而,实际生产中存在的各种不确定性与扰动将直接或间接影响控制精度,进而影响产品的最终品质。本文以自适应动态规划相关控制技术理论为基础,针对非线性系统在各种不确定性和干扰影响下的鲁棒控制问题进行研究。文章主要从理论研究和相关应用场景两个方面进行展开,并针对具体场景进行分析与设计。本文首先考虑了不确定非线性系统的鲁棒跟踪控制问题。考虑非线性
网络数据挖掘在通信网络,交通网络和社交网络在内的许多网络中具有众多应用。网络数据的激增不仅带来了新的机遇,也带来了新的挑战。与网络挖掘有关的许多研究问题中,链接预测具有根本的重要性。预测网络中节点间的关系的问题称为链接预测。链接预测旨在基于当前观察到的链接来预测网络中丢失或未来的链接关系,进而来推断网络链接的形成过程。在社交网络中,社会联系的建立不仅取决于个人的内在兴趣,而且还取决于其邻居节点在人
在近些年中,深度卷积神经网络有了迅速的发展,它已经应用于多个领域,包括图像分类、物体检测、语义分割等等。随着在这些任务结果精度的提升,网络的结构也越来越复杂,占用空间也越来越大。然而,实际应用中,比如应用在手机等设备上,我们往往无法提供足够的计算资源和存储空间给这些重量级的网络模型。所以模型压缩成为了深度神经网络发展的一个重要研究方向,本文研究了一种名为知识蒸馏(knowledge distill
随着现代服务业的发展,服务生态系统逐渐形成并迅速发展。为了满足越来越个性化、专业化和复杂化的用户需求,往往需要多个领域服务共同合作。然而服务的来源是社会性的,这种社会性加剧了服务供给的多样性、不确定性和动态性。领域服务之间存在业务和数据等方面的不一致问题,这对领域服务的交互提出了挑战。因此有必要研究如何将领域服务进行跨界融合以满足用户需求。本文提出了一种应用于服务生态系统的Trans BC(Tra
随着深度学习在计算机视觉中取得的成功,其被广泛的应用于图像分类算法中。大多算法依赖于数量庞大的带标注训练数据,然而有的数据样本很难获得并且样本的标注也需要花费大量资源。因此为每一个待识别类收集足够多的样本并且给予样本充足的标注信息成为基于深度学习分类算法的难题。为解决这一问题,研究者们提出了零样本学习(Zero-Shot Learning)技术,这种方法借助样本的语义信息完成训练,例如标签类名的词
网络分析在实际中得到了广泛的应用。然而,现有的方法主要关注于单类型节点/边的同质网络,许多真实世界的网络由多种类型的节点和关系组成,因此同质网络分析方法不能很好地处理这种网络。此外,现有的网络分析方法往往存在计算量大的问题,需要一种低维的节点表示来提高网络分析任务的效率及效果。针对以上问题,本文围绕异质网络表示学习主要研究工作如下:首先,提出了融合key节点类结构的异质信息网络表示学习模型(KNC
随着互联网的快速发展,近年来复杂网络在推荐、城市尺度的风险评估和犯罪行为预测等研究领域受到广泛关注,在这些领域中广泛存在着二分网络,而网络表示学习是一种有效的网络分析方法,旨在将网络节点的表示映射到低维向量空间,但目前的网络表示学习方法大多针对同质网络,没有考虑二分网络的特殊性质,因此本文针对二分网络的隐含关系和拓扑结构特性提出了两个二分网络表示学习模型,具体工作如下:首先,提出了一种融合二分网络
LoRaWAN协议(Long-Range-Wide-Area-Network)是承载物联网技术实现的重要载体,随着近几年物联网技术的快速发展,物联网设备的入网安全问题受到人们广泛的关注。由于入网数据明文发送且加密密钥由用户直接保管,在发生数据泄露后,攻击者可使用恶意节点实施重放攻击来伪造数据进而破坏整个网络的正常运转。针对根密钥泄露后造成的重放攻击,本文提出了一种基于LoRaWAN入网的增强安全机
网络空间安全是当前安全领域的研究重点,其中无线网络因其开放性易受干扰性等特点,成为网络攻击的主要对象,因此,对无线网络入侵检测具有重要的意义。传统的入侵检测技术是针对无线网络中MAC层和网络层的数据信息,其基本方法是创建一个已知协议的正常行为的指纹数据库,对异常行为进行比对从而实现入侵检测。随着入侵检测需求的不断变化,当前急需能够在不依赖于具体网络协议的条件下对网络入侵行为进行识别。本文提出基于物
随着现代科技的急速发展,更加频繁的人类交互潜藏着更多的风险,因此对风险群体与个体的检测具有巨大的现实意义。利用高精度的、带有时间信息的手机信令数据构建动态网络,采用动态社团检测方法识别社团结构、演化分析、节点重要性和节点角色,可以实现城市风险管理中的风险团体识别、风险人员识别等功能。现有的动态方法在随机块模型的基础上引入转移矩阵来模拟复杂网络的动态演化,这些方法大多将社团内部的节点看作无差别的,忽