Designprocessen och maskininlärning: Framtiden för användarcentrerad design

Sammanfattning: Artificiell intelligens (AI) och i synnerhet maskininlärning (ML) har inom UX-design visat potential att förbättra designprocessen genom att exempelvis identifiera användargrupper från stora datamängder, effektivisera idégenerering och automatisera repetitiva uppgifter. Det råder dock oenighet kring hur tekniken kan integreras i designprocessen. En viktig del av en designers arbete är att konsekvent prioritera användarbehov och därigenom förbättra användartillfredsställelsen. Därför försöker designers empatiskt sätta sig in i användarnas situation genom att identifiera deras behov och noggrant utforska potentiella problemområden. En visualiseringsteknik som ofta används av designers för att utveckla och förstå användarupplevelsen är journey mapping (JM). JM är dock en mycket resurskrävande process då den förutsätter nära samarbete mellan olika avdelningar och team. Trots detta visar forskning att de flesta designers inte integrerar element relaterade till insikter i sina kartor, vilka ofta är avgörande för att omvandla JM från visuell berättelse till handlingsplan. Integreringen av ML i JM-processen skulle potentiellt kunna möjliggöra en snabbare, mer datadriven och anpassningsbar designprocess som fokuserar mer på användarnas behov och önskemål. Utmaningen ligger i att smidigt integrera tekniken utan att förlora mänskliga perspektiv och tolkningar, vilka är grundläggande för användarcentrerad design. Denna studie fokuserar på att utforska sätt att integrera ML i delar av designprocessen för att möta utmaningarna som uppstår vid strävan efter användarcentrerad design i en resurskrävande miljö. För att uppnå en djupgående och strukturerad förståelse av samspelet mellan designprocessen, empatiskapande samt ML valdes en systematisk litteraturgranskning som den primära datainsamlingsmetoden samt tematisk analys som dataanalysmetod för denna studie. Målet är att utifrån detta resultat presentera praktiska rekommendationer, baserat på sammanställning av befintlig forskning, för hur JM-processen kan omformas och göras mer ML-driven. Genom en omfattande litteratursökning inhämtades data, vilken genomgick kvalitetsbedömning. Därefter genomfördes en inkludering- och exkluderingsprocess i enlighet med förutbestämda kriterier. Detta resulterade i 13 utvalda dokument, från vilka mönster och teman extraherades genom en tematisk analys. Resultatet visade på vikten av samskapande mellan människa och maskin för att möjliggöra en ansvarsfull designprocess. I resultaten presenteras även tekniska möjligheter och dilemman, där ML exempelvis kan automatisera repetitiva uppgifter och möjliggöra kontinuerlig övervakning och utvärdering av användarupplevelsen över tid. Dock kräver detta omfattande och representativa träningsdataset för att konstruera ML-modeller med hög generaliseringsförmåga gentemot nya och komplexa data. Resultaten belyser också bristen på förståelse för ML bland UX-designers och betonar vikten av samarbete med datavetare för att skapa en effektiv designprocess. Utifrån dessa resultat presenteras rekommendationer för en ML-driven JM-process. Även om UX-rollen troligtvis behöver omdefinieras, framhåller resultaten att kulturen inom UX-designprocessen snarare är "dataaktiverad" än helt datadriven. Detta perspektiv understryker det fortsatta behovet av mänsklig intuition och förståelse trots den ökade inriktningen på datadrivna metoder. Slutligen diskuteras hur framtida forskning skulle kunna inrikta sig på att utvärdera rekommendationernas praktiska tillämpbarhet.