文集 | 数读信息爆炸时代的电影评分信任危机 ——以豆瓣电影平台为例的改良性设计

2018-02-27 | 文集,入选论文

UXPA中国2018行业文集征稿即将启动

2017年学术论文欣赏

 

本文段落精选

 

根据足迹推荐的电影、评论、豆列都落点在“人”上,进而形成知识网络的族群关联,建构用户与用户的思想及电影生活关联。

 

随着信息渠道的改变,人们建立信任的对象,从狭义的熟人转变成为拥有共同价值观和喜好的对象,比如公众号或网络意见领袖。

 

社交关系按用户之间联系及互动频率分“强社交关系”和“弱社交关系”。

 

动态数据驱动的交互界面设计,有利于拉近人与数据的关系,让人更了解自己。

 

...

 

数读信息爆炸时代的电影评分信任危机

——以豆瓣电影平台为例的改良性设计

     陶一嘉,曹静

     同济大学设计创意学院

     通讯作者,同济大学设计创意学院

     通讯作者,同济大学设计创意学院

摘 要

互联网数据众包时代,一部电影通常能聚合数万乃至数十万用户的评价和评分,数据聚类大众观影口碑,有利于辅助我们观影决策。然而信息爆炸又反向触发了大众的信任危机,人类不同于机器,接受和分析信息的能力有限,当我们无法在海量信息中快速获得有价值的信息时,信任就会被打破。研究发现用户从“信任大多数人的评价”重新转向“信任细分熟人的评价”态势。本研究以重建数据服务的信任度,提升评论式社交体验为目标,以豆瓣电影平台为研究场域。通过Python展开社交网络取证,结合问卷法和访谈法进行服务触点分析,探究平台可信度维护的过程中,用户信任情感产生的激发点和破坏点。并引入数据智能理念,对豆瓣电影平台五大功能进行改良设计,着力从“智能推荐”与“管理”模块着手,重构数据服务信息结构、信息交互流程及交互界面设计,促进豆瓣电影的智能数据足迹网络建构,提升评论式社交及智能推荐效率。

 

关键字

数据服务设计,交互界面设计,数据可视化,

品牌信任度,评论式社交

 

1. 论 述 

1.1   背景动机

2016年底的“影评风波”中,豆瓣、猫眼等网站因某些电影极低的大众评分态势,面临信用危机,被媒体斥责其数据服务破坏中国电影的生态环境;与此同时,豆瓣创始人爆料其评分机制作为回应,并致力于“满怀诚意地保护公众对豆瓣评分的信任” [1] 。12月28日人民日报“长城”事件引发了部分观众情绪反弹,在票房没有显著变化的同期,怒打一星的群体行为激增。本研究运用Python爬取了豆瓣电影平台上《长城》上映三周内的12000+条短评数据,以及猫眼电影专业版的票房数据(包括评分、短评、时间及有用数),探究数据准确性破坏点,如图1.1。通过数据交叉分析及词频聚类分析,研究发现:因大众评分 “动机-利益”的不透明性,且易收外部煽动影响的特征。质疑、失衡或者追捧的评分行为,进一步加剧了当前评分统计机制下的评分结果失实问题。

 

     图1.1 票房、评分趋势与社会舆论的对比

 

1.2 研究目标

数据化时代,我们接受、处理、信任信息的方式及场景发生了巨大的改变。本研究聚焦电影评论行为,从数据服务体验设计的视角,探讨平台可信度维护的过程中,用户信任情感产生的激发点和破坏点,探讨个人与集体之间价值观传递关系的创建过程。进一步探索,如何改良平台数据服务结构,促进亲密的评论式社交网络建构,实现个体与集体评论智慧的动态生长。

1.3 文献探讨

随着社交媒介的快速发展,互联网的垂直细分化催生了各种社交形式。李丹丹在《音乐社交:网易云音乐的互动仪式链研究》[3]对于网易云音乐的“互动”和“仪式”研究中发现,音乐激发的高强度情感连带,在互动过程中能转化为情感能量,形成稳固的群体团结。因此她提出,为了给用户带来一种全方位的沉浸式音乐体验,利用音乐文化作为互动基础,让用户们能更多地参与进来,在互动仪式中积累情感能量,并在情感能量驱动下的进行更高质量的互动。这种以情感为机制的互动仪式链,是当前社交网络所面临情境化和市场细分中,有效挖掘用户参与感及情感力量的社交模式。

电影作为最能引发情感共鸣的媒介,可以学习与借鉴网易云音乐“互动仪式链”所带来的高质量社交模式。运用社交功能,开启以情感为连带的独特社交体系,加强情感和共鸣体验,促进生成优质内容、优质社交及优质产品体验。

 

2 . 研 究 设 计

2.1 研究流程及方法

 

通过473份有效问卷调研及20位1-8年豆龄的用户焦点访谈,对豆瓣电影移动平台的改良设计进行用户肖像及需求定位探针。探究平台可信度维护的过程中,用户信任情感产生的激发点和破坏点。并引入数据智能理念,着力从“智能推荐”与“个人管理”功能着手,解决信息过载导致的“信息迷航” [4]问题。通过重构数据服务信息结构、信息交互流程及交互界面设计,促进豆瓣电影的智能数据足迹网络建构,提升评论式社交亲密度及智能推荐效率,重建豆瓣“精神的角落”品牌信任。

2.2 研究发现

2.2.1用户体验破坏点

473份有效问卷卷年龄覆盖00后~50后及以上。其中269人为豆瓣电影用户,294人为80后~90后人群。超过8成的豆瓣电影高频用户是80后、90后群体,如图2.1。

图2.1 豆龄占比及使用频率分布

通过对豆瓣用户观影体验流程的分析,归纳以下4项服务痛点:

  1. 评分机制缺乏人群细分;
  2. 交互信息结构层级太深。
  3. 大量短评是无价值的吐槽型内容;
  4. 数据可视化效能低。

图2.2 用户观影体验流程图与问题描述

2.2.2用户信任重建的机会点

  1. 豆瓣评分依然是重要的观影决策依据

  2. 有强烈的动机浏览影评及短评

  3. 从口耳相传时代,我们信任熟人评价;信息时代,信任机器算法集成的大众评价;数据爆炸时代,又回归到了“信任熟人”的过程中。

  4. 人们建立信任的“熟人”对象,从狭义的熟人转变成为拥有共同价值观和喜好的对象,比如公众号或网络意见领袖。

  5. 我们获得电影信息的渠道,以及观影的场景发生了巨大的变化。

  6. 我们接受和分析信息的能力,远远不及信息产生的速度

  7. 我们对于豆瓣电影依然抱有信任和期许

2.2.3 用户情绪板定位

根据54份有效色彩及词汇联想的调研,用户偏向于用“平和的”、“经典的”等词描述对于豆瓣电影的风格联想,对于“精神的角落”的颜色联想则偏向于蓝、灰、白、紫,其中“蓝色”联想词占将近40%。将用户反馈结合现有豆瓣电影品牌标准色系,我们定义了“上善若水”的整体视觉情绪板基调。如图2.3。

     图2.3情绪板、配色与视觉观感 

 

 

3. 服 务 改 良 设 计 

3.1 设计定位

聚焦用户改良需求集中的“智能推荐”与“个人管理”功能,提出以下改良设计目标。

  1. 重建用户评论与社交数据生态,促进数据生长、清洗、验证和可视化的智能响应,深度展示用户及其群落数据足迹;

  2. 营造有意义的、有内容的评论场景,引发观影的情感共鸣,促进用户更活跃的社交互动;

  3. 完善数据驱动的界面交互设计改良,拉近人与数据的关系。

3.2 智能推荐功能全面整改

在用户体验反馈的沟通中,当前豆瓣电影平台的数据推送,缺乏“用户智能匹配”是最大的问题。以豆瓣电影移动端首页为例,仅“豆瓣猜”是根据豆瓣的历史行为和好友关系,推荐电影或影人,如图3.1所示。

图3.1 豆瓣电影现有首页“登陆前后几乎没有差别”

智能推荐旨在解决信息过载,应该提供定制化内容推荐,本文提出以下由表及里的改良思路。

3.2.1 以个人的操作行为聚类推荐内容

A 集成多元电影信息渠道来源,建立豆瓣电影数据足迹网络。

建构电影数据足迹的初衷在于对观影者接触电影的方式、频率及场景变革的思考,随着信息时代的到来,我们获取电影信息渠道的来源发生了巨大的改变。如图3.2所示:

图3.2 问卷调研“我最常在哪个平台了解一部电影的相关信息”

这意味不同平台分别参与了我们电影生活的不同阶段(观影前、中、后),并服务于与电影有关各类行为。这些行为背后体现了个体用户电影生活的习惯、偏好及族群归属特性等。例如:假设豆瓣能够接入多元电影咨询平台的API,相关平台的行为数据能与用户在豆瓣电影平台内的搜索、收藏及评论等行为数据整合。用户电影生活的数据足迹网络建构,最终将为豆瓣电影五大功能所服务(搜索、管理、数据展示、智能推荐、选座购票)。如图3.3

图3.3 据473份问卷提炼用户电影数据足迹

本研究模拟了这一足迹建构及智能推荐的过程。以微信为例,运用python爬取电影相关公众号近3000+历史文章,词频聚类后筛选特征性词汇,同时采集朋友圈分享、点赞、观影切客、收藏及评论数据,多元数据集成最终在豆瓣电影平台以各类个性化影单的形式呈现。

图3.4 微信公众号数据采集及聚类

B 首页改良体现豆瓣电影对“我”的了解

建立以个人电影生活圈电影足迹为主线的首页推荐模式,如图3.5。针对个人关注、评论、观影等实际行为对用户动态发展的电影兴趣偏好进行智能挖掘和推荐。旨在代替个人完成深度信息挖掘和展示,改善现有豆瓣“平台信息层级过于复杂”、“数据关联性较弱”及缺乏有效的个性推荐”等问题,缩短各功能模块之间的交互流程,同时凸显个人与群体数据聚类后的共同关注焦点。比如,针90后用户对“争议性评论”的强烈偏好,争议性评论实报的卡片着力突出“我”与“大家”在观点中的存在及交会。

图3.5 豆瓣电影首页改良设计

对比原豆瓣电影界面,在核心交互流程全局渗透“智能推荐”功能,旨在增加推荐的丰富程度及交互粘性,如图3.6。同时,根据足迹推荐的电影、评论、豆列都落点在“人”上,进而形成知识网络的族群关联,建构用户与用户的思想及电影生活关联。

图3.6 改良后的豆瓣电影交互流程

3.2.1 以豆蜜的交互行为聚类推荐内容

A 豆蜜圈建构“熟人”信任关系

调研发现,数据爆炸及评价信任危机推动了用户从“信任大多数人的评价”重新转向“信任熟人评价”,超过五成90后用户最受此影响。另外,随着信息渠道的改变,人们建立信任的对象,从狭义的熟人转变成为拥有共同价值观和喜好的对象,比如公众号或网络意见领袖。

社交关系按用户之间联系及互动频率分“强社交关系”和“弱社交关系” [6]。“弱社交”能带来更广泛的人际交往,用户为了获取别人的关注,会产生更优质的内容。“强社交”拥有更高的电影偏好的匹配度,互动评论更强,关系更密切,所聊的关于电影的感受也更私人化。鉴于用户所反馈的“豆瓣活跃用户没有以前多了”问题。我们希望在豆瓣电影原有的粉丝/关注制度基础上,将粉丝与关注的重合人群定义为豆蜜,建立集合豆蜜动态数据的豆蜜圈,即电影熟人圈。强化“我”与“有着相似的观影偏好的熟人” 之间互相认可的社交关系。

B 熟人圈推荐有价值的内容

豆蜜圈的建构旨在使用户能够和喜好相似的用户进行高频率、更深入的交流,从而获得更多的信息资源。如豆蜜热度,即豆蜜活跃度,以周为单位进行排名,提供更直观的直方图数据展示。帮助用户快速判断社交机会,催生“高匹配度”的交互感受,提升用户与用户之间价值观传递和情感的共鸣场景活力。如图3.7。

图3.7 豆蜜热度排名与豆蜜圈

将豆蜜的电影生活足迹数据纳入我的智能推荐,如豆蜜影单是根据近一周豆蜜们想看/看过的电影热度排行,如图3.8。

图3.8 根据豆蜜电影生活足迹行为数据生成豆蜜影单智能推荐

3.3 完善评论式社交机制

电影的评论式社交并不是一个全新的概念,其本质就是通过将社交软件与电影相结合,用户得以与同伴们分享自己的观影体验,在分享的同时也与其他具有相同爱好的人建立起联系的过程。然而当前豆瓣平台的短评板块却呈现过渡情绪化及低价值趋势。笔者认为,电影通过创造模拟现实世界的影像带来接近真实世界的视听体验,创建亲密的评论式社交有利于最大程度发挥电影沉浸后效应与情感共鸣作用。为了夯实数据服务平台个体与集体智慧的可持续动态生长的发展基础,发挥蜂巢思维提升个体决策效率的价值。我们进行了如下改良设计。

3.3.1 营造有成就感的评论氛围

A. 修正现有短评推荐机制的

现有短评通过点击“有用”完成短评推荐,并分类出热门/最新/好友三个类别。根据对现有热门短评的浏览感受,用户们的反馈是“有用投票有歧义。”“短评只看首页上的几条,通常是吐槽吐得比较好,但参考性不大。”“第一页的热评大多会有打低分的评论,有的时候会觉得和评分不相符。”“很少点击有用,觉得有用的标准比较高。”这意味着用户很难从热评中获得有价值观认同、能产生情感共鸣的评论,同时“有用”按钮对于不同用户有着不同的理解。

我们的改良设计方案首先修正了“有用/无用”的数据标准,改用“赞同/不赞同”模式。并响应80后、90后用户需求,将他们最想看的三类短评“热门短评”、“最具争议性短评”、“按评星查看短评”作为优化筛选的补充条件,如图3.9。在电影详情一级页上,用户能看到最热豆蜜影评、最具争议短评、最热短评各一条,即提供最有参考价值的三条评论。

图3.9 电影详情页

B. 新增“最具争议评价”的群体讨论机制

我们每天运用“碎片化”的时间进行多元化的生活,“碎片化”的社交会减弱互动[7],在豆瓣电影中我们同样通过分散的信息与他人进行交流和分享,而“最具争议评价”板块有助于营造一个群体深度讨论的焦点场景。如图3.10。它同时满足了我们对于争议和热点的需求。它的推荐模式是:同时满足全网具有争议和豆蜜们参与评论,建立兴趣和互动的联结点,通过点赞、反对和追评该短评来参与互动。

图3.10 最具争议评价

3.4 参与式数据可视化增强个人管理功能

3.4.1塑造个性观影肖像

动态数据驱动的交互界面设计,有利于拉近人与数据的关系,让人更了解自己。为了便于用户全面掌控和管理自己的电影生活,个人数据板块拥有三种展现模式,水盘雷达模式、地图模式及电影列表模式。如图3.11。雷达图展现个人及豆蜜对比数据,交叉时间维度数据,展示本月个人与豆密圈聚类前五观影国家偏好;地图模式以地理位置为观影国家数据聚类线索,并生成该国家同类电影智能推荐;列表模式展现3重电影列表,传统豆列、观影历史以及新增的观影心愿单,同时提供交叉时间/国家维度的筛选功能。数据可视化不仅可以让用户更形象地观察自己的观影偏好,积累成就值,更可以促进用户主动的记录和管理优化行为。

图3.11 个人观影纪录板块-数据可视化

3.4.2 “最亲密的自己”观影晴雨表

看电影不仅仅是一个比较个人的体验,更是传递情绪的媒介,近1/4的90后用户最想要以电影的情绪(如孤独、治愈、安静)作为电影分类的方式,而选择电影时,通常也会考虑电影情绪,比如某访谈者说“暗恋的时候会看比较少女心的电影”。因此,为了促进用户将即刻观影的心情记录下来,珍藏内心最微妙的情感,我们赋予日历情感色彩,根据用户行为数据,自动生成观影晴雨表。在记录评价电影的时候,新增规范化的快速情感标签,不仅满足了用户宣泄情感的需求,区别于强调言之有物的短评,也可以是一种很美妙的分享形式。更进一步来说,晴雨表背后的数据也有利于促进搜索、推荐及评论板块中的情感数据涌现及智能聚类。我们直观地用颜色暗示心情,颜色分为4个维度(愉快/不愉快/中等强度/高强度),如图3.12左一。

3.4.3 短评可视化微观与宏观思想

从豆瓣电影原有的五星直方图中,我们看到的是最终评星的构成结果,并通过轮廓形状体现电影的优劣(如P型表示佳片、L型表示烂片),但是当前短评模式无法为用户解惑。“为什么首页热评经常有大量低分评论,感觉与总体评分不符,不免疑惑水军前期刷分呢?”“为什么我觉得它并没有大家说的那么差?”短评是展示大家的观点或者寻求观点认同、情感共鸣最快速有效的方式,但现有的短评页却没有任何筛选方式。我们着力改良的可视化筛选逻辑,不仅能直观地看到评星的构成随着时间的变化,另增加了对比票房的交叉数据,帮助用户更客观的在宏观层面了解一部电影的评价趋势变化,同时也满足80后、90后用户基于时间数据轴筛选短评的微观需求。如图3.12中、右。

图3.12 观影晴雨表(左)、短评详情页(中、右)

 

 

4. 结 语 

豆瓣电影诞生于前信息时代,建立之初,它的互动模式和社区属性曾被广泛用户所追捧。然而随着数据时代的到来,现有的用户互动与信息挖掘模式不足以应对光速增长的信息。本文通过解读用户对豆瓣电影平台逐渐失去信任的原因及设计机会探针,针对现有移动端服务系统展开了平台数据服务结构优化以及数据驱动的界面改良设计。力图强化豆瓣社群评论式社交的深度及广度,促进用户思想及情感沟通的不断积累,重建豆瓣电影人与信息、人与人信任关系的正向连接。着重优化豆瓣电影的智能推荐与管理功能,发挥数据服务产品界面中可视化两大价值,即可视化的显微镜价值,将不可见的信息转化为可见信息的能力(从全局角度);可视化的综合性叙事价值,探究和讲述不同故事的能力,并有效传播给大众使用 (从微观数据角度)。

 

 

参 考 文 献

 

[1] 曾凯. 人民日报客户端刊文点名批评豆瓣、猫眼:恶评伤害电影产业[EB/OL]. (2016-12-28)[2017-06-21]. http://www.thepaper.cn/newsDetail_forward_1588637.

[2] 聂伟,张洪牧宇. “互联网+”语境下电影评价机制研究——以国内主流电影评分网站为例[J]. 当代电影,2016 (4) :128-133.

[3] 李丹丹. 音乐社交:网易云音乐的互动仪式链研究[D]. 重庆:西南大学传播学,2016.

[4] 夏明星. 基于情感分析的评论极性分类和电影推荐系统的设计与实现[D]. 安徽:安徽大学计算机技术,2016.

[5] nihongyun. 用户研究方法介绍——情绪板(Mood Board)[EB/OL].(2010-02-05)[2017-06-21]. http://uedc.163.com/402.html.

[6] 杰西西. 社交网络的强关系和弱关系[EB/OL]. (2013-01-15)[2017-06-21]. http://www.yixieshi.com/12741.html.

[7] 黄蓝. 电影网络口碑传播黄蓝. 电影网络口碑传播中的意见领袖研究[D]. 吉林:东北师范大学传播学,2012

 

最佳点击量文章查看

 

Design with the Early Adapters ——关于90后人群的住宅需求研究

 

起步型工具产品数驱全流程设计研究  ——以营销推广工具阿里妈妈APP为例

 

基于家庭情感增进式服务设计研究  ——以阿尔兹海默症中国患者家庭为例

 

1   喜欢

操作成功!
请登录您的邮箱获取新密码,请尽快修改您的新密码!