認知偏誤是一件很常見的事情，尤其在用戶調研中，它的出現(xiàn)更容易誤導研究者踏入認知陷阱，將產品與功能越改越錯。這時候，準確洞察研究者認知偏誤陷阱就顯得非常重要了。

認知偏誤（Cognitive bias）是一種常見的現(xiàn)象，它是指當我們思考問題或做決策時，大腦會有一些固定的思維傾向。

這個過程多是無意識的，有時也會帶來正面作用，如幫助我們在紛繁復雜的環(huán)境中節(jié)省思考時間，更高效地做出決定。但是在研究中，認知偏誤易導致研究結果不準確，降低研究的價值。

我們都希望研究是客觀、理性、反映真實情況的，了解常見的認知偏誤可以幫助我們在工作中盡量規(guī)避它們，得出更準確的結論。

實際上每個人都會有認知偏誤，包括研究者和用戶。

今天我們就來說說研究者的常見認知偏誤，下次有機會再談談用戶的，敬請期待。

一、確認偏誤（Confirmation bias）

當人們本來就持有某種觀點時，對這種觀點的感知和注意度會被放大，會選擇性地回憶或收集關于它的事例。人們對于自己原本就相信的觀點會更容易接受，而把反面觀點擱置在一旁。

舉個例子：有些人認為女司機不擅長開車，更容易造成事故，所以當新聞中的事故與女司機有關時，他們會覺得“果然如此”。而實際上男司機的事故率比女司機更高。

在用戶研究中，當你的預設想法是用戶對A設計的滿意度比B設計更高時，在研究中你可能會更關注用戶提到的A設計的優(yōu)點、收集更多用戶對于A設計的正面評價。當用戶表示對A設計滿意時，會覺得“果然是這樣”。這種偏誤會讓你遺漏許多其它信息。

二、虛假一致性偏差（False consensus effect）

虛假一致性偏差是指人們很容易認為其他人跟自己有相同的想法，從而高估這些觀點的普遍適用性。

舉個例子：有一種冷叫做“你媽覺得你冷”。媽媽感覺到了冬天的寒冷，擔心我們也會冷，于是催促我們穿秋褲，但可能年輕人并沒覺得冷。此時媽媽的想法就帶有虛假一致性偏差。

當年輕人吐槽父母朋友圈轉的雞湯文、養(yǎng)生文無用時，也是一種虛假一致性偏差。

在用戶研究中，我們也很容易陷入虛假一致性偏差。

比如，當你認為產品的某個方面比較好或者你對產品的某個方面不滿意，可能會傾向于認為這也是許多其他用戶的感受，但也許事實并非如此。

在對海外產品做研究時尤其要注意這一點，研究者與用戶的巨大文化背景差異可能會導致研究結果的嚴重失真。

三、聚類錯覺（Clustering Illusion）

聚類錯覺產生的原因是人們傾向于從隨機事件中找出某種規(guī)律。

舉個例子：如果張三連著幾次在群里搶紅包都搶到最大份，他可能會覺得自己最近“手氣特別旺”。這就是一種聚類錯覺，人們試圖將幾次隨機的結果聯(lián)系起來，用某種規(guī)律進行解釋。

在研究中，聚類錯覺容易出現(xiàn)在小樣本研究中。

比如，我們在小樣本中發(fā)現(xiàn)了被訪者的某些共性，總結出某些規(guī)律，并期望它們在更大的群體中也適用，但這種共性可能只是源于隨機，而非事實。

我們應該謹慎對待在小樣本研究中的發(fā)現(xiàn)，思考它們是否只是隨機結果，最好用其它研究方法幫助驗證或參考二手資料，避免出現(xiàn)聚類錯覺。

四、知識的詛咒（Curse of knowledge）

培根說過，“知識就是力量”。它怎么會帶來詛咒呢？知道的更多難道不好嗎？

知識的詛咒是指——人一旦知道了某件事，就沒辦法想象不知道的樣子，也很難體會到不知者的感受。

舉個例子：在某次考試之后的課堂上，

• 老師：“同學們，這是一道送分題啊，大家都做對了吧？只要先連一條輔助線，再……”
• 學生：“這是啥？這又是啥？這些都是啥？”

在用戶研究中，知識的詛咒也會給我們帶來許多困擾。

比如，我們對自己的產品很熟悉，就很難想象新手用戶是如何使用它的，使用感受如何。我們可能會驚訝地發(fā)現(xiàn)，即使在我們看起來操作十分簡單的功能，新手用戶使用起來也很吃力。

再比如在設計問卷或者訪談腳本時，我們可能會不小心加入一些專業(yè)術語而不自知，讓用戶看得一頭霧水。

研究者的有些認知偏誤還會直接影響到用戶的行為和反應。

五、選擇性偏差（Selection bias）

選擇性偏差是指過程或樣本的非隨機性導致結論的不準確。

舉個例子：假設張三想統(tǒng)計人們的工資水平，他拿著一份個稅納稅名單開始了調查，結果發(fā)現(xiàn)，所有人的工資都在5000以上。

這個結果當然是不準確的，因為5000是我國的個稅起征點，工資超過5000的人才會出現(xiàn)在納稅名單上，張三的研究樣本是有選擇性偏差的，不能代表總體。

在用戶研究中，選擇性偏差不僅會出現(xiàn)在樣本選擇中，還可能會出現(xiàn)在研究設計中。

比如在可用性測試中，我們設計了一系列的任務，研究結果自然就無法包含未選中的任務。而且這些任務也會讓用戶產生一種心理，既然它是設定好的任務，就一定是可以被完成的，他們也會耐心地、多次嘗試去完成任務，以期達成某種結果。

當然我們也不會設置無法完成的任務。但在實際的使用情境中，用戶并不知道哪些操作是有結果的，哪些沒有，他們的行為和態(tài)度可能與可用性測試中不同。

六、框架效應（Framing effect）

框架效應是指——對于同一個問題，當描述有所不同時，人們給出的選擇也會有差異。

舉個例子：假如說“XX疾病的存活率達93%”，人們可能會覺得這種疾病沒有很嚴重；但如果說“XX疾病的致死率達7%”，那么人們可能會覺得很嚴重。

在用戶研究中，我們也要避免框架效應帶來的影響，不要設置引導性的問題，題目中不要用明顯的正面或負面詞匯，盡量用中立的語言描述。避免題目的描述干擾到用戶的選擇，而導致研究結果不準確。

七、觀察者期望效應（Observer-Expectancy Effect）

觀察者期望效應是指——研究者有時可能會期望出現(xiàn)某種結果，他們無意識地操縱了試驗過程，或者錯誤地解釋實驗結果，導致研究結果嚴重歪曲。

一般來說，被觀察者幾乎無法不受觀察行為的影響，當研究是針對人時，被試者會更容易感覺到研究者無意中透露的期望，從而做出相符的反應。

在用戶研究中，研究者的表情、肢體語言等都可能會反映出自己所期待的結果，如果用戶察覺到了這些，就可能做一些迎合研究者期望的反應。

比如，如果研究者無意中透露出某個新功能是他們團隊非常重視、投入巨大、報有很大期待的功能，用戶可能會更傾向于對這個功能給出正向的評價，肯定該功能的市場前景。但這也許并非他真實的感覺。

如何避免認知偏誤

如何避免這些認知偏誤呢？這里有一些建議：

1. 研究方案：避免單一的研究方法和單一的樣本渠道來源

多種研究方法的結果相互驗證，多種樣本渠道來源互做補充，幫助我們避免“聚類錯覺”和“選擇性偏差”，讓我們的研究結果更準確。

2. 研究準備期：問卷試填、試訪談、預測試

找其他人進行試研究，幫我們在正式研究開始前發(fā)現(xiàn)問卷中是否含有引導性問題、專業(yè)術語、歧義用語等不便于用戶理解的地方；訪談或測試中是否出現(xiàn)不適當?shù)南乱庾R行為等。避免因“知識的詛咒”、“框架效應”和“觀察者期望效應”導致的研究結果不準確。

3. 研究進行時：多人合作研究、二手資料做參考、聽取他人意見

多人共同參與研究和分析，有助于避免認知偏誤。訪談時，每個研究員追問的點可能有所不同；走查評估時大家對問題的關注點也可能不一樣。單個人的研究難免容易陷入“確認偏誤”、“虛假一致性偏差”。綜合大家的觀點，會讓研究結果更客觀。

如果只能由單人完成研究，可以收集二手資料，閱讀前人研究做參考。同時聽取來自他人的意見，幫助拓展思路，包括用研同事和產品經理、設計師等非用研同事。

4. 研究結束后：復盤研究

研究結束后，反問自己：

• 研究的過程是否客觀？
• 研究的結論是否可信？
• 所有的結論都是有數(shù)據(jù)支撐、符合邏輯的嗎？
• 有哪些結論是帶有偏誤的嗎？
• 是否漏掉了一些很重要的結論？
• 是否與其他人的研究結果相似或相悖？
• 相悖原因是什么？
• 下次研究將如何做改善?

彩蛋：最后還有一個認知偏誤介紹給大家。

八、偏見盲點（bias blind spot）

偏見盲點是指——我們都傾向于認為自己比別人更少受到認知偏誤的影響。人們都有偏見盲點，更容易發(fā)現(xiàn)別人出現(xiàn)的認知偏誤而忽略自己存在的認知偏誤。

舉個例子：如果你看到這篇文章后覺得“這些都是別人容易遇到的，我可比他們客觀多了”，那么你可能就陷入了偏見盲點。

（所以，這里要大張旗鼓地求翻牌了：為了證明自己沒有陷入偏見盲點，親愛的讀者們，快來點贊吧、轉發(fā)吧、收藏吧！便于以后實時提醒自己哦~）

參考文獻

1. Cognitive bias cheat sheet（https://betterhumans.coach.me/cognitive-bias-cheat-sheet-55a472476b18）

2. 20 cognitive biases that screw up your decisions（https://www.businessinsider.com.au/cognitive-biases-that-affect-decisions-2015-8）

3. 6 common cognitive biases UXers should know（https://medium.muz.li/6-common-cognitive-biases-uxers-should-know-750b8c7af1a8）

4. Cognitive biases in user research（https://blog.optimalworkshop.com/cognitive-biases-user-research）

5. Combating Bias in User Testing（https://blog.fullstory.com/combating-bias-in-user-testing/）

6. Don’t Let Your Brain Deceive You: Avoiding Bias In Your UX Feedback（https://www.smashingmagazine.com/2017/10/avoid-bias-ux-feedback/）

7. Overcoming bias in research and product design（https://medium.theuxblog.com/overcoming-bias-in-research-and-product-design-f35a0d92496d）

8. Overcoming Cognitive Bias in User Research（https://npr.design/overcoming-cognitive-bias-in-user-research-e4082f4506a）

9. User Research Bias: How It Hurts Your App And What You Can Do About It（https://usabilitygeek.com/user-research-bias/）

作者： Sijia，公眾號：京東設計中心JDC（ID：JDCdesign）

來源：http://jdc.jd.com/archives/212946

題圖來自Unsplash，基于CC0協(xié)議