Maze 推出 AI conversation block，在可用性研究中集成自适应对话以探究行为背后的原因

今天，我们推出 AI 对话模块：一种自适应的、由 AI 主持的对话功能，可直接集成到任何未设主持人的 Maze 研究中。

这是 Maze AI 的最新补充——与 AI 研究构建器、AI 主持人以及 Maze MCP 并列——为研究人员提供更多途径来理解数据背后的人类体验和动机，同时让他们在随后的决策中保持核心地位。

研究人员现在可以在同一项研究中、针对同一批参与者、在同一会话期间结合行为测试和后续对话。你可以看到人们做了什么——任务成功率、操作路径、误点击、评分等——然后趁记忆尚新时询问原因。

这意味着减少了从不同研究和时刻拼凑洞察的时间，并对参与你研究的人员形成更连贯的看法。

将行为与理解相结合

研究人员一直知道，行为和背景揭示了故事的不同部分。

可用性研究可以向你展示参与者在哪里遇到困难、在哪里犹豫不决以及他们选择了哪些路径。但相同的行为可能有截然不同的解释。参与者可能会因为困惑、比较选项或之前遇到的某些事物影响其决策而犹豫。

行为提供了信号，对话提供了背景。

直到现在，这两个部分通常存在于独立的研究工作流程中。你可能会运行一项可用性研究以识别模式，然后通过访谈跟进以了解背后的原因。到那时，你通常是在与不同的参与者群体合作，处于不同的时间点，要求人们回忆而不是即时解释。

AI 对话模块将自适应对话直接带入研究体验中。

实际应用场景

想象一下，你正在测试一个新的入门流程。参与者完成了你的原型任务，Maze 捕获了行为数据：他们成功完成，但在选择方案时犹豫不决，并且花费比预期更多的时间探索选项。

AI 对话模块不会止步于行为，而是即时进行跟进。参与者解释说，他们不确定哪个选项最能支持不断壮大的团队，随后的追问揭示了哪些信息本可以帮助他们更有信心地做出决定。

现在你拥有了故事的两面：行为模式和参与者对此的解释。而且由于对话是同一项研究的一部分，这种背景始终与其所解释的行为保持关联。

嵌入研究流程的灵活对话

与其他模块一样，AI 对话模块并不局限于研究中的某一个点。你可以自由地在需要更深入理解的任何地方添加它，无论是在交互之前还是之后。

你可以在研究开始时使用它，以了解参与者在接触产品之前的期望。你可以将其放在原型任务之后，以探索摩擦时刻；或者在评分问题之后跟进，以了解某人给出高分或低分的原因。通过条件逻辑，你还可以根据参与者的回答定制对话。

这种灵活性也意味着你可以为试图回答的研究问题选择合适的 AI 对话类型。

如果你使用过 Maze 的 AI 主持人，你可能会好奇 AI 对话块在其中的作用。两者都能帮助研究人员与参与者进行更丰富的对话，但它们是为研究流程中的不同时刻设计的。

当行为是你研究的核心，且你想了解某个特定时刻时，请使用 AI 对话块：

• 为什么参与者在执行此任务时犹豫不决？
• 是什么让这一决策变得困难？
• 是什么影响了他们的评分？

当对话本身就是研究内容时，请使用 AI 主持人：

• 探索用户需求
• 识别工作流程
• 开展发现性研究
• 深入挖掘更广泛的动机

许多团队会在整个研究工作流程中同时使用这两者。可用性研究可能会揭示出意想不到的行为模式，此时 AI 对话块可以帮助你理解那一刻发生了什么。在此基础上，AI 主持人可以帮助你探索你所听到内容的更广泛背景和动机。

一种将“是什么”与“为什么”联系起来的新方式

AI 对话块将定量研究和定性研究整合到同一项研究中。当你可以在同一个会话中看到发生了什么并就此提问时，你花在拼凑不同数据源上的时间就会减少，而花在揭示行为背后原因上的时间则会增加。

随着 AI 成为研究中越来越重要的一部分，我们在构建 AI 功能时继续保持审慎态度。82% 的研究人员表示，解读细微差别和情感仍然需要人类的判断力，而这种判断力在决定哪些信号重要、不同证据如何相互契合以及研究应如何引导产品下一步发展方面仍然至关重要。

在 Maze，我们的 研究级 AI 旨在支持这项工作，提供研究人员所需的透明度和质量，以便他们贴近研究及其背后的人群。AI 可以帮助研究人员触达更多人、探索更多问题，并更深入地挖掘数据背后的含义。研究人员则运用判断力来理解这些结果并决定下一步行动。

你的研究联系越紧密，你采取行动的信心就越强。