基于面部识别和PSO-BP神经网络的用户满意度评估

在数字时代，资讯的传播和互动主要是通过各种软件的用户界面进行。用户满意度是迭代优化软件界面设计的重要参考。

如何更好地测量用户满意度？

越来越多的用户体验研究开始探索从传统主观评价到更加全面客观的评估方法的转变。

本文介绍来自南京理工大学和深圳科技大学的研究团队的最新研究成果，了解他们如何将面部识别技术与PSO-BP神经网络相结合，构建出一个综合的用户满意度测量模型，从而扩大用户界面满意度评估方法的范围，增强测量的客观性及传统评估技术的效率（Li et al., 2024）。

如何评估用户满意度？

用户满意度的概念最早是由美国学者R.N. Cardozo于1965年提出的，指客户在获得商品和服务时达到或超过预期的心理状态。增强的用户满意度与改善的用户体验相关。在数字时代，资讯的传播和互动主要是通过各种软件的用户界面进行，因此，用户从界面中获得的满意度在信息交互过程中起着至关重要的作用，是优化和完善软件及相关产品的关键因素。

用户界面满意度的评估方法多种多样，多以主观评价为主，包括德尔菲法、问卷调查、访谈调查和有声思维法等。这些收集用户主观和经验数据的方法是用户满意度评估的基础。然而，依赖主观评价可能会产生准确性与客观性不足的问题。

一些研究开始通过结合客观的行为分析、生理测量以及计算机算法的方法来辅助主观评价。利用可用性测试的基础，客观行为分析已经成为评估软件界面满意度的流行方法。脑电测量、眼动追踪和面部识别技术也广泛用于评估界面满意度。而随着计算机算法的快速发展，基于PSO-BP神经网络的用户满意度的预测模型开始逐渐被应用于用户界面研究。神经网络算法能够很好地处理用户满意度中涉及的多种因素（如用户行为、情感反应和操作效率）之间复杂的非线性关系，获得准确和稳定的预测模型。

利用面部识别技术评估用户满意度

过往研究中，用户满意度的实验研究中获取的生理数据主要以脑电和眼动为主，这往往需要专业的人员来设计并实施实验。例如对于脑电采集来说，实验过程复杂耗时，对被试选择标准也很严格，这就降低了研究效率；对于眼动追踪来说，其数据主要反映视觉特征和审美偏好，无法直接反应情绪与感受，所以相关研究通常以眼动数据来证实软件界面的可用性，后探究可用性和满意度之间关系，从而得出界面满意度评估，而这也导致研究重点偏离了界面满意度评估。此外，采集这些数据时一般需要使用专业的、昂贵的设备如脑电设备和眼动仪，这大大增加了实验成本。

相比之下，面部表情识别技术作为一种非接触式的测量方法用于用户满意度研究，能更加简洁、快捷地获得同样客观的数据。面部表情直接反映了用户的情绪状态，且与满意度密切相关，这使得面部表情识别和分析技术在评估满意度方面具有实用性和价值。此外，收集面部表情数据更直接，成本更低，通常只需要一个标准的相机来捕捉面部表情，即可完成数据采集。这将大大降低实验成本，提高实验效率。

总的来说，目前评价用户满意度的方法主要依靠主观评价，偶尔有客观指标支持，但这些方法缺乏效率和准确性。因此，本研究团队旨在提出并验证一种测量用户满意度的新方法，即利用面部识别技术与PSO-BP神经网络模型来预测用户满意度。

构建预测模型并验证

研究采用实验观察的方法，选择国内教育领域流行的两款笔记软件：Notability和Goodnotes，观察被试操作时的行为并评估其满意度。参与实验被试共42名，随机分为A、B两组，分别进行两组实验（图1）：

图1

（1） A组被试使用Notability根据提示完成四项任务（图2）：用橙色的圆点笔画一个心、插入一张图片并等比调整大小放入框中、使用橡皮擦工具擦除紫线、将手写笔记改为黑色并调整大小放入框中。过程中测量其面部表情强度、任务完成时间、任务成功率和操作流程。任务完成后，被试进行从1-10的主观满意度评分。利用客观数据作为输入，主观评分作为输出，构建基于PSO-BP神经网络的用户满意度预测模型；

（2） B组被试使用Goodnotes完成与A组同样的四项任务并采集数据。使用相关数据验证模型的有效性和准确性。

图2

本研究使用诺达思的面部表情分析系统（FaceReader）进行面部表情追踪与分析。FaceReader的面部表情识别平均准确率为 99%，在消费者行为和心理学研究等领域被广泛使用。研究中使用摄像头捕捉用户在软件交互过程中的面部反应，后在FaceReader中进行分析（图3）。软件采用保罗·艾克曼的面部动作编码系统（FACS），将表情分为六种基本类型：喜悦、悲伤、愤怒、惊讶、恐惧和厌恶以及中性状态，并根据即时观捕捉到的面部特征为每种情绪分配相应的强度值。

图3

在模型构建阶段，将用户的主观满意度得分与预测结果进行比较，对模型进行调整。随后，在模型验证阶段，将这些分数与模型的预测结果进行比较，以评估模型的准确性。

评估用户界面满意度的新方向

结果显示（图4），预测Goodnotes中四个功能任务的满意度时，平均预测误差为13.74%，预测准确率高达86.26%。这表明利用面部表情识别技术与PSO-BP神经网络构建的用户满意度预测模型具有较高的准确性和可靠性，是预测用户满意度的有效方法。

图4 四项任务中预测模型与实际用户满意度的比较

长期以来，界面满意度的评估和测量一直是软件优化和升级的关键指标。目前，满意度评估主要依靠主观评价，有时辅以客观方法。然而，主观方法往往缺乏客观性，而客观方法则面临效率问题。本研究提出并验证了一种评估用户界面满意度的预测模型，这有助于拓展用户界面满意度评估方法的范围，对软件界面可用性评估和优化设计具有实际意义。

将面部识别技术与PSO-BP神经网络相结合的测量方法既客观又精确，且相较于其他客观测量方法，具有更高的效率，可以很容易地应用于一般的软件满意度评估，为软件接口设计、优化和升级提供有价值的数据和指导，继续推动该领域的可用性研究。未来研究可以考虑将更多的软件类型作为实验材料，以及增加样本的多样性，以进行更广泛的用户满意度分析，进一步增强模型的预测能力，最终建立适用性更广、精度更高的满意度预测模型。

参考文献

Li, Q., Zheng, B., Wu, T., Li, Y., & Hao, P. (2024). A Method for Evaluating User Interface Satisfaction Using Facial Recognition Technology and a PSO-BP Neural Network. Applied Sciences, 14(13), 5649.

关注诺达思公众号，联系我们获取更多产品信息及学术文章！