生成式AI引导的用户研究及其空中出租车应用

用户研究要回答的是「人怎么用、愿不愿意用」，但这类研究通常需要先搭出真实实验场景、再招募真实参与者。对于空中出租车这类新兴而陌生的技术，这条路在早期设计阶段很难走通：技术本身尚不成熟，让真人进入真实场景存在安全顾虑，而一轮接一轮的迭代又会拖慢效率。这份资料要回答的正是：能否用生成式 AI 把实验场景「造」出来，让真实用户在没有真实飞行器的条件下完成体验与评价。它的价值不在于提出一个新模型，而在于把生成式 AI 放进用户研究的完整流程里跑了一遍，给出一条可参照的操作路径。

研究把用户研究拆成两个维度：场景是真实的还是虚拟的，参与者是真人还是虚拟用户，由此得到四种组合。已有工作多落在「真实场景＋真人」和「虚拟场景＋真人」两类：前者受制于安全，后者受制于搭建成本，因为虚拟场景同样需要开发完整的界面与座舱设计，耗时耗力。这份资料选择「虚拟场景＋真人」这一类，并以空中出租车为案例，理由是它同时具备新兴、陌生、难以实地测试这几个特征。做法上，作者用 OpenAI 的 GPT-4 配合 AI 图像与视频生成器搭建了一段虚拟空中出租车旅程（ATJ）：先由 LLM 生成脚本，再据此制作关键视觉，最后通过在线问卷让参与者评价这段旅程。场景生成、素材制作、问卷投放与数据分析，被串成了一条链。

评价环节共招募 72 名参与者，测量两个变量：对空中出租车的态度，以及对这段虚拟旅程的满意度。结果显示，LLM 不只是生成场景，还表现出识别并提出环境设定建议的能力，而这些环境能够显著改善参与者对空中出租车的态度。换句话说，模型在这里承担的不只是「画图工具」的角色，还参与了实验条件的设想。

另一个值得注意的结果来自人口统计变量：受教育程度和性别显著影响了参与者的态度，以及对 ATJ 的满意度。这意味着同一套虚拟场景落到不同人群身上会产生不同反应，评价结果不宜当作单一均质的结论来使用。作者同时强调，这条流程的目的不是替代真实实验，而是让早期设计阶段的反馈循环变快；招募真实用户评价生成式场景，收集到的反馈可以迅速进入下一轮迭代。

从实践角度看，这份资料给出的启示有几层。对做出行、交通类产品的研究者，虚拟场景放松了「必须先有原型才能测试」这一前置条件，早期概念的取舍可以在没有物理样机、没有试飞的前提下先跑一轮。对做用户研究方法的人，生成式 AI 的介入点被具体化为脚本、视觉素材与条件建议，而不是笼统的「辅助设计」。不过，虚拟场景始终是对真实体验的近似，参与者在屏幕前形成的态度能否迁移到真实乘坐情境，材料本身没有给出答案。

读这份资料，做人机交互与用户研究方法的人能拿走一套可操作的流程模板，包括提示词驱动脚本、AI 生成视觉、在线问卷和真实参与者评价；做出行与航空服务设计的人则能拿到一份关于公众态度的早期观察。它的边界也需要说清楚：结论建立在空中出租车这一个案例、72 名参与者、GPT-4 及相关生成工具之上，材料中没有呈现与真实场景或 VR 场景的对照数据，因此更宜把它看作方法可行性的验证，而不是效果大小的定论。

ARTICLE TEMPLATE Generative Artificial Intelligence-Guided User Studies: An Application for Air Taxi Services Shengdi Xiaoa, Jingjing Li bc, Tatsuki Fushimibc and Yoichi Ochiaibc aGraduate School of Comprehensive Human, University of Tsukuba, 1-1-1 Tennodai, Tsukuba, Ibaraki, Japan; bInstitute of Library, Information and Media Science, University of Tsukuba, Kasuga Campus Kasuga 1-2, Tsukuba, Ibaraki, Japan; cR&D Center for Digital Nature, University of Tsukuba, Kasuga Campus Kasuga 1-2, Tsukuba, Ibaraki, Japan AR TICLE HISTOR Y Compiled March 5, 2025 ABSTRACT User studies are crucial for meeting user needs. In user studies, real experimental scenarios and participants are constructed and recruited. However, emerging and unfamiliar studies face limitations, including safety concerns and iterative efficiency. To address these challenges, this study utilizes a large language model (LLM) to