اصل پیشنهاد در طراحی سامانه‌های ترغیبی

کارگروه طراحی راهبردی، حلما بهبود

پیشنهاد به‌مثابه‌ی میان‌بری راهنما، نه تصمیم‌گیرنده‌ی نهایی

مقدمه

وقتی اپلیکیشن موسیقی، آهنگی را «مخصوص شما» پیشنهاد می‌دهد، یا اپلیکیشن سلامت، بر اساس فعالیت روزتان یک تمرین کوتاه پیشنهاد می‌کند، هر دو در حال به‌کارگیری یکی از ظریف‌ترین اصول طراحی سامانه‌های ترغیبی هستند: «پیشنهاد» (Suggestion). بر اساس مدل طراحی سامانه‌های ترغیبی (PSD)، این اصل نیز مانند یادآوری و پاداش در دسته‌ی «پشتیبانی از گفت‌وگو» (Dialogue Support) قرار می‌گیرد، اما کارکردش متفاوت است. اویناس-کوکونن و هارجوما (Oinas-Kukkonen & Harjumaa, 2009) پیشنهاد را این‌گونه تعریف می‌کنند که اگر سامانه در لحظه‌ی مناسب، یک اقدام مشخص را به کاربر پیشنهاد دهد، احتمال انجام آن رفتار افزایش می‌یابد.

تفاوت پیشنهاد با یادآوری

تفاوت پیشنهاد با یادآوری در همین نکته نهفته است: یادآوری، قصدی را که کاربر از پیش داشته دوباره در ذهن او زنده می‌کند، اما پیشنهاد، مسیر یا گزینه‌ای مشخص و اغلب تازه را در برابر او می‌گذارد، مسیری که ممکن است خودِ کاربر هنوز به آن فکر نکرده باشد. همین ویژگی، پیشنهاد را به ابزاری قدرتمند برای هدایت تصمیم و در عین حال مستعد یکی از شناخته‌شده‌ترین تله‌های طراحی(اضافه‌بار انتخاب)تبدیل کرده است.

امروزه پیشنهاد، ستون فقرات بسیاری از سامانه‌های دیجیتال پرکاربرد است: از فهرست «شاید دوست داشته باشید» در فروشگاه‌های اینترنتی گرفته تا خوراک محتوای شبکه‌های اجتماعی و مسیرهای پیشنهادی نقشه‌های آنلاین. با این حال، همین گستردگی کاربرد، پرسش‌های طراحی را نیز پیچیده‌تر کرده است: یک پیشنهاد خوب باید هم‌زمان مرتبط، به‌موقع، قابل‌اعتماد و مهم‌تر از همه احترام‌گذار به استقلال تصمیم‌گیری کاربر باشد. این سند، هر یک از این ابعاد را به‌تفصیل بررسی می‌کند.

آن چه این سند را از یک راهنمای صرفاً فنی متمایز می‌کند، تأکید هم‌زمان بر دو سطح تحلیل است: سطح روان‌شناختی، که توضیح می‌دهد چرا پیشنهاد اصولاً بر تصمیم انسان اثر می‌گذارد و سطح طراحی عملی، که نشان می‌دهد چگونه می‌توان این اثر را مسئولانه و بدون آسیب به استقلال کاربر به‌کار گرفت. غفلت از هرکدام از این دو سطح، یا به سامانه‌ای بی‌اثر می‌انجامد که کاربران آن را نادیده می‌گیرند، یا به سامانه‌ای می‌رسد که با وجود اثربخشی کوتاه‌مدت، در بلندمدت اعتماد و رضایت کاربر را از دست می‌دهد.

این تنوع کاربردی، دلیل اصلی نیاز به یک طبقه‌بندی روشن از انواع پیشنهاد است؛ بدون چنین طبقه‌بندی‌ای، تیم طراحی و توسعه ممکن است بدون تحلیل آگاهانه، به سمت رایج‌ترین یا فنی‌ترین رویکرد (معمولاً فیلترینگ مشارکتی) کشیده شود، در حالی‌که آن رویکرد لزوماً بهترین گزینه برای هدف رفتاری خاص آن سامانه نیست. بخش بعد، این شش سازوکار را به‌طور نظام‌مند معرفی می‌کند.

انواع پیشنهاد

پیش از پرداختن به نحوه‌ی استفاده‌ی اثربخش از پیشنهاد، باید میان شش سازوکار اصلی تولید آن تمایز قائل شد؛ زیرا هرکدام منبع داده، سطح شخصی‌سازی و ریسک متفاوتی دارند.

در عمل، بسیاری از سامانه‌های پیشرفته‌ی امروزی به‌جای اتکا به یک نوع واحد، ترکیبی از این شش رویکرد را به‌کار می‌گیرند تا هم دقت شخصی‌سازی و هم تنوع پیشنهادها را هم‌زمان تأمین کنند. برای نمونه، یک سامانه‌ی توصیه‌ی فیلم ممکن است از فیلترینگ مشارکتی برای یافتن الگوهای پنهان میان کاربران مشابه استفاده کند، اما نتیجه‌ی نهایی را با معیارهای بافت‌محور (مانند زمان روز یا نوع دستگاه) و رویکرد اجتماعی (نمایش «کاربران مشابه شما»کمک‌کننده) تلطیف کند.

مصداق‌های واقعی این شش نوع را می‌توان به‌روشنی در سامانه‌های پرکاربرد امروزی مشاهده کرد: فروشگاه‌های اینترنتی معمولاً از ترکیب محتوا-محور و مشارکتی برای بخش «مشتریانی که این را خریدند، این را هم خریدند» استفاده می‌کنند؛ سامانه‌های نقشه و مسیریابی از رویکرد بافت‌محور برای پیشنهاد مسیر جایگزین بر اساس ترافیک لحظه‌ای بهره می‌گیرند، اپلیکیشن‌های سلامت روان اغلب از رویکرد قانون‌محور برای پیشنهاد تمرین‌های تنفسی در پاسخ به ثبت خلق منفی استفاده می‌کنند و پلتفرم‌های آموزش آنلاین با رویکرد اجتماعی، دوره‌هایی را پیشنهاد می‌دهند که «دانشجویان هم‌رشته‌ی شما» تکمیل کرده‌اند. شناخت این تنوع کاربردی، به طراح کمک می‌کند پیش از انتخاب یک رویکرد فنی خاص، دقیقاً بداند کدام نوع پیشنهاد با هدف رفتاری او هم‌خوانی بیشتری دارد.

جدول انواع پیشنهادها:

نوع پیشنهاد	مبنای تولید پیشنهاد	ویژگی اثرگذاری
قانون‌محور (Rule-based)	بر اساس قواعد از پیش تعریف‌شده‌ی طراح (اگر X رخ داد، Y را پیشنهاد بده)	ساده و قابل‌پیش‌بینی است، اما با تنوع رفتار کاربران هم‌گام نمی‌شود.
محتوا-محور (Content-based)	بر اساس تاریخچه و ترجیحات ثبت‌شده‌ی همان کاربر	ارتباط بالایی با علایق فرد دارد، اما ممکن است تنوع گزینه‌ها را محدود کند.
فیلترینگ مشارکتی (Collaborative Filtering)	بر اساس الگوی رفتار کاربران مشابه	پیشنهادهای غافلگیرکننده و متنوع‌تری ارائه می‌دهد، اما به حجم داده‌ی بالا نیاز دارد.
بافت‌محور (Context-aware)	بر اساس موقعیت، زمان یا فعالیت جاری کاربر	بیشترین ارتباط لحظه‌ای را دارد و احتمال پذیرش فوری را افزایش می‌دهد.
ترکیبی (Hybrid)	تلفیق دو یا چند رویکرد فوق برای پوشش نقاط ضعف هرکدام	معمولاً دقیق‌ترین و پایدارترین عملکرد را در مقیاس بزرگ دارد.
اجتماعی/تأییدشده توسط همتایان (Social/Peer-endorsed)	بر پایه‌ی انتخاب یا تأیید صریح دیگر کاربران («کاربران مشابه شما این را برگزیدند»)	با تکیه بر اثر اجتماعی، اعتماد اولیه را سریع‌تر از سایر انواع جلب می‌کند.

پیشنهاد به‌مثابه‌ی تلنگر

پیشنهاد از سه مسیر مستقل می‌تواند در نقش تلنگر (Nudge) عمل کند:

مسیر نخست

مفهوم کلاسیک «کایروس» (Kairos) در بلاغت است، یعنی ارائه‌ی پیام درست در لحظه‌ی درست،  مفهومی که در ادبیات فناوری ترغیبی توسط فاگ (Fogg, 2009) نیز زیربنای اثرگذاری محرک‌ها دانسته شده است. پیشنهادی که در لحظه‌ی تصمیم‌گیری واقعی کاربر ظاهر شود، اثرگذاری به‌مراتب بیشتری نسبت به همان پیشنهاد در زمانی نامرتبط دارد؛ برای نمونه، پیشنهاد یک میان‌وعده‌ی سالم درست در لحظه‌ای که کاربر گرسنگی را احساس می‌کند، به‌مراتب مؤثرتر از همان پیشنهاد در ساعتی تصادفی از روز است.

مسیر دوم

بهره‌گیری از معماری انتخاب (Choice Architecture) است: طبق تیلر و سانستین (Thaler & Sunstein, 2008) وقتی سامانه یک گزینه را به‌صورت پیش‌فرض یا برجسته‌تر از بقیه پیشنهاد می‌دهد، بدون آنکه سایر گزینه‌ها را حذف کند، احتمال انتخاب همان گزینه به‌طور محسوسی افزایش می‌یابد، زیرا اغلب کاربران گزینه‌ی پیش‌فرض یا نخست را می‌پذیرند، نه از سر اجبار، بلکه از سر کاهش بار شناختی تصمیم‌گیری. این اثر، که در ادبیات اقتصاد رفتاری «تورش پیش‌فرض» (Default Bias) نامیده می‌شود، یکی از قدرتمندترین و در عین حال کم‌هزینه‌ترین ابزارهای طراحی پیشنهاد است.

مسیر سوم

مسیر سوم، که پیشنهاد را از یک تلنگر لحظه‌ای به ابزاری برای ساخت اعتماد پایدار بدل می‌کند، همراه‌کردن هر پیشنهاد با یک توضیح کوتاه است. تینتارف و مستوف (Tintarev & Masthoff, 2015) نشان می‌دهند توضیح‌پذیری (Explainability) یک پیشنهاد(یعنی پاسخ‌دادن به این پرسش ضمنی کاربر که «چرا این را به من پیشنهاد می‌دهی؟»)می‌تواند هم پذیرش فوری پیشنهاد و هم اعتماد بلندمدت کاربر به کل سامانه را افزایش دهد. به بیان دیگر، پیشنهاد بدون دلیل، صرفاً یک تلنگر لحظه‌ای است؛ اما پیشنهاد همراه با دلیل، سرمایه‌ای برای رابطه‌ی بلندمدت کاربر و سامانه می‌سازد.

این سه مسیر(کایروس، معماری انتخاب و توضیح‌پذیری)مستقل از هم نیستند، بلکه در طراحی واقعی به‌صورت هم‌افزا عمل می‌کنند. یک پیشنهاد ایده‌آل، در لحظه‌ی درست (کایروس) ظاهر می‌شود، به‌گونه‌ای برجسته و کم‌هزینه از نظر شناختی (معماری انتخاب) ارائه می‌شود و با دلیلی روشن (توضیح‌پذیری) همراه است. غیاب هرکدام از این سه عنصر، اثربخشی کلی پیشنهاد را به‌طور محسوس کاهش می‌دهد؛ برای نمونه، بهترین پیشنهاد با بهترین توضیح، اگر در زمان نامناسب ارائه شود، همچنان نادیده گرفته خواهد شد.

پارادوکس پیشنهاد

پیشنهاد نیز مانند سایر اصول دسته‌ی گفت‌وگو، در دل خود یک تنش دوگانه دارد. هرچه گزینه‌های بیشتری پیشنهاد شود، لزوماً کاربر تصمیم بهتر یا سریع‌تری نمی‌گیرد و هرچه پیشنهاد شخصی‌سازی‌شده‌تر باشد، لزوماً اعتماد بیشتری جلب نمی‌کند. در این بخش، چهار روی این پارادوکس بررسی می‌شود. اضافه‌بار انتخاب، محدودشدن افق دید کاربر، تنش میان اعتماد و حس نفوذ ناخواسته و همگون‌سازی سلیقه‌ی جمعی در مقیاس بزرگ.

اضافه‌بار انتخاب (Choice Overload)

در پژوهش کلاسیک آینگر و لپر (Iyengar & Lepper, 2000)، هنگامی که مشتریان با آرایه‌ای از ۲۴ نوع مربا مواجه شدند، درصد کمتری نسبت به حالتی که تنها ۶ نوع مربا در معرض دیدشان بود، اقدام به خرید کردند. این یافته نشان می‌دهد افزایش تعداد گزینه‌های پیشنهادی، از نقطه‌ای به بعد نه‌تنها انگیزه‌ی انتخاب را افزایش نمی‌دهد، بلکه با ایجاد بار شناختی، آن را کاهش می‌دهد.

شوارتز (Schwartz, 2004) در کتاب «پارادوکس انتخاب» این یافته را به سطح گسترده‌تری از تجربه‌ی روزمره بسط داد و نشان داد افراد در برابر گزینه‌های فراوان، به دو دسته تقسیم می‌شوند: «حداکثرجویان» (Maximizers) که تلاش می‌کنند بهترین گزینه‌ی ممکن را از میان همه‌ی گزینه‌ها بیابند و در نتیجه دچار اضطراب، تردید و پشیمانی بیشتری می‌شوند و «رضایت‌جویان» (Satisficers) که با یافتن نخستین گزینه‌ی «به‌اندازه‌ی کافی خوب» تصمیم می‌گیرند و رضایت بیشتری از انتخاب خود دارند. طراحی پیشنهاد باید آگاهانه به سمت تسهیل رفتار رضایت‌جویانه هدایت شود، نه تشدید حالت حداکثرجویانه.

حباب فیلتر و محدودشدن افق دید کاربر

وقتی پیشنهاد بیش‌ازحد بر تاریخچه‌ی گذشته‌ی کاربر (به‌ویژه در انواع محتوا-محور و فیلترینگ مشارکتی) متکی باشد، پاریزر (Pariser, 2011) پدیده‌ای را توصیف می‌کند که آن را «حباب فیلتر» (Filter Bubble) می‌نامد: کاربر به‌مرور تنها در معرض محتوا، محصولات یا دیدگاه‌هایی قرار می‌گیرد که با علایق پیشین او هم‌خوانی دارند و دامنه‌ی گزینه‌های واقعاً در دسترسش، بدون آنکه خودش متوجه شود، تنگ‌تر می‌شود.

این پدیده، برخلاف اضافه‌بار انتخاب که با نمایش گزینه‌های بیش‌ازحد رخ می‌دهد، از مسیر معکوس عمل می‌کند: کاربر نه با انبوهی از گزینه‌ها، بلکه با فهرستی به‌ظاهر کوچک و مرتبط مواجه می‌شود که در واقع تنها بخش کوچکی از کل فضای ممکن است. خطر این پدیده در همان نامرئی‌بودنش نهفته است چرا که کاربر معمولاً از وجود گزینه‌های حذف‌شده آگاه نیست  بنابراین هرگز احساس محدودیت نمی‌کند، در حالی‌که در حقیقت تنوع واقعی تجربه‌اش به‌طور پیوسته کاهش یافته است.

اعتماد در برابر حس نفوذ ناخواسته

از سوی دیگر، پیشنهادهای بیش‌ازحد شخصی‌سازی‌شده( به‌ویژه وقتی منشأ آن‌ها برای کاربر روشن نباشد) می‌توانند حس نظارت یا نفوذ ناخواسته (Creepiness) ایجاد کنند. کاربری که می‌بیند سامانه دقیقاً همان چیزی را پیشنهاد می‌دهد که چند دقیقه پیش در ذهنش بود، ممکن است به‌جای شگفتی مثبت، احساس کند حریم خصوصی‌اش به‌طور نامرئی زیر نظر بوده است.

تینتارف و مستوف (Tintarev & Masthoff, 2015) نشان می‌دهند که همراه‌کردن پیشنهاد با توضیحی کوتاه درباره‌ی چرایی آن، می‌تواند شفافیت، اعتماد و رضایت کاربر را به‌طور هم‌زمان افزایش دهد. نکته‌ی ظریف این یافته آن است که مشکل اصلی، شخصی‌سازی به‌خودی‌خود نیست، بلکه شخصی‌سازیِ بدون توضیح است؛ همان سطح از دقت پیش‌بینی وقتی با یک توضیح ساده همراه شود، از حس نفوذ ناخواسته به حس «فهمیده‌شدن» تغییر ماهیت می‌دهد.

همگون‌سازی سلیقه‌ی جمعی در مقیاس بزرگ

چهارمین روی پارادوکس، فراتر از تجربه‌ی فردی هر کاربر عمل می‌کند و به سطح جمعی مربوط می‌شود: وقتی میلیون‌ها کاربر یک پلتفرم، همگی از الگوریتم‌های پیشنهاددهی مشابهی تغذیه می‌شوند که به سمت پرطرفدارترین یا سودآورترین گزینه‌ها گرایش دارند، سلیقه‌ی جمعی به‌مرور حول همان گزینه‌های محدود متمرکز می‌شود. این پدیده، که بسط دیگری از نگرانی پاریزر (Pariser, 2011) درباره‌ی حباب فیلتر است، در سطح فردی نامرئی می‌ماند اما در سطح جمعی می‌تواند تنوع فرهنگی، تجاری یا اطلاعاتی یک جامعه را کاهش دهد.

برای نمونه وقتی الگوریتم پیشنهاد یک فروشگاه کتاب آنلاین به‌طور نظام‌مند پرفروش‌ترین عناوین را به همه‌ی کاربران با ذائقه‌ی مشابه پیشنهاد دهد، آثار کم‌شناخته‌تر اما بالقوه ارزشمند، هرگز فرصت دیده‌شدن پیدا نمی‌کنند؛ نه به این دلیل که کیفیت کمتری دارند، بلکه صرفاً به این دلیل که در نقطه‌ی شروع، داده‌های کافی برای ورود به چرخه‌ی پیشنهاد را نداشته‌اند. این چرخه‌ی خودتقویت‌شونده(که در آن محبوبیت گذشته، محبوبیت آینده را تضمین می‌کند)یکی از چالش‌های ساختاری عمیق‌تر طراحی پیشنهاد در مقیاس بزرگ است که فراتر از تصمیم طراحی یک سامانه‌ی منفرد قرار دارد.

چگونه از پیشنهاد به‌طور اثربخش استفاده کنیم؟

پل‌زدن میان این چهار روی پارادوکس، به هفت اصل طراحی نیاز دارد: تحلیل بافت، محدودسازی هوشمندانه‌ی گزینه‌ها، شفافیت و توضیح‌پذیری، زمان‌بندی طلایی، تنوع‌بخشی آگاهانه برای عبور از حباب فیلتر، هماهنگی پیشنهاد با سایر اصول دسته‌ی گفت‌وگو و ارزیابی و بهبود مستمر عملکرد پیشنهاد.

تحلیل بافت ترغیب

همانند سایر اصول PSD، طراحی پیشنهاد نیز باید با تحلیل «بافت ترغیب» (Persuasion Context) اویناس-کوکونن و هارجوما (Oinas-Kukkonen & Harjumaa, 2009) آغاز شود: قصد سامانه از ارائه‌ی این پیشنهاد چیست، کاربر در چه رویدادی از تعامل قرار دارد و کدام نوع پیشنهاد (قانون‌محور، محتوا-محور، مشارکتی، بافت‌محور، ترکیبی یا اجتماعی) برای این کاربر و این لحظه مناسب‌تر است؟

این تحلیل باید پیش از انتخاب الگوریتم فنی صورت گیرد، نه پس از آن؛ بسیاری از پروژه‌های ناموفق پیشنهاددهی از این نقطه شروع می‌شوند که ابتدا یک الگوریتم قدرتمند فیلترینگ مشارکتی پیاده‌سازی می‌شود و سپس تلاش می‌شود خروجی آن با بافت واقعی کاربر تطبیق داده شود؛ در حالی‌که رویکرد درست، ابتدا شناخت دقیق بافت و هدف رفتاری و سپس انتخاب سازوکار فنی متناسب با آن است.

محدودسازی هوشمندانه‌ی گزینه‌ها

با توجه به یافته‌های آینگر و لپر (Iyengar & Lepper, 2000) و شوارتز (Schwartz, 2004) درباره‌ی اضافه‌بار انتخاب، سامانه باید به‌جای نمایش فهرست بلندی از گزینه‌های مشابه، تعداد محدودی (معمولاً ۳ تا ۵ گزینه) پیشنهاد متمایز و باکیفیت ارائه دهد.

این محدودسازی باید هوشمندانه باشد، نه صرفاً کمّی؛ هدف، کاهش تعداد بدون کاهش کیفیت است. یک راهکار عملی، دسته‌بندی گزینه‌های بیشتر در پس‌زمینه (مثلاً پشت دکمه‌ی «مشاهده‌ی گزینه‌های بیشتر») است تا کاربرانی که به دنبال رضایت سریع (رضایت‌جویان) هستند با فهرست کوتاه مواجه شوند و در عین حال کاربرانی که تمایل به بررسی گسترده‌تر دارند (حداکثرجویان) نیز بتوانند در صورت تمایل، به گزینه‌های بیشتر دسترسی پیدا کنند.

شفافیت و توضیح‌پذیری پیشنهاد

همراه‌کردن هر پیشنهاد با یک دلیل کوتاه و قابل‌فهم («چون قبلاً از این دسته استفاده کرده‌اید» یا «کاربران مشابه شما این را انتخاب کرده‌اند») و مطابق اصول تینتارف و مستوف (Tintarev & Masthoff, 2015) اعتماد کاربر را افزایش می‌دهد و احتمال پذیرش پیشنهاد را بالا می‌برد.

توضیح مؤثر، لزوماً به معنای افشای کامل جزئیات فنی الگوریتم نیست؛ بلکه باید در سطحی قابل‌فهم برای کاربر عادی و متناسب با نوع پیشنهاد ارائه شود. برای پیشنهادهای محتوا-محور، اشاره به یک آیتم مشخص از تاریخچه‌ی کاربر کافی است؛ برای پیشنهادهای مشارکتی، اشاره به رفتار جمعی کاربران مشابه و برای پیشنهادهای بافت‌محور، اشاره به عامل موقعیتی (زمان، مکان، فعالیت) که پیشنهاد را برانگیخته است.

زمان‌بندی طلایی (Kairos)

پیشنهاد باید در لحظه‌ای ارائه شود که کاربر واقعاً در حال تصمیم‌گیری است، نه در هر زمان دلخواه سامانه؛ همان اصل کایروس که فاگ (Fogg, 2009) آن را بخشی جدانشدنی از مفهوم محرک (Trigger) مؤثر می‌داند.

تشخیص این لحظه، معمولاً نیازمند ترکیب داده‌های رفتاری (مانند توقف کاربر روی یک صفحه) و داده‌های بافتی (مانند زمان روز یا موقعیت مکانی) است. یک پیشنهاد فنی‌ترین و دقیق‌ترین که در لحظه‌ی نامناسب ارائه شود—مثلاً پیشنهاد خرید در بحبوحه‌ی انجام یک وظیفه‌ی کاملاً نامرتبط—نه‌تنها بی‌اثر می‌ماند، بلکه می‌تواند به‌عنوان مزاحمت تلقی شده و اعتماد کاربر به کل سامانه را کاهش دهد.

تنوع‌بخشی آگاهانه برای عبور از حباب فیلتر

برای مقابله با ریسک حباب فیلتر که پارایزر (Pariser, 2011) توصیف می‌کند، طراحی مسئولانه باید آگاهانه بخشی از فضای پیشنهاد را به گزینه‌های نسبتاً متفاوت از تاریخچه کاربر اختصاص دهد. این رویکرد در ادبیات سامانه‌های توصیه‌گرگاه «کاوش» (Exploration) در برابر «بهره‌برداری» (Exploitation) نامیده می‌شود.

این تنوع‌بخشی نباید کاملاً تصادفی یا بی‌ربط باشد؛ بلکه باید در چارچوب علایق کلی کاربر طراحی شود. با این حال، باید فراتر از الگوی تکراری پیشنهادهای پیشین قرار گیرد. برای نمونه، پیشنهاد یک ژانر موسیقی نزدیک اما نه یکسان با آنچه کاربر معمولاً گوش می‌دهد، می‌تواند نمونه‌ای از این رویکرد باشد. هدف، حفظ تعادل میان ارتباط (Relevance) و تازگی (Novelty) است؛ به‌گونه‌ای که کاربر هم احساس شناخته‌شدن کند و هم فرصت کشف تجربه‌های تازه را از دست ندهد.

هماهنگی پیشنهاد با سایر اصول دسته‌ی گفت‌وگو

پیشنهاد به‌ندرت به‌صورت مجزا از سایر اصول دسته گفت‌وگو (یادآوری، پاداش، شباهت و نقش اجتماعی) عمل می‌کند. لحن ارائه پیشنهاد، شخصیت کلی سامانه و زمینه ایجادشده توسط یادآوری‌های پیشین، همگی بر نحوه دریافت پیشنهاد از سوی کاربر اثر می‌گذارند.

برای نمونه، سامانه‌ای با نقش اجتماعی «مربی سخت‌گیر» باید پیشنهادهای خود را با لحنی مصمم و مبتنی بر شواهد ارائه دهد. نه با عباراتی مردد یا بیش‌ازحد ملایم. در مقابل، سامانه‌ای با نقش «دوست همراه» می‌تواند از زبانی صمیمی‌تر برای همان پیشنهاد استفاده کند. ناهماهنگی میان لحن پیشنهاد و هویت کلی سامانه، همان تنشی را ایجاد می‌کند که مانع اثربخشی می‌شود.

ارزیابی و بهبود مستمر پیشنهاد

طراحی پیشنهاد نباید یک تصمیم یک‌باره در مرحله‌ی ساخت اولیه‌ی سامانه تلقی شود؛ رفتار و ترجیحات کاربران به‌مرور تغییر می‌کند و الگویی که امروز دقیق و مرتبط است، ممکن است طی چند ماه، دیگر بازتاب واقعی نیاز کاربر نباشد. از این‌رو، سامانه‌های پیشنهاددهنده‌ی موفق، ساختاری برای پایش پیوسته‌ی نرخ پذیرش، نرخ نادیده‌گرفته‌شدن و بازخورد صریح کاربران (مانند دکمه‌ی «این پیشنهاد را نمی‌خواهم») در نظر می‌گیرند.

آزمون A/B و آزمون‌های چندمتغیره، ابزارهای رایجی برای سنجش کمی اثربخشی تغییرات الگوریتم یا نحوه نمایش پیشنهادها هستند. با این حال، این آزمون‌ها باید در کنار شاخص‌های کیفی ارزیابی شوند؛ شاخص‌هایی مانند رضایت بلندمدت کاربر یا تنوع واقعی محتوای مصرف‌شده، نه صرفاً نرخ کلیک لحظه‌ای. تمرکز صرف بر نرخ کلیک، طراحی را به‌طور ناخواسته به سمت پیشنهادهای فریبنده یا هیجان‌انگیز اما کم‌ارزش سوق می‌دهد. این رویکرد در نهایت به هزینه اعتماد کاربر تمام می‌شود.

برای جمع‌بندی این بخش، کاربرد این هفت اصل را می‌توان در چند حوزه‌ی رایج به‌طور مشخص مشاهده کرد:

• تجارت الکترونیک: محدودسازی گزینه‌ها به ۳ تا ۵ پیشنهاد برجسته، همراه با دلیل کوتاه («بر اساس خریدهای قبلی شما»).
• سلامت دیجیتال: پیشنهاد بافت‌محور تمرین یا دارو، دقیقاً در بازه‌ی زمانی که کاربر معمولاً به آن پایبند بوده است.
• آموزش آنلاین: تنوع‌بخشی آگاهانه در پیشنهاد دوره‌ها برای جلوگیری از محدودشدن کاربر به یک حوزه‌ی دانشی واحد.
• رسانه‌های اجتماعی: توضیح شفاف دلیل نمایش هر محتوا، برای کاهش حس نظارت پنهان و افزایش اعتماد کاربر.
• خدمات مالی: هماهنگی لحن پیشنهاد با نقش اجتماعی «مشاور»، به‌جای لحن تبلیغاتی، در تصمیم‌های حساس مانند سرمایه‌گذاری.

هشدارها و محدودیت‌ها

با وجود تمام مزایای پیشنهاد به‌عنوان ابزار ترغیب، پنج خطر اصلی باید در طراحی هر سامانه‌ی پیشنهاددهنده مدنظر قرار گیرد: اضافه‌بار انتخاب، حباب فیلتر، بهره‌برداری از سوگیری‌های شناختی، فرسایش تدریجی توان تصمیم‌گیری مستقل کاربر و تبعیض الگوریتمی پنهان.

خطر اضافه‌بار انتخاب

افزودن مداوم گزینه‌های پیشنهادی «برای اطمینان بیشتر»، می‌تواند نتیجه‌ی معکوس داشته و نرخ تصمیم‌گیری را کاهش دهد (Iyengar & Lepper, 2000؛ Schwartz, 2004). این خطر به‌ویژه در رابط‌های کاربری موبایل، که فضای نمایش محدودی دارند، می‌تواند به‌سرعت به سردرگمی و ترک کاربر از فرایند تصمیم‌گیری بینجامد.

خطر حباب فیلتر (Filter Bubble)

پیشنهادهای بیش‌ازحد متکی بر تاریخچه‌ی گذشته‌ی کاربر (محتوا-محور یا مشارکتی) می‌توانند دامنه‌ی گزینه‌های در معرض دید او را محدود کرده و تنوع تجربه را کاهش دهند (Pariser, 2011). این خطر در سامانه‌های اطلاع‌رسانی و شبکه‌های اجتماعی، پیامدهایی فراتر از تجربه‌ی فردی دارد و می‌تواند بر تنوع گفتمان عمومی نیز اثر بگذارد.

خطر بهره‌برداری از سوگیری‌های شناختی

استفاده از پیش‌فرض‌ها یا برجسته‌سازی گزینه‌ها می‌تواند به‌جای کمک به تصمیم بهتر، در خدمت منافع تجاری سامانه و بر ضد منافع واقعی کاربر به‌کار رود؛ چیزی که در ادبیات طراحی با عنوان «الگوی تاریک» (Dark Pattern) شناخته می‌شود. مرز میان پیشنهاد مسئولانه و دستکاری، در همان شفافیتی نهفته است که در بخش شفافیت و توضیح‌پذیری پیشنهاد به آن اشاره شد.

خطر فرسایش توان تصمیم‌گیری مستقل

اتکای مداوم و طولانی‌مدت به پیشنهادهای سامانه، می‌تواند به‌مرور توانایی و تمایل کاربر به تصمیم‌گیری مستقل را کاهش دهد، اما در اینجا نه در سطح یک رفتار مشخص، بلکه در سطح مهارت کلی تصمیم‌گیری کاربر رخ می‌دهد. طراحی مسئولانه باید فضایی برای کاوش و انتخاب مستقل کاربر، فراتر از فهرست پیشنهادی سامانه، همواره در دسترس نگه دارد.

این ریسک، به‌ویژه در حوزه‌هایی که مهارت تصمیم‌گیری خودِ کاربر بخشی از هدف بلندمدت تعامل است( مانند آموزش مالی شخصی یا سواد رسانه‌ای) اهمیت ویژه‌ای پیدا می‌کند؛ در چنین حوزه‌هایی، سامانه‌ای که همواره بهترین گزینه را مستقیماً پیشنهاد می‌دهد، ممکن است در کوتاه‌مدت رضایت کاربر را افزایش دهد، اما در بلندمدت، فرصت یادگیری و تقویت مهارت تحلیل مستقل را از او سلب کند. راهکار متعادل، طراحی تدریجی سطح راهنمایی است: ارائه‌ی توضیح و استدلال پشت هر پیشنهاد، به‌جای صرفاً ارائه‌ی نتیجه‌ی نهایی، به کاربر کمک می‌کند به‌مرور همان فرایند تصمیم‌گیری را نیز درونی‌سازی کند.

خطر تبعیض الگوریتمی پنهان

الگوریتم‌های پیشنهاددهی، از داده‌های تاریخی رفتار کاربران آموزش می‌بینند و اگر آن داده‌های تاریخی حاوی الگوهای نابرابری یا تبعیض اجتماعی باشند، الگوریتم می‌تواند بدون هیچ نیت آگاهانه‌ای، همان الگوها را بازتولید و حتی تقویت کند. اونیل (O’Neil, 2016) در بررسی گسترده‌ی خود از مدل‌های ریاضیاتی تصمیم‌ساز، نشان می‌دهد این مدل‌ها اغلب به‌عنوان ابزارهایی «بی‌طرف» و «عینی» ارائه می‌شوند، در حالی‌که در واقع پیش‌فرض‌ها و سوگیری‌های سازندگان انسانی خود را در قالب اعداد و آمار پنهان می‌کنند.

در بافت پیشنهاد، این خطر می‌تواند به شکل‌های ظریفی بروز کند: برای نمونه، اگر سامانه‌ی استخدامی صرفاً بر اساس الگوی موفقیت گذشته، فرصت‌های شغلی خاصی را به گروه‌های جمعیتی محدودی پیشنهاد دهد. عملاً چرخه‌ی نابرابری پیشین را تداوم می‌بخشد، بدون آنکه هیچ طراحی آگاهانه‌ای در پس آن باشد. پیشگیری از این خطر مستلزم حسابرسی دورهای الگوریتم برای شناسایی الگوهای تبعیض‌آمیز پنهان و طراحی آگاهانه‌ی سازوکارهایی برای اصلاح آن‌هاست؛ مسئولیتی که نمی‌توان آن را صرفاً به عملکرد «خودکار» الگوریتم واگذار کرد.

جمع‌بندی

با کنار هم قرار دادن مباحث پیشین: انواع پیشنهاد، کارکرد آن به‌عنوان تلنگر، پارادوکس سه‌گانه‌ی اضافه‌بار انتخاب، حباب فیلتر و اعتماد و اصول عملی طراحی، می‌توان به یک جمع‌بندی نظری و عملی از جایگاه پیشنهاد در سامانه‌های ترغیبی رسید:

• پیشنهاد، مسیر می‌گشاید نه اجبار می‌کند: بر خلاف یادآوری که قصد موجود را زنده می‌کند، پیشنهاد گزینه‌ای تازه پیش‌روی کاربر می‌گذارد.
• کمتر، اما بهتر: فهرست کوتاه و متمایز از گزینه‌ها، مؤثرتر از فهرست بلند و مشابه است (Iyengar & Lepper, 2000؛ Schwartz, 2004).
• شخصی‌سازی باید با تنوع همراه باشد: تکیه‌ی صرف بر تاریخچه‌ی کاربر، بدون تنوع‌بخشی آگاهانه، به حباب فیلتر می‌انجامد (Pariser, 2011).
• شفافیت، اعتماد می‌سازد: توضیح کوتاه درباره‌ی چرایی هر پیشنهاد، حس نفوذ ناخواسته را به حس همراهی تبدیل می‌کند (Tintarev & Masthoff, 2015).
• زمان، به‌اندازه‌ی محتوا اهمیت دارد: پیشنهاد در لحظه‌ی کایروس، به‌مراتب اثرگذارتر از همان پیشنهاد در زمانی نامرتبط است (Fogg, 2009).
• پیشنهاد باید مسیر را نشان دهد، نه تصمیم را بگیرد: کاربر باید همواره امکان نادیده‌گرفتن، جایگزین‌کردن یا کاوش مستقل فراتر از پیشنهاد را داشته باشد.
• همگون‌سازی جمعی، هزینه‌ای پنهان دارد.طراحی مسئولانه در مقیاس بزرگ باید تنوع فرهنگی و اطلاعاتی جامعه‌ی کاربران را نیز، نه فقط رضایت فردی هر کاربر، در نظر بگیرد (Pariser, 2011).

در نهایت

پیشنهاد را می‌توان به تابلوی راهنمایی در یک تقاطع شلوغ تشبیه کرد: تابلو مسیر پیشنهادی را نشان می‌دهد، اما فرمان را از دست راننده نمی‌گیرد.

اگر این تابلو در جای درست، با پیامی روشن و در تعداد محدود نصب شود، مسیر را کوتاه‌تر می‌کند. اما اگر هر چند متر یک تابلوی متفاوت ظاهر شود، راننده دیگر نمی‌داند به کدام تابلو اعتماد کند. اگر همه‌ای تابلوها تنها یک مسیر را نشان دهند و مسیرهای دیگر را از دید او پنهان کنند، راننده به‌مرور فراموش می‌کند که اصلاً مسیرهای دیگری هم وجود داشته‌اند.

بنابراین، طراحی اثربخش پیشنهاد، نه در تعداد گزینه‌های ارائه‌شده یا دقت پیش‌بینی الگوریتمی، بلکه در تعادل میان دقت و تنوع، شفافیت دلیل، هماهنگی آن با لحظه‌ی تصمیم‌گیری کاربر و احترام مستمر به استقلال او در انتخاب نهایی نهفته است.

ارزش واقعی یک سامانه‌ی پیشنهاددهنده را نباید تنها در نرخ کلیک یا میزان فروش لحظه‌ای آن جست‌وجو کرد. بلکه باید پرسید آیا آن سامانه، پس از ماه‌ها استفاده، همچنان کاربر را در معرض دنیایی از گزینه‌های متنوع و معنادار قرار می‌دهد، یا او را در دایره‌ای هرچه تنگ‌تر از تکرار همان چند انتخاب گذشته محبوس کرده است؟ پاسخ به این پرسش، در نهایت مرز میان پیشنهادی است که واقعاً در خدمت کاربر است و پیشنهادی که تنها در خدمت اهداف کوتاه‌مدت خود سامانه عمل می‌کند.

منابع

O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown.

Pariser, E. (2011). The Filter Bubble: What the Internet Is Hiding from You. Penguin Press.

Schwartz, B. (2004). The Paradox of Choice: Why More Is Less. Harper Perennial.

Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. Yale University Press.

Fogg, B. J. (2009). A behavior model for persuasive design. In Proceedings of the 4th International Conference on Persuasive Technology (Persuasive ’09). ACM. https://doi.org/10.1145/1541948.1541999

Iyengar, S. S., & Lepper, M. R. (2000). When choice is demotivating: Can one desire too much of a good thing? Journal of Personality and Social Psychology, 79(6), 995–1006. https://doi.org/10.1037/0022-3514.79.6.995-1-4899-7637-6_10