حلما بهبود، کارگروه طراحی راهبردی
از زبان مشترک تا نقاب مصنوعی
این سند مکمل فایل «ابزارهای طراحی سامانههای ترغیبی» است و صرفاً به تشریح عمیقتر یکی از ۲۸ اصل آن مدل، یعنی «شباهت» (Similarity)، اختصاص دارد. برای مرور کامل مدل PSD و چهار دستهی اصلی آن به فایل نخست مراجعه کنید، در اینجا از تکرار آن مطالب خودداری شده است.
مقدمه
چرا وقتی صدای یک دستیار مجازی، لهجه یا سرعت گفتار ما را منعکس میکند، احساس میکنیم بهتر فهمیده میشویم؟ این تجربهی آشنا، ریشه در یکی از پایدارترین یافتههای روانشناسی اجتماعی دارد. انسانها به کسانی که شبیه خودشان میبینند، بیشتر اعتماد میکنند و بر همین مبنا راحتتر ترغیب میشوند. بر اساس مدل طراحی سامانههای ترغیبی (PSD)، اصل «شباهت» نیز(مانند یادآوری، پیشنهاد و پاداش) در دستهی «پشتیبانی از گفتوگو» (Dialogue Support) قرار میگیرد. اویناس-کوکونن و هارجوما (Oinas-Kukkonen & Harjumaa, 2009) این اصل را اینگونه توصیف میکنند که کاربران هنگامی راحتتر ترغیب میشوند که سامانه از جهاتی معنادار به خودشان شبیه باشد.
مبنای روانشناختی این اصل به پژوهش کلاسیک برن 1971 دربارهی «الگوی جذابیت-شباهت» بازمیگردد. افراد نسبت به کسانی که نگرش، پیشینه یا ویژگیهای مشترکی با آنها دارند، جذابیت و اعتماد بیشتری احساس میکنند. آنچه شباهت را در طراحی دیجیتال متمایز میکند، این یافتهی غافلگیرکننده است که این اثر حتی در تعامل با ماشین هم وجود دارد. برن این الگو را در ابتدا برای توضیح جذابیت میانفردی در روابط انسان-انسان مطرح کرد. او نشان داد میزان شباهت ادراکشده، پیشبینیکنندهی نسبتاً قابلاتکایی برای میزان تمایل افراد به نزدیکی و اعتماد به یکدیگر است.
آنچه بعدها این یافته را به حوزهی طراحی سامانههای ترغیبی پیوند داد، مشاهدهی (نس، مون و همکاران) بود مبنی بر اینکه کاربران، حتی با علم کامل به اینکه طرف تعاملشان یک رایانه است، همان قواعد اجتماعی حاکم بر ترجیح شباهت را ناخودآگاه و بدون تصمیم آگاهانه)به تعامل با ماشین نیز تعمیم میدهند. به این ترتیب، اصل شباهت در طراحی ترغیبی، نه یک قاعدهی تازه و مختص فناوری، بلکه بسط طبیعی یک قاعدهی کهن روانشناسی اجتماعی به بستری تازه است.
انواع شباهت
پیش از پرداختن به نحوهی استفادهی اثربخش از شباهت، باید میان چهار سطح اصلی آن تمایز قائل شد، زیرا هرکدام عمق اثرگذاری و ریسک متفاوتی دارند. این چهار سطح(جمعیتشناختی، شخصیتی-رفتاری، زبانی-گفتاری و بصری-ظاهری) از سطحیترین تا عمیقترین لایهی شباهت را دربر میگیرند. شباهت جمعیتشناختی سریعترین و سادهترین شکل پیادهسازی است، اما همانطور که در ادامه بررسی میشود، بیشترین ریسک کلیشهسازی را نیز بههمراه دارد. در مقابل، شباهت شخصیتی-رفتاری که بر دادههای واقعی تعامل کاربر متکی است، دقیقتر و پایدارتر عمل میکند اما پیادهسازی آن پیچیدهتر است. شباهت زبانی-گفتاری و بصری-ظاهری نیز هرکدام در بافتهای خاص(بهترتیب در دستیارهای صوتی و رابطهای گرافیکی)کارکرد و ریسک متفاوتی دارند. تشخیص این تفاوتها از همان ابتدا اهمیت دارد، زیرا انتخاب نادرست سطح شباهت متناسب با هر بافت، میتواند دقیقاً همان تنشی را ایجاد کند که در پارادوکس شباهت (بخش ۴) به آن پرداخته خواهد شد.
| نوع شباهت | مصداق در سامانههای ترغیبی | ویژگی اثرگذاری |
| جمعیتشناختی (Demographic) | تطبیق سن، جنسیت، زبان یا فرهنگ راوی/آواتار با کاربر | سریعترین اثر را دارد، اما در صورت اتکای صرف، ریسک کلیشهسازی بههمراه دارد. |
| شخصیتی-رفتاری (Personality/Behavioral) | هماهنگی لحن، سرعت و سبک تعامل سامانه با ویژگیهای شخصیتی کاربر | پایدارتر و دقیقتر از شباهت جمعیتشناختی است، اما پیادهسازی آن پیچیدهتر است. |
| زبانی-گفتاری (Linguistic/Vocal) | استفاده از گویش واژگان یا لحن صدای مشابه با کاربر | حس آشنایی فوری ایجاد میکند، در دستیارهای صوتی بهویژه مؤثر است. |
| بصری-ظاهری (Visual/Appearance) | طراحی آواتار یا شخصیت بصری با ویژگیهای نزدیک به کاربر هدف | در رابطهای گرافیکی و بازیهای آموزشی کاربرد بالایی دارد. |
شباهت بهمثابهی تلنگر
پایهی نظری اثرگذاری شباهت در محیط دیجیتال، نظریهی «رایانهها بهمثابهی بازیگران اجتماعی» (Computers Are Social Actors یا CASA) است. این نظریه توسط نس و مون (Nass & Moon, 2000) و پیش از آن ریوز و نس (Reeves & Nass, 1996) در قالب «معادلهی رسانه» صورتبندی شد. طبق این نظریه، انسانها بهطور ناخودآگاه همان قواعد اجتماعی حاکم بر تعامل انسان-انسان را در تعامل با رایانه نیز بهکار میگیرند. حتی وقتی آگاهانه میدانند طرف مقابلشان یک ماشین است.
پژوهش نس و همکاران (Nass, Moon, Fogg, Reeves, & Dryer, 1995) این اثر را در سطح شخصیت نیز نشان داد. کاربرانی که با رایانهای با «شخصیت» نرمافزاری مشابه شخصیت خودشان (مثلاً هر دو برونگرا) تعامل داشتند، آن سامانه را باهوشتر، دوستداشتنیتر و متقاعدکنندهتر ارزیابی کردند. دقیقاً همان الگویی که در روابط انسانی مشاهده میشود.
پارادوکس شباهت
شباهت نیز مانند سایر اصول دستهی گفتوگو، در دل خود یک تنش دوگانه دارد. هرچه سامانه بیشتر «شبیه» کاربر به نظر برسد، لزوماً اعتماد بیشتری جلب نمیکند، گاهی دقیقاً برعکس عمل میکند. شباهت زمانی اثر مثبت دارد که بهصورت طبیعی و در راستای نیاز واقعی تعامل درک شود، نه هنگامیکه کاربر آن را ابزاری از پیشطراحیشده برای متقاعدسازی تشخیص دهد. از اینرو، شباهت اصلی مشروط به بافت مناسب تعامل است، نه اصلی که بهخودیخود و مستقل از زمینه اثربخش باشد. در نتیجه، طراحی شباهت باید همواره در برابر این پرسش محک بخورد که آیا این شباهت واقعاً ارتباط را تسهیل میکند یا صرفاً ظاهری از صمیمیت است که در بلندمدت میتواند به بیاعتمادی بینجامد.
خطر کلیشهسازی در شباهت جمعیتشناختی
وقتی شباهت صرفاً بر مبنای ویژگیهای جمعیتشناختی سطحی (سن، جنسیت، قومیت) طراحی شود، سامانه در معرض تعمیمهای کلیشهای قرار میگیرد. فرضی که همهی اعضای یک گروه جمعیتی ترجیحات یکسانی دارند نادرست است و میتواند بخشی از کاربران را بهجای جذب، دلزده یا حتی توهینشده کند. این نوع شباهت، از آنجا که به یک ویژگی ظاهری و ثابت تکیه دارد، هیچ تضمینی برای همخوانی واقعی با نگرش، سلیقه یا نیاز فردی کاربر ارائه نمیدهد، در نتیجه ممکن است کاربری که در ظاهر با پروفایل هدف همخوانی دارد، از فرضهای نادرست دربارهی خودش احساس محدودشدن یا برچسبخوردن کند.
علاوه بر این، تکیهی صرف بر شباهت جمعیتشناختی، کاربرانی را که در قالبهای از پیشتعریفشده نمیگنجند بهطور کامل نادیده میگیرد و عملاً بخشی از مخاطبان را از تجربهی مثبت محروم میکند. به همین دلیل، شباهتی که تنها بر سطح ظاهری و جمعیتی بنا شده باشد، نهتنها ممکن است اثر ترغیبی مطلوب را نداشته باشد، بلکه میتواند بهطور مستقیم به تجربهی کاربری و اعتبار سامانه آسیب بزند.
افت اعتماد در صورت افشای شباهت مصنوعی
وقتی کاربر متوجه شود شباهتی که تجربه کرده (مثلاً لهجه یا شخصیت «دوستانه») صرفاً یک مهندسی حسابشده برای ترغیب بوده، نهتنها آن اثر مثبت از بین میرود، بلکه اعتماد کلی به سامانه نیز آسیب میبیند. این ریسک، شباهت را از سایر اصول دستهی گفتوگو متمایزتر میکند: مرز میان «همدلی طراحیشده» و «فریب» در همینجا شکل میگیرد.
چگونه از شباهت بهطور اثربخش استفاده کنیم؟
پلزدن میان این دو روی پارادوکس، به سه اصل طراحی نیاز دارد. اولویتدادن به شباهت رفتاری بر شباهت جمعیتشناختی، شفافیت دربارهی هویت مصنوعی سامانه و توازن میان شباهت و توانایی ادراکشده. این سه اصل هرکدام به یکی از ریسکهای بررسیشده در بخشهای پیشین پاسخ میدهند. اولویتدادن به شباهت رفتاری، سامانه را از تکیه بر فرضهای کلی و کلیشهساز دور میکند و آن را برپایه دادههای واقعی و اختصاصی هر کاربر بنا میکند، شفافیت دربارهی هویت مصنوعی، از این پیشگیری میکند که شباهت به ابزاری برای فریب تعبیر شود و در نتیجه، اعتماد کاربر را در برابر افشای ناگهانی محافظت میکند، و توازن میان شباهت و توانایی، تضمین میکند که صمیمیت ایجادشده، در بافتهای حساس بهقیمت از دسترفتن حس تخصص و قابلیت اطمینان سامانه تمام نشود.
در کنار هم، این سه اصل چارچوبی میسازند که در آن شباهت نه به یک ابزار خطرناک یا فریبنده، بلکه به پلی صادقانه و متناسب با بافت برای تسهیل ارتباط میان کاربر و سامانه بدل میشود.
اولویت شباهت رفتاری بر شباهت جمعیتشناختی
بهجای تکیهی صرف بر ویژگیهای ظاهری یا جمعیتی، طراحی مؤثرتر بر پایهی دادههای رفتاری واقعی کاربر (مانند سبک تعامل، سرعت پاسخدهی یا الگوی انتخاب او) شخصیسازی میشود. رویکردی که هم دقیقتر است و هم ریسک کلیشهسازی را کاهش میدهد. دادههای رفتاری، بر خلاف ویژگیهای جمعیتشناختی ثابت، بهطور مستقیم از نحوهی واقعی تعامل هر کاربر با سامانه استخراج میشوند. از اینرو، بازتاب دقیقتری از ترجیحات و شخصیت واقعی او ارائه میدهند تا هر فرضی که صرفاً بر مبنای سن، جنسیت یا قومیت ساخته شده باشد.
همانطور که پژوهش نس و همکاران نشان داد، هماهنگسازی سامانه با ویژگیهای شخصیتی واقعی کاربر(نه گروه جمعیتی فرضی او) میزان جذابیت و اثربخشی ترغیبی تعامل را بهطور محسوسی افزایش میدهد. علاوه بر این، چون این نوع شباهت بر دادههای پویا و اختصاصی هر فرد متکی است، نه بر مجموعهای از ویژگیهای مشترک یک گروه بزرگ، احتمال تعمیم نادرست یا کلیشهسازی نیز بهطور طبیعی کاهش مییابد. در نتیجه، شخصیسازی رفتارمحور میتواند همزمان دقت ترغیبی سامانه و احترام آن به تنوع واقعی کاربران را تضمین کند.
شفافیت دربارهی هویت مصنوعی سامانه
برای پیشگیری از افت اعتماد ناشی از افشای ناگهانی، سامانه باید از همان ابتدا هویت غیرانسانی خود را پنهان نکند. شباهت باید در خدمت راحتی ارتباط باشد، نه فریب کاربر دربارهی ماهیت طرف تعامل. این رویکرد به این معناست که سامانه میتواند از لحن، سبک یا حتی شخصیتی نزدیک به کاربر بهره بگیرد، بدون آنکه هیچگاه وانمود کند یک انسان واقعی یا موجودیتی غیر از آنچه هست است. شفافیت دربارهی هوش مصنوعی یا خودکاربودن سامانه، باید همزمان با ایجاد شباهت و نه پس از آن، بهوضوح در دسترس کاربر باشد. وقتی این آگاهی از ابتدا وجود داشته باشد، کاربر شباهت را نه نشانهای گمراهکننده از انسانبودن طرف تعامل، بلکه انتخابی طراحیشده برای تسهیل ارتباط تفسیر میکند. در نتیجه، کشف بعدی ماهیت واقعی سامانه دیگر شوکی به اعتماد او وارد نمیکند.
به این ترتیب، شباهت صادقانه (یعنی شباهتی که همزمان با افشای کامل هویت سامانه ارائه میشود) میتواند همان مزایای روانشناختی ارتباط نزدیک را فراهم کند، بدون آنکه ریسک بلندمدت بیاعتمادی ناشی از فریب را بههمراه داشته باشد.
توازن میان شباهت و توانایی ادراکشده
شباهت بیشازحد گاه میتواند با حس تخصص سامانه ( اصل Expertise در دستهی پشتیبانی از اعتبار سامانه) در تضاد قرار گیرد. کاربر گاه به دنبال همراهی صمیمی است و گاه به دنبال راهنمایی متخصصانه. تعادل این دو، باید متناسب با بافت خاص هر تعامل تنظیم شود. این تضاد از آنجا ناشی میشود که شباهت معمولاً از طریق نزدیککردن سامانه به سطح دانش، لحن یا سبک کاربر عادی ساخته میشود. توانایی و تخصص، برعکس، بر فاصلهگرفتن از سطح عمومی و نمایش دانشی فراتر از کاربر متکی است. در نتیجه تقویت همزمان و بیقید هر دو اصل، عملاً دشوار و گاه متناقض است.
در تعاملات روزمره یا سرگرمیمحور که هدف اصلی ایجاد حس همراهی و راحتی است. غلبهی شباهت بر توانایی معمولاً مطلوبتر است، اما در تصمیمهای حساس یا پرمخاطره، جایی که کاربر به دانش و قابلیت اطمینان سامانه بیشتر از نزدیکی شخصیتی آن نیاز دارد، باید شواهد تخصص را در اولویت قرار داد. طراحی مؤثر، بهجای انتخاب قطعی یکی از این دو، باید بافت، سطح ریسک تصمیم و انتظار غالب کاربر را در هر لحظه از تعامل بسنجد و وزن نسبی شباهت و تخصص را بر همان اساس تنظیم کند.
هشدارها و محدودیتها
خطر کلیشهسازی و حذف گروههای اقلیت
طراحی شباهت بر مبنای فرضهای جمعیتشناختی کلی، میتواند کاربرانی را که با آن قالبها همخوانی ندارند، نادیده بگیرد یا از تجربهی مثبت محروم کند. چنین طراحیای معمولاً بر یک «کاربر متوسط فرضی» از هر گروه جمعیتی تکیه میکند، در حالیکه تنوع واقعی درون هر گروه سنی، جنسیتی یا فرهنگی، بهمراتب بیشتر از تفاوت میان گروههاست. در نتیجه فردی که بهظاهر در قالب هدف قرار میگیرد نیز ممکن است هیچ همخوانی واقعی با پیام یا لحن طراحیشده احساس نکند. از سوی دیگر، کاربرانی که اساساً در هیچیک از دستهبندیهای از پیشتعیینشده نمیگنجند (یا هویتی چندلایه و غیرقابلتقلیل به یک مقولهی ساده دارند) عملاً از دایرهی طراحی کنار گذاشته میشوند و تجربهای کمربطتر یا حتی بیگانه دریافت میکنند.
پیامد این رویکرد، نهفقط کاهش اثربخشی ترغیبی برای بخشی از مخاطبان، بلکه احساس نادیدهگرفتهشدن در گروهی است که سامانه اساساً برای آنان طراحی نشده بود، هرچند در نگاه اول در محدودهی کاربران هدف قرار میگرفتند.
خطر افت اعتماد پس از افشا
همانطور که در بخش ۴.۲ اشاره شد، کشف کاربر مبنی بر مهندسیشدهبودن شباهت، میتواند به بیاعتمادی گستردهتر نسبت به کل سامانه منجر شود. تا پیش از این کشف، کاربر شباهت مشاهدهشده را نشانهای صادقانه از همخوانی واقعی تفسیر میکند و بر همان مبنا، سطح بالاتری از اعتماد و پذیرش به سامانه میدهد، اما بهمحض آنکه دریابد این شباهت صرفاً برای وادارکردن او به رفتاری خاص طراحی شده، نهتنها آن حس آشنایی از بین میرود، بلکه کل تعاملات پیشین نیز در ذهن او بازتفسیر میشود.
این بازتفسیر معمولاً از مرز «یک ویژگی نامعتبر» فراتر میرود و به تردید کلی نسبت به صداقت سایر بخشهای سامانه (از پیشنهادها گرفته تا پیامهای اعتمادساز) سرایت میکند. به همین دلیل، آسیب ناشی از افشای شباهت مصنوعی، محدود به همان یک تعامل نمیماند، بلکه میتواند رابطهی بلندمدت کاربر با کل سامانه را زیر سؤال ببرد و بازسازی اعتماد ازدسترفته را بهمراتب دشوارتر از ساختن آن از ابتدا کند.
تعارض احتمالی با اصل اعتبار سامانه
در بافتهایی که تخصص حرفهای اولویت دارد (مانند مشاورهی پزشکی یا مالی)، تأکید بیشازحد بر شباهت دوستانه میتواند بهجای تقویت اعتماد، حس غیرحرفهایبودن سامانه را القا کند. در چنین موقعیتهایی، کاربر عمدتاً بهدنبال قابلیت اطمینان، دقت و شایستگی تخصصی است، نه صمیمیت یا نزدیکی شخصیتی. از اینرو لحن بیشازحد دوستانه یا غیررسمی میتواند بهجای ایجاد حس همراهی، این برداشت را در کاربر ایجاد کند که سامانه فاقد جدیت یا دانش کافی برای موضوعی حساس مانند سلامت یا دارایی اوست. این تعارض نشان میدهد شباهت نباید بهعنوان یک اصل مطلق و همیشهمطلوب در نظر گرفته شود، بلکه باید متناسب با انتظار غالب کاربر از آن بافت خاص تنظیم گردد. در موقعیتهایی با ریسک بالا و نیاز به تصمیمگیری حساس، اولویتدادن به نشانههای توانایی و تخصص، معمولاً اعتمادپذیرتر از تقلیدِ صرف از سبک دوستانهی کاربر است.
جمعبندی: شباهت بهمثابهی زبان مشترک، نه نقاب
با کنار هم قرار دادن مباحث پیشین (انواع شباهت، مبنای نظری آن در نظریهی CASA، پارادوکس کلیشهسازی در برابر افت اعتماد و اصول عملی طراحی) میتوان به یک جمعبندی نظری و عملی از جایگاه شباهت در سامانههای ترغیبی رسید.
- شباهت، فاصلهی روانی را کم میکند: طبق نظریهی CASA، حتی نشانههای سطحی شباهت میتوانند تعامل با ماشین را به تعاملی اجتماعیتر بدل کنند.
- رفتار، مبنای دقیقتری از جمعیتشناسی است: شخصیسازی بر پایهی دادههای رفتاری واقعی، اثربخشتر و کمریسکتر از فرضهای کلیشهای است.
- شفافیت، از افشای مخرب جلوگیری میکند: سامانه نباید هویت مصنوعی خود را برای ایجاد شباهت، پنهان کند.
- شباهت باید با بافت تنظیم شود: در برخی موقعیتها، توانایی و تخصص مهمتر از صمیمیت است.
- هدف نهایی، تسهیل ارتباط است نه فریب آن: شباهت باید درک متقابل را افزایش دهد، نه توهم شناختن را جایگزین شناخت واقعی کند.
شباهت را میتوان به زبان مشترکی تشبیه کرد که دو طرف گفتوگو را به هم نزدیک میکند، نه نقابی که یکی برای فریب دیگری بر چهره میزند. وقتی سامانه واقعاً به سبک، ریتم یا نیاز کاربر گوش میدهد و خود را با آن هماهنگ میکند. این زبان مشترک اعتماد میسازد، اما اگر شباهت صرفاً نقابی حسابشده برای واداشتن کاربر به کاری باشد که در غیر آن صورت انجام نمیداد، همان لحظه که نقاب کنار میرود، اعتماد نیز فرومیریزد.
بنابراین، طراحی اثربخش شباهت، نه در میزان تقلید ظاهری از کاربر، بلکه در صداقت پشت آن هماهنگی و تناسب آن با بافت واقعی تعامل نهفته است.
منابع
Byrne, D. (1971). The Attraction Paradigm. Academic Press.
Nass, C., & Moon, Y. (2000). Machines and mindlessness: Social responses to computers. Journal of Social Issues, *56*(1), 81–103. https://doi.org/10.1111/0022-4537.00153
Nass, C., Moon, Y., Fogg, B. J., Reeves, B., & Dryer, D. C. (1995). Can computer personalities be human personalities? International Journal of Human-Computer Studies, *43*(2), 223–239. https://doi.org/10.1006/ijhc.1995.1042
Oinas-Kukkonen, H., & Harjumaa, M. (2009). Persuasive systems design: Key issues, process model, and system features. Communications of the Association for Information Systems, *24*(1), Article 28, 485–500. https://doi.org/10.17705/1CAIS.02428
Reeves, B., & Nass, C. (1996). The Media Equation: How People Treat Computers, Television, and New Media Like Real People and Places. Cambridge University Press.
