"I don't know anything about laptops!" - User Perception of Digital Product Advisors Adapting to Their Knowledge Levels
新手用户的笔记本电脑搜索助手：领域知识水平自适应的信息呈现效果研究
🧭 对话推荐 · 用户知识水平自适应
GESIS – Leibniz Institute for the Social Sciences · University of Twente
在聊天机器人产品推荐中，兼顾技术信息、性能分类与属性解释的 TCE 设计最能提升新手体验且不妨碍专家
📌 工作参考价值
- 默认采用 TCE 信息呈现模式：在电商对话助手中，对技术类商品（如电脑、相机）统一提供“技术参数 + 性能等级标签 + 通俗解释”，既帮助新手理解，又不损害专家效率，避免需要显式检测用户知识水平。
- 避免孤立使用性能分类标签：仅有“高性能”“入门级”等分类而无解释，新手会感到困惑且认为信息量不足；建议始终搭配类别含义说明与参数解读。
- 单一自适应界面优于多版本分流：不必为新老用户设计不同界面，一套包含解释和类别的混合呈现即可覆盖所有群体，降低工程维护成本。
- 增加用户控制与个性化入口：尽管 TCE 适合多数场景，仍可让用户主动调整信息详尽度或标注自身知识水平，用于进一步精排解释粒度，满足极端偏好。
动机：对话式电商中，数字助手如何向不同领域知识的用户呈现复杂商品信息是一大难题。单纯的技术参数对于新手难以理解，而过多的解释可能干扰专家效率。需要设计一种能同时服务两类用户的自适应信息呈现策略。
方法：构建一个笔记本选购聊天机器人场景，采用 2×2 被试间实验（n=251），探究四种信息呈现方式对新手和专家的影响：仅提供技术规格（T，基线）；技术规格 + 性能类别标签（TC，如“高性能处理器”）；技术规格 + 属性解释（TE，如“处理器影响多任务速度”）；三者组合（TCE）。评价指标包括感知有用性、信息量适当性、感知学习等。
关键结果：对新手而言，包含解释的呈现（TE、TCE）显著提高了感知帮助性和学习效果；TCE 在信息量适当性上优于 T 和 TC；仅在 TC 条件下新手会感到困惑和不足。专家在各条件下无显著差异，表明对新手有益的额外信息并未带来负面影响。最终提炼出四条设计指南：默认使用 TCE；保持单一包容性界面；避免孤立使用性能类别；支持用户自主性和场景个性化。