以sem-cpu 法探討認知對話機器人在社群商務之應用 using sem … ·...

2019 富邦人壽管理博碩士論文獎

以 SEM-CPU法探討認知對話機器人在社群商務之

應用

Using SEM-CPU Method to Explore the Application

of Chatbot in Social Commerce

摘要

現今多數的社群商務平台僅使用連結、圖像以及傳統的文字搜尋來提供消費者尋找

商品，然而制式且僵化的搜尋流程導致效率降低，也容易造成使用者對切換於不同平台

間的操作疲乏。因此，導入能自動進行顧客服務的對話機器人改進了消費者的體驗。本

研究使用修正後的 SEM-CPU方法進行實驗流程設計，並透過腦波儀、眼動儀及 Emotient

情緒分析等實驗設備來詳細收集使用者的實際感受，運用使用者互動滿意度問卷

(QUIS）、與使用者經驗問卷調查 (UEQ）與放聲思考法進行使用者的訪談，分析整合後

歸納出「對話機器人使用者介面與經驗開發設計準則」，測試後再以德爾菲法進行驗證，

評估設計準則之實用性。故本研究分析與驗證後，提出「介面設計」、「操作方式」、

「教學說明」、「系統功能」、「商品呈現」與「整體感受」六大設計主題以及三十五

個項目因素為對話機器人之設計開發準則。

關鍵字：社群商務、人機互動、對話機器人、使用者介面、使用者體驗


1

壹、緒論

一、研究背景與動機

隨著網際網路的成長，社群網站（Social Media）漸漸盛行，深深影響使用者的上網

行為，也改變了人與人之間的互動方式，不只是年輕族群頻繁地使用，較年長的族群也

紛紛跟上潮流。會有如此多用戶使用社群網站的原因，主要有（1）具有即時和非同時與

社群大眾溝通的能力；（2）可互相查閱與連結他人好友；（3）能與其他用戶分享與共同

擁有訊息（Boyd & Ellison, 2007）。社群網站縮短了人與人之間的距離，除了影響日常生

活社交方式，也帶給社會經濟劇烈地改變，成為企業與消費者之間的溝通橋樑，讓企業

可以與消費者以一對一的方式進行溝通，拉近與建立良好的顧客關係，故社群商務

（Social Commerce）成為新穎的營運方式與行銷管道。

近年人工智慧(Artificial Intelligence, AI)在智慧商務中引起熱潮，其概念是由美國科

學家 John McCarthy於 1955年提出，在開發中屢次失敗，讓研究學者感到氣餒而懷疑是

否盛行，因深度學習、機器學習與自然語言處理的技術達到突破，讓電腦以類神經網路

進行學習，讓電腦進步神速，並隨著 Google 以人工智慧打造 AlphaGo 進行人機大戰而

成為熱門話題，Aloimonos（1995）表示，人工智慧是設計及研究如何使電腦程式變得聰

明的學科，證明了人工智慧具有開發性，成功捕捉了無數人們的注意力，顛覆人工智慧

領域，人工智慧產品也陸續在增加，比如 Apple的 Siri，Google的無人車，IBM的Watson，

以及臉部辨識技術等，讓學界與業界對人工智慧的關注前所未有的高漲。

透過人工智慧開發對話機器人(Chatbot)，可以模擬與使用者互動的對話，拉近企業

與使用者的距離。人工智慧、語意分析應用大幅躍進，加上許多社群平台的技術支援，

Chatbot 又成功掀起話題。紐約時報（2017）指出，對話機器人的崛起，反映的是「使用

者對於需要逐一下載不同商家的 App 感到疲乏」，2016 上半年美國前 15 大 App 發行商

的平均下載量比 2015年同期下降 20%，說明 App市場已過了成長高峰期。根據 Business

Insider（2017）調查，Facebook Messenger、WhatsApp、WeChat 和 Viber 全球前四大通

訊 App 每月有逾 30 億的活躍用戶，超越了包括 Facebook 在內的前四大社交 App 的活

躍用戶數量，顯示使用者對於通訊 App的黏著度極高。

在這種趨勢下，企業、媒體想要強化與使用者的連結，透過在通訊 App建置對話機

器人就成了溝通互動的最佳管道，只需透過通訊軟體即可自動話讓企業與顧客之間互動，

聊天機器人可以回覆訊息、推薦、更新與鏈接等按鈕，顧客可以通過置入性廣告購買產

品，所有這些都在訊息界面當中。現今的智慧型手機、平板電腦、電子書等，提供人們

異於傳統電腦的移動性與應用性，使這些產品越來越普及。人機互動介面創新設計，已

經融入現代人的日常，隨時隨地影響著我們的生活。當今的自然語言介面涉及如何對話

語進行排序和保留語言情境時，缺乏標準、交互慣例和在對話中的排序與保存上下文的

質量，設計師應該以創建新的用戶體驗會話方法（Moore, 2018）。

二、研究問題

一個社群商務系統上線時，系統除了要有畫面、產品、資訊外，更要注重的是使用

者的使用與感受，以 APPLE 公司的 iPhone 為例，它的互動介面設計就是依照使用者

的實際思考的邏輯與操作習慣設計，並將使用者的使用體驗融入應用程式的運作平台，


2

讓不論年紀大小的使用者都能直覺式的操作（葉雪美，2014）。陳建雄（2011）指出在設

計 UI 時必須考量人機介面的 4 大議題，包含：人、環境、行動多媒體產品與使用者介

面；必須要有專業的人來主導這些領域，除了對產品本身的了解之外，還要深入分析消

費者使用時的心靈層面，用以分析人的思考模式，包含感官、知覺、認知到行動等一連

串的行為，與環境的影響，進而設計出產品與人之間的最佳互動模式。因此不論在任何

系統中，使用者介面（UI）與使用者經驗（UX）是不容忽視。

運用於社群商務的對話機器人若是使用於行動裝置上，行動裝置的 UI 就顯得格外

重要。行動裝置螢幕尺寸不同於一般的電腦，因此如何在有限的空間提供完整的資訊

是必須考量的。最基本介面上、體驗上的改變，將從傳統的 App介面（Graphic UI）轉

到聊天介面（Conversational UI，以下簡稱 CUI），對於現在介面設計來說，會從聚焦於

圖像介面設計轉變到互動、流程設計，好的介面設計可以提供好的互動，給予使用者良

好的使用體驗。根據人機系統概念，人機介面是我們藉以與產品互動的所有方式，當一

個操作複雜又難以學習的使用介面呈現在使用者面前時，會造成使用者的心理負擔，產

生疲憊感。以 Facebook Messenger Bot 為例，適當的介面設計有助於提升用戶感受。本

研究希望探討對話機器人在社群商務上的使用者介面與經驗上設計的需求，並研究符合

使用者習慣的操作介面及舒適的使用者經驗，彙整出可依循的設計準則，以提供對話

機器人社群商務的設計者進行設計開發時能有所參考，進而讓使用者透過不同科技在

電商平台能有更好的使用者體驗。目前對話機器人仍屬起步階段，應尚未有供人機器互

動設計參考的準則。

三、研究目的

經由上述得知，人工智慧與對話機器人（Chatbot）之應用為未來社群商務的主流，

因使用裝置的不同，定義下可分為一般社群商務與行動社群商務。本研究將針對對話機

器人與一般社群商務、行動社群商務上之應用，進行使用者與設計者的使用者介面（UI）、

使用者經驗（UX）交互式研究，最終得出設計原則與概念。本研究具體目的如下：

1. 透過本研究修正的行動手機使用者介面系統性評估（Systematic Evaluation

Methodology for Cell Phone User interfaces, SEM-CPU）方法論探討「對話機器

人使用者介面與經驗」之重要設計因素。

2. 透過德爾菲法（Delphi）評估「對話機器人使用者介面與經驗開發設計準則」

之適用性，並驗證其實用性。

3. 期望建立一套「對話機器人使用者介面與經驗開發設計準則」，以利社群商務

平台業者在對話機器人的導入上，可提供開發設計者參考並運用。

貳、文獻探討

一、社群商務（Social Commerce）

社群商務（Social Commerce，縮寫為 S-Ecommerce）則是電子商務與社群網站混搭

而成新的線上銷售模式和行銷策略，賣方由社群網站以點對點（ Peer-to-Peer

Communication）雙向溝通的方式分享給消費者，其商業形式範圍可同時涵蓋線上與線下

的環境（PMTONE, 2017）。社群商務具有電子商務的優點及自有的特性，對消費者而言


3

具安全性、瀏覽容易度、視覺吸引力、互動性，與對於知覺有用性和知覺娛樂性皆正向

影響，是消費者在社群商務下衝動購買的因素（范筱苓，2015）。根據 eMarketer（2017）

報告顯示，全球 24.6億人口中，使用社交網站用戶佔了全球三分之一人口，用戶每個月

使用社交網站達到 71.0%，比 2016 年增長 8.2％，對於大部分的人來說社交網站是一種

與朋友和家人保持聯繫的方式，數據如此快速的增長是因大多數用戶的受到智慧型手機

的影響，2017 年全球用戶使用手機登錄社交網站達到 81.8%，達到超出預期的數據。社

交網站用戶年年增長，改變了用戶之間的溝通方式，也影響消費者行為及企業與消費者

溝通的平台，使得用戶之間的互動更加熱絡，意味著社群商務在零售業中比重將有增無

減。詹益鑑（2012）認為行動與網路產業將改變所有商業行為與社群活動，充分理解「智

慧社群」及「社群商務」的經營模式，藉由行動應用程式推廣，建立個人或產品的社群

品牌，在網路新世代得以打造成功事業。

自從 Web 1.0 時代開始，人們開始習慣使用入口網站與搜尋引擎，到了 Wed 2.0 時

代，網路上有了線上拍賣、交易、零售通路等更多元的資訊，網站內容與線上資訊逐漸

取代實體店面與傳統媒體。因社群商務同時具有電子商務的優勢及自有的特性，在打破

實地的限制為企業減少營運成本，也可提高消費者對企業的黏著度及信任感，為企業帶

來聲量、口碑、評價、及導購（Norika, 2015），而現在政府正推動各界進行數位轉型，

推廣應用對話機器人。陳昌裕（2017）則指出這個時代的重點不再是硬體和技術，而是

使用者體驗，對話機器人能帶來更好的使用者體驗並蓬勃發展。若社群商務及對話機器

人兩者能緊密結合，將成為新一代的購物溝通管道。

二、對話機器人（Chatbot）

對話機器人（Chatbot）是自然語言處理系統的電腦程式，在對話與文字中能夠模擬

人類語言。1966年麻省理工學院發展出第一個對話機器人後，引領一陣風騷，並隨著語

義分析、人工智慧、機器學習進步、資料量大幅增長等技術大幅躍進，雖不可能了解人

類，但常駐在通訊軟體的對話機器人可相對準確地從人類語言中預測相對應的服務需求，

取代目前許多服務業中的制式化對話工作（Lihsin, 2017）。深度學習（Deep Learning）則

是機器學習中的一個分支，包含複雜結構與多層演算法，是以類神經網路為概念的網路

架構，簡單的說就是一個函數集合，丟進多個數值，讓整個網路從中找出最好的結果，

可說是目前人工智慧的主流（詹峻陽，2016）。而透過這兩項技術，可以整合資料介面及

時給予答覆，讓對話機器人在一分鐘之內給予使用者最佳的選擇。

根據 Recode（2016）報導指出以 App發展的現況來看，用戶平均一天使用通訊 App

九次，其他 App 平均一天使用五次；以下載 App 後一個月的留存率來看，通訊 App 為

68％，而其他 App為 38％，此研究顯示使用通訊 App與使用其他 App活躍用戶高出了

一倍多，由此可知使用者對於通訊 App的黏著度極高。在 App的熱潮漸漸落下的同時，

通訊 App的對話機器人越來越熱門，即使許多公司極力推動自家 App，希望能優化服務

功能，然而使用者對於需下載各不同公司的 App感到疲乏（Roxanne, 2017）。就整體而

言，使用者對於行動裝置上的 App使用趨勢越來越聚焦，留存率最高的則是通訊 App，

在這種趨勢下，若企業想要強化與使用者的連結，透過在通訊 App建置對話機器人應可

成為溝通互動的最佳管道。


4

除了 Facebook Messenger 及 LINE版本以外，Telegram、Kik Messenger、Slack、Skype

等通訊平台，金融方面的智慧理財都正積極開發，朝 Bot Platform的目標邁進，其中又

以 Telegram 平台走得最快。本研究將挑選活躍超過十萬 Bot 的 Facebook Messenger 及

1800 萬台灣人愛用的 LINE的對話機器人，做為探討使用者介面與使用者經驗的人機系

統互動平台。可在Facebook Messenger 建立對話機器人（如圖1）有Bot Bonnie、ChatFuel、

HIGH5、CHATISFY 等多個平台，介面及功能近乎相同，由於使用 Facebook 用戶多達

20 億人，將近世界人口四分之一，這是我們決定選擇這個巨大的社群網站作為研究探討

之一。LINE擁有 1800萬台灣用戶使用，幾乎所有人都有 LINE帳號，是頗為歡迎的通

訊應用程式，而 LINE 於 2016年提供 Bot PAI供開法者免費應用現有的系統開發，需要

使用 LINE 公開的 Messaging API（如圖 2）撰寫專屬於自己的 Bot 程式，並透過此 Bot

API 接口跟 LINE的伺服器做串接後，即可打造出 ChotBot。

圖 1 Facebook messenger Chatboot（資料來源：Contus (2017)）

圖 2 Messaging API Architecture（資料來源：Line developer (2017)）

三、SEM-CPU方法論

Lee 等人（2006）提出使用者手機用戶介面系統評估（Systematic Evaluation

Methodology for Cell Phone User interfaces, SEM-CPU）方法論，是為了評估手機用戶界

面而設計，通過 SEM-CPU能以有效的方式，用多種經驗方法進行測試，並收集多樣但

有用的數據，測量必要的特性與可用性，再確定可用性的決定因素，最後整合所有可用

性數據所產生問題與找出適當的解決方法。Burton（2006）基於 SEM-CPU 方法論研究

專為兒童設計的多媒體設備環境介面，獲得了新的評估技術與介面指南。陳嘉妮（2006）

則應用此方法論，歸納出之新型態多點觸控記事本軟體應用介面使用性設計原則，研究

實務人機互動介面設計與多點觸控設計創意整合開發，做為未來在介面設計之參考。


5

在 SEM-CPU方法論由三個階段組成：資料搜集、資料分析、資料整合（如圖 5），

個階段說明如下：第一階段為資料搜集，經由情景表現（scenario-based task performance）、

問卷調查（questionnaires）、回顧敘述（post-task interview）、用戶觀察（user observation）

與測試後訪談（retrospective think aloud）五種經驗法收集不同種類的原始資料，例如使

用者互動過程影片、問卷調查結果、使用者建議資料等。

第二階段為資料分析，此階段分為四個步驟進行，將搜集的各種資料使用量化及質性兩

種方式做分析，量化分析從任務績效數據資料和問卷調查進行量化分析，測量出四個客

觀特性：有效性、效率、滿意度與可學習性，質量分析資料將使用者互動過程影片、口

頭協議和關鍵事件等定性資料記錄模組（QDL）轉換成可促進快速、容易、富有意義的

格式，流程圖分析通過參與者採用的操作路徑以圖形化的步驟流程圖表示介面結構中的

問題，最後口頭協議和關鍵事件分析，在 QDL模組使用口頭協議及關鍵事件進行審查，

將可用性問題可分為三類，隱喻、心智模型和互動。

第三階段為資料整合，藉由測量可用性三者所有的資料來源建造設計規格和設計方

針。設計規格指的是具體陳述如何改變互動介面設計進而改善可用性。

故本研究亦採用修正後 SEM-CPU方法論，以「使用者介面」與「使用者經驗」兩

大主軸進行資料收集，並觀測受試者反應與使用者意見，將資料分析、整合後得出對話

機器人使用者介面與經驗設計要素，作為探討對話機器人在社群商務應用之開發依據。

四、使用者介面（User Interface, UI）

使用者介面（User Interface, UI）作為機器與使用者間的互動平台，提供雙方進行互

動的管道，以產品的角度來看，就是使用者實際接觸產品的部分，他們操作使用者介面

的選單或指令，來運用背後的程式。實務開發上則包含外觀、前端和互動設計等範疇。

Vukovic（2014）認為 UI 設計必須一目了然、具有關聯脈絡、預設值、簡化版面與引導

使用者的相關指示。使用性方面，Nielsen（1993）認為評估系統或使用者介面之使用性

問題並非是單一向度的，而是由效率性（Efficiency）、錯誤率（Errors）、可記憶性

（Memorability）、可學習性（Learnability）與滿意度（Satisfaction）五個效標所組成。

對話機器人在介面上帶來的轉變，將從傳統的圖形使用者介面（Graphical User

Interface, GUI）轉到對話介面（Conversational UI, CUI），透過文字及語音等方式互動，

從既定的介面操作轉變到基本交談，較適合用來觸發繁多且瑣碎的項目，不需要再設計

那麼多的介面，從聚焦於圖像介面設計轉變到互動、流程的設計。然而，使用者端會因

為顯示裝置的有所不同，其所需設計要注意的重點因素也就不同。故在進行 UI 設計時，

除了要把介面資訊內容等因素做為考量外，使用的裝置也須列入考量之中。而本研究進

行社群商務所使用的裝置分為兩種，一為利用電腦進行，二為利用行動裝置進行，因此

將以這兩方面來進行使用者介面的探討。

五、使用者經驗（User Experience, UX）

隨著時代進步，資訊科技已融入我們的生活，使用者經驗（UX），越來越受重視，

根據國際標準化組織（ISO）使用者經驗的定義為，「使用者在接觸產品、系統、服務後

所產生的反應與變化，包含使用者的認知、情緒、偏好、知覺、生理與心理、行為，涵


6

蓋品、系統、服務使用的前、中、後期」，Norman 和 Nielsen（2014），更提到使用者經

驗，應該為「設計的產品能帶給使用者在使用上非常愉快」。各方的解釋下，第一要素還

是在於產品必須要符合使用者的需求，次者必須注重使用者在實際應用面的受程度，也

就是說使用者經驗就是使用者在使用產品、服務、系統時所表現出的行為或是產生的情

緒及想法。

UX 強調與使用者交流來改進產品設計的管理流程，對話機器人的出現對使用者體

驗造成了影響，可使用於多種類的載體上如手機、平板等行動裝置，並從傳統的圖像交

流轉變成透過文字及語音等方式互動，如客製化的推送通知會大幅度地提升機器人的吸

引力，若一項產品服務的 GUI 與 CUI 能相輔相成以更好的方式呈現，對於使用者與對

話機器人都會是一項加分的體驗。而要創造好的 UX，首先就需要了解使用者的經歷過

程，從使用者的角度做思考，以使用者為中心的概念來設計系統與產品，進而驗證是否

有人需要這個產品或服務。

六、人機器互動（Human–Robot Interaction, HRI）

使用者體驗是關於人們的感受，對於機器人與其他類型的互動式產品、設備與系統

相似，使用者體驗是必要的考量因素（Hassenzahl, 2013）。人機器互動（Human–Robot

Interaction, HRI）是專門用於理解、評估和機器人系統設計，涉及人與機器人進行互動

的領域（Schultz & Goodrich, 2007）。他們提出了五項特性：(1)機器人自主的層級和行為；

(2)人與機器人交流信息的性質；(3)機器人團隊的結構；(4)人與機器人如何適應和互相

學習；(5)如何影響互動任務。在 HRI 領域中，透過不同的形式讓人與機器人互動，發現

實體機器人的社交行為比虛擬代理人高，虛擬代理人也較能夠使受測者透露較多的私人

訊息。在彭旻傑（2017）研究對話機器人的設計中顯示，現今對話機器人在人與機器人

互動間，機器人對問題的回答準確率低、與用戶對話之間不具連貫性、系統不會主動傳

訊息給用戶以及單一功能不具吸引力。

UX Design Trend 在 2017年正式提出了一個新的設計趨勢，對話式設計（CUI）。CUI

是用戶使用語言與人或機器互動的介面，在當前資源和特定域中對話機器人行為是有限

的，如何使用新媒體介面設計來建立良好的用戶體驗，需要考量的是使用者的觀點。圖

形使用者介面（GUI）能夠幫助電腦畫面變得更加直觀且具吸引力；其概念在 20世紀 80

年代由 Xerox、Apple 和Microsoft 推廣。與早期電腦使用的命令列介面相比，GUI 介面

更容易學習和使用，因為用戶不需要知道任何命令語言來操作系統，GUI 介面在視覺上

對於使用者來說更易於接受。GUI 也不會因為 CUI 的興起而失去價值，聊天介面在視覺

設計方面，需要靠圖像來理解和控制（Evonne Wu, 2016）。

根據 Fadhil（2018）對特定領域的 CUI 研究顯示，在不同領域的 CUI 設計與定義

中，需各有合適的模式與功能，靈活性和互動反是必須考慮之要素；電子商務的對話機

器人設計應具有靈活性、簡單的互動模式、保持簡短的對話、完全或部分自動化以及安

全和隱私，可讓對話機器人在電子商務領域中有效率為使用者提供個人化服務。故本研

究探討目的是要在 CUI 與 GUI 之間找尋平衡點。

參、研究方法


7

一、研究架構

本研究目的為探討對話機器人在社群商務的使用者介面與使用者經驗所著重的設

計要素為何，根據現有的對話機器人介面分析使用者介面給予使用者真實的感受與滿意

度。本研究的實驗設計將採用修正後 SEM-CPU 方法論以及德爾菲法（Delphi）進行驗

證，分析熱門社群網路 Facebook Messenger 及 LINE的對話機器人介面的適用性。實驗

設計引用 SEM-CPU方法論進行「資料搜集」、「資料分析」和「資料整合」三個主要階

段探討。在資料收集階段，將分為「使用者介面」與「使用者經驗」兩部份同時進行實

驗使用者觀察、問卷調查及測試中的反應。將收集到的資料在資料分析階段分成「量化

資料整理分析（Quantitative Data Analysis）」與「質性資料整理分析（Qualitative Data

transformation）」。量化分析的資料來源為「腦波儀」、「Emotient 情緒分析」、「眼動儀」

了解使用者狀況，以及「使用者互動滿意度問卷（QUIS）」與「使用性問卷調查（USE）」

做為本研究之問卷；質性分析的資料來源為「放聲思考法」所得到的資料，得知使用者

的想法；獲取主觀與客觀資料了解使用者介面及使用者經驗兩個層面進行萃取，匯集所

有資料使用統計軟體進行分析。在資料整合階段，將分析後的結果資料進行資料整合，

建構出「對話機器人使用者介面與經驗開發設計準則」，最後以德爾菲法（Delphi）進行

專家的驗證評估，研究流程如圖 3所示。

圖 3 本研究架構圖

二、實驗工具

（一）腦波儀

本研究使用 EPOC+ EMOTIV 腦波儀，具有十四個 EEG頻道加上兩個參考頻道，且

提供高解析度、可辨識處理與神經訊號的無線頭戴裝置。腦電波所測量的電極訊號位置

乃依「國際 10-20腦波電極配置法」（International 10-20 EEG system）之標準偵測，在國

際 10-20系統中，每一個電極點位為英文字母與阿拉伯數字來組合命名，分別為額葉區

（Frontal）、中央區（Central）、頂葉區（Parietal）、顳葉區（Temporal）、枕葉區（Occipital），

數字則是代表左右半球，左為單數，右為雙數。本研究採用的 14 個電極點位，分別為


8

AF3、AF4、F3、F4、F7、F8、FC5、FC6、T3、T8、P7、P8、O1、O2，每個感測點的

位置與功能如下（Md, 2018）：

1. 額葉（Frontal）：位於大腦前部，負責高階認知功能與人格的判斷力，掌管最複

雜的思維功能。主要負責計畫、組織、問題解決、等相關行為與情緒的認知功

能。該區域的感測點為 AF3、AF4、F3、F4、F7、F8、FC5、FC6。

2. 顳葉（Temporal）：位於大腦兩側，處理聽覺、語意理解等感知輸入訊息的中樞。

該區域的感測點為 T3、T8。

3. 頂葉（Parietal）：位於大腦中間部分，主要處理各類感知相關訊息的中樞，同時

也和語言、記憶等功能有關。該區域的感測點為 P7、P8。

4. 枕葉（Occipital）：位於大腦後面部位，掌管視覺功能，舉凡圖像的辨識、暫留

及對環境的觀察力。該區域的感測點為 O1、O2。

（二）情緒分析系統

臉部表情是人們對於情緒判定的依據之一，透過攝錄機捕捉使用者臉部表情，並加

以分析辨別其情緒狀態進行分析判別使用者高興、驚訝、憤怒等等情緒，在實驗當下探

討實驗參與者在使用對話機器人時的反應，其相關臉部表情研究已廣泛應用於人機介面、

消費者行為等領域。本研究使用 iMotions - emotient 情緒分析系統情感整合 Emotient

FACET 技術（原名 CERT），以更深入地了解通過臉部表情的人類情緒反應，並透過一

般的網路攝影機 Webcam錄製的臉部表情並進行分析，計算，並匯出所有原始數據和指

標。記錄所有臉孔做事後分析，即可批量上傳的所有臉部錄影 iMotions 可快速提取所有

臉部表情數據，進一步分析整合，並匯出相關情緒指標。將所有的表情資料皆以同步呈

現，並整合在時間軸上，進而匯出或匯入數據，分析及統計資料。

（三）眼動儀

本研究使用簡易桌上型眼動儀（Gazepoint GP3 eye tracker）分析眼動軌跡數據，將

眼動數據轉化為可視化指標，展示眼球運動的特徵以及眼動數據之間的聯繫，分別為熱

點圖與注視軌跡，獲取使用者的注意表現。熱點圖是以視覺化呈現使用者軌跡，通過顏

色深淺來反映注視時間長短或次數（Russell, 2005）；注視軌跡圖是代表注視點的圓圈和

連接圓圈之間的線段組成，圓圈的大小代表該注視點的時間長短，用於表現被試視覺運

動的空間分佈以及視覺對象處理之間的時間關係（K Lucaites, 2017）。除了熱點圖與注視

軌跡的可視化指標來呈現形式外，另進行量化的眼動指標統計分析（De Bruin, 2014）。

感興趣區域（Area Of Interest, AOI）常運用於眼動相關的研究中（Ho, 2014），其中經常

運用的分析指標包括首次凝視時間（Latency of First Fixation, LFF）、首次凝視持續時間

（Duration of First Fixation, DFF）、凝視次數（Number of Fixation, NOF）、總注視時間

（Total Contact Time, TCT）來了解使用者凝視介面的視覺範圍與感興趣區域（Hewig,

2008）。

（四）放聲思考法（Think Aloud protocols）


9

放聲思考法（Think Aloud protocols）為質性分析，是由 Ericsson 與 Simon 在 1984

年所提出自於研究參加者口述報告的心理學研究方法，放聲思考法一般用於過程追蹤

（process tracing）、知識獲取（knowledge acquisition）、模式規劃（model formulation）、

決策行為（decision making）以及電腦系統介面使用性（usability issues）相關議題上，

多用於產品設計和開發、心理學和社會科學（如閱讀、寫作、翻譯研究、決策與過程追

蹤）（蔡福軒，2004）。放聲思考法是由研究者提供情境，通過實驗參與者的口語內容，

用來蒐集實驗參與者的認知及思維，且通常該研究執行時，實驗參與者會被要求進行邊

說邊做或是邊想邊做，甚至有些時候，會在測試結束之後，要求做口語化方式回朔測驗

經過，可視為是一種精確的訊息紀錄之主張經處的方法論。

（五）問卷調查設計

問卷調查法簡稱問卷法，是研究者運用統一設計的問卷向調查對象了解情況或徵詢

意見，以書面的方式提出問題並蒐集資料的一種研究方法。本研究的問卷設計分為三個

部分做 UI 與 UX 調查，第一部分為使用者行為，第二部分為使用者互動滿意度問卷

（Questionnaire for User Interaction Satisfaction, QUIS），第三部分為使用者經驗調查問卷

（User Experience Questionnaire, UEQ）。而問卷衡量方法採用李克特（Likert scale）量表

進行評分。

（六）德爾菲法（Delphi method）

德爾菲法在 20 世紀由 Helmer 和 Gordon 首創，並在 1948 年美國加州蘭德公司

（Rand Corporation）首次用這種方法用來進行研究定性預測，而後被廣泛的應用。德

爾菲法是一種匿名方式的收集專家團體意見及判斷方法，具有評估現況、預測未來的功

能。德爾菲法具有匿名原則（anonymity）、複述原則（iteration）控制行回饋原則（controlled

feedback）、團體意見統計原則（statiscal group response）與專家共識原則（Expert consensus）

五項基本原則（Thangaratinam, 2005）。

以 SEM-CPU方法論所得到的「Chatbot 使用者介面與經驗開發設計準則」後，請專

家審視其完整性與合適性後，再請專家依照此開發準則，對 Chatbot 社群商務平台進行

評估，提供較符合介面設計的建議。本研究將透過德爾菲法驗證「Chatbot 使用者介面與

經驗開發設計準則」。

肆、研究結果

一、問卷結果分析

本研究由某國立科技大學內招募大學生與研究生參與，對象年齡介於滿 20~26歲之

間為樣本目標，共計 30 位參與者，男女各半，且實驗對象需曾使用過通訊軟體以及線

上購物等經驗。根據表 1可看出本研究實驗參與者的結構，30位實驗參與者中，男性與

女性比率各為 50%，無偏向任何一方；在使用過對話機器人平台購買東西上，大部分的

大學生與研究生沒有使用過對話機器人平台購買東西之經驗，比例達到 86.7%，；最後

對話機器人之實驗平台可完成購買衣裝服飾，是否能提高購買意願之比例佔 83.3%，顯

示出對話機器人平台若有完整的購物流程，將提高使用者的購買意願。

表 1 實驗參與者之樣本結構分析


10

使用者資料與行為問項樣本數百分比

性別男 15 50.0%

女 15 50.0%

請問您是否曾經購買衣裝服飾？是 30 100.0%

否 0 0.0%

請問您是否曾經透過網路平台購買東西？是 30 100.0%

否 0 0%.0

請問您是否曾經透過網路平台購買衣裝服飾？是 27 90.0%

否 3 10.0%

請問您是否曾經使用過對話機器人平台購買東西？是 4 13.3%

否 26 86.7%

若本實驗平台可完成購買衣裝服飾，是否能提高您的購買

意願？

是 25 83.3%

否 5 16.7%

本研究依據 Chin等人（1988）所提出的人機介面滿意度 QUIS 問卷之構面，並針對

使用者行為，設計出五大構面與二十九個題項了解實驗參與者行為，以李克特（Likert

scale）九分量表進行評分。根據上述呈現網頁版與行動版對話機器人問卷之各項構面皆

具可靠性後，下面進行實驗參與者對網頁版對話機器人在各項構面之滿意度分析。由表

2、3可得知，大部分題項之滿意度平均數落在 5到 7上下之間，顯示出實驗參與者對於

本研究網頁版與行動版對話機器人實驗平台之評價為滿意。唯有系統性能中的「系統回

覆的速度」與「用戶的需求有被考慮到」和整體反應的「對 LINE Chatbot 整體系統的反

應是乏味的、興奮的」的平均數低於 5（九分量表之中間值），代表實驗參與者對於系統

的這三個部份的滿意度較低，較有問題。

表 2 網頁版–QUIS統計分析

構面題項 N 平均數標準差構面

平均數

構面

標準差

畫面

呈現

閱讀畫面上的文字是 30 7.53 1.25

6.76 1.73 功能的組織架構是 30 6.47 1.76

按鈕的呈現方式 30 6.20 2.19

畫面的排版 30 6.83 1.37

術語與

系統回饋

在系統中使用的資訊 30 7.13 1.66

7.31 1.54 訊息在螢幕上呈現的位置 30 7.77 1.14

畫面上的訊息是 30 6.97 1.69

進入系統的提示 30 7.37 1.56

學習

學習系統的操作是 30 7.27 1.87

7.05 1.87

藉由嘗試探索功能是 30 6.80 2.22

記住指令名稱與功能是 30 6.73 1.95

快速按鍵或指定對操作的功效 30 7.20 1.83

任務執行簡單易懂 30 7.23 1.46

系統

性能

系統回覆的速度 30 3.37 2.80

5.46 2.70 系統的穩定性 30 7.07 2.05

系統帶給你的是 30 6.83 1.72


11

用戶的需求有被考慮到 30 4.57 2.22

整體

反應

（FB）

感到困惑的、滿意的 30 7.00 1.64

6.76 1.64

困難的、簡單的 30 7.30 1.12

死板的、靈活的 30 6.67 1.77

糟糕的、優秀的 30 6.87 1.38

乏味的、興奮的 30 6.07 1.89

能力不夠、能力足夠 30 6.67 1.77

整體

反應

（LINE）

感到困惑的、滿意的 30 5.33 2.37

5.32 2.12

困難的、簡單的 30 6.00 1.97

死板的、靈活的 30 5.13 2.18

糟糕的、優秀的 30 5.37 2.09

乏味的、興奮的 30 4.93 1.91

能力不夠、能力足夠 30 5.13 2.18

表 3 行動版–QUIS統計分析

構面題項 N 平均數標準差構面

平均數

構面

標準差

畫面

呈現

閱讀畫面上的文字是 30 7.30 1.49

7.08 1.58 功能的組織架構是 30 6.80 1.63

按鈕的呈現方式 30 7.20 1.58

畫面的排版 30 7.00 1.66

術語與

系統回饋

在系統中使用的資訊 30 7.13 1.57

7.12 1.72 訊息在螢幕上呈現的位置 30 7.37 1.50

畫面上的訊息是 30 7.07 1.70

進入系統的提示 30 6.90 2.11

學習

學習系統的操作是 30 7.37 1.73

7.08 1.84

藉由嘗試探索功能是 30 6.70 2.12

記住指令名稱與功能是 30 6.73 1.95

快速按鍵或指定對操作的功效 30 7.47 1.53

任務執行簡單易懂 30 7.13 1.80

系統

性能

系統回覆的速度 30 3.90 2.63

5.47 2.60 系統的穩定性 30 6.97 1.81

系統帶給你的是 30 6.93 1.91

用戶的需求有被考慮到 30 4.07 2.20

整體

反應

（FB）

感到困惑的、滿意的 30 7.03 1.59

6.64 1.84

困難的、簡單的 30 7.33 1.42

死板的、靈活的 30 6.37 1.08

糟糕的、優秀的 30 6.73 1.72

乏味的、興奮的 30 6.00 1.88

能力不夠、能力足夠 30 6.37 1.08

感到困惑的、滿意的 30 6.43 1.51 6.22 2.07

困難的、簡單的 30 6.87 1.91


12

整體

反應

（LINE）

死板的、靈活的 30 5.97 1.66

糟糕的、優秀的 30 6.27 1.23

乏味的、興奮的 30 5.83 2.05

能力不夠、能力足夠 30 5.97 1.86

使用者經驗調查根據使用者行為提出六個構面，共二十六個題項來了解實驗參與者

之使用者經驗，並採用李克特（Likert scale）七分量表進行表示。圖 4、5為各項構面的

平均數以及誤差線，圖中分為三個區塊，紅色為負評價，黃色為評價適中，綠色為正評

價；根據圖 4網頁版各項構面之影響程度顯示，「吸引力」、「明白易懂」與「效率」高於

平均之上，其中「效率」落在優良區塊，「吸引力」、「明白易懂」落在高於平均區塊；「可

靠性」、「刺激」與「新奇」則落在低於平均水準之區塊。根據圖 5行動版各項構面之影

響程度顯示，「吸引力」、「明白易懂」「效率」與「可靠性」高於平均之上，其中「明白

易懂」落在優良區塊，「吸引力」、「效率」與「可靠性」落在高於平均區塊；「刺激」與

「新奇」則落在低於平均水準之區塊。

圖 4 網頁版–使用者經驗調查各項構面之影響程度

圖 5 行動版–使用者經驗調查各項構面之影響程度

二、眼動儀分析

本研究使用 Gazepoint 團隊研發的 Gazepoint Analysis眼動追踪軟體，此軟體可以透

過簡易桌上型眼動儀（Gazepoint GP3 eye tracker）追蹤實驗參與者的眼動軌跡以及數據，

-1.00

-0.50

0.00

0.50

1.00

1.50

2.00

2.50

吸引力明白易懂效率可靠性刺激新奇

優良

良好

高於平均

低於平均

不良

平均

-1.00

-0.50

0.00

0.50

1.00

1.50

2.00

2.50

吸引力明白易懂效率可靠性刺激新奇

優良

良好

高於平均

低於平均

不良

平均


13

採樣頻率為 60Hz，本研究分根據注視熱點圖與眼動軌跡進行感興趣區域（AOI）分析，

資料記錄分析包含首次凝視時間（LFF）、首次凝視持續時間（DFF）、凝視次數（NOF）

與總注視時間（TCT）。根據表 4、5、6、7 顯示，網頁版與行動版對話機器人介面的凝

視區域停留時間中各項分析結果得知，訊息區域的平均數皆大於其他區域，此外各分析

項目皆有顯著差異（p值均小於 0.05），由此可知，實驗參與者皆選擇優先觀看訊息區域

來瀏覽介面，且注視次數和注視時間皆多於其他區域。

表 4 網頁版–Facebook對話機器人之 AOI 統計分析

分析項目個數平均數標準差 p值

首次凝視持續時間

（DFF）

標題 30 0.67 0.99 0.00

訊息 30 12.03 18.22 0.00

右側 30 0.31 0.44 0.00

左側 30 0.77 0.76 0.00

目錄按鈕 30 0.11 0.21 0.01

輸入 30 0.30 0.49 0.00

凝視次數

（NOF）

標題 30 11.40 14.11 0.00

訊息 30 94.63 134.72 0.00

右側 30 3.93 4.70 0.00

左側 30 9.77 9.89 0.00

目錄按鈕 30 2.03 3.40 0.00

輸入 30 4.43 5.32 0.00

總注視時間

（TCT）

標題 30 2.22 3.03 0.00

訊息 30 117.08 461.43 0.01

右側 30 0.96 1.35 0.00

左側 30 2.55 2.51 0.00

目錄按鈕 30 0.35 0.72 0.01

輸入 30 0.89 1.40 0.00

表 5 網頁版–LINE對話機器人之 AOI統計分析



（DFF）

標題 30 0.15 0.19 0.00

訊息 30 3.98 2.54 0.00

目錄按鈕 30 0.31 0.36 0.00

輸入 30 0.15 0.28 0.01

凝視次數

（NOF）

標題 30 1.23 1.81 0.00

訊息 30 28.63 18.48 0.00

目錄按鈕 30 3.37 3.37 0.00

輸入 30 1.80 2.94 0.00

總注視時間

（TCT）

標題 30 0.28 0.44 0.00

訊息 30 10.90 7.21 0.00


14

目錄按鈕 30 0.70 0.79 0.00

輸入 30 0.35 0.71 0.01

表 6 行動版–Facebook對話機器人之 AOI 統計分析



（DFF）

標題 30 0.10 0.15 0.00

訊息 30 1.37 0.80 0.00

目錄按鈕 30 0.17 0.41 0.03

輸入 30 0.43 0.57 0.00

凝視次數

（NOF）

標題 30 1.27 2.16 0.00

訊息 30 14.53 9.29 0.00

目錄按鈕 30 2.00 4.53 0.02

輸入 30 5.07 6.50 0.00

總注視時間

（TCT）

標題 30 0.23 0.37 0.00

訊息 30 4.09 2.77 0.00

目錄按鈕 30 0.46 1.20 0.04

輸入 30 1.24 1.50 0.00

表 7 行動版–LINE對話機器人之 AOI統計分析



（DFF）

標題 30 0.17 0.22 0.00

訊息 30 4.79 3.89 0.00

目錄按鈕 30 3.18 1.97 0.00

輸入 30 0.22 0.30 0.00

凝視次數

（NOF）

標題 30 3.13 4.80 0.00

訊息 30 43.33 40.72 0.00

目錄按鈕 30 28.27 18.36 0.00

輸入 30 2.87 3.88 0.00

總注視時間

（TCT）

標題 30 0.48 0.76 0.00

訊息 30 13.68 12.96 0.00

目錄按鈕 30 8.88 5.53 0.00

輸入 30 0.70 1.07 0.00

三、情緒分析

臉部表情是代表人類的思維與情感，用來表徵情緒感受或傳達情緒感受的語詞，同

時包含了語意訊息與情緒內涵（卓淑玲，2013）。本研究使用 iMotions-emotient情緒分析

系統，此軟體可以通過臉部表情深入地了解人類情緒反應，並透過一般的網路攝像機錄

製的臉部表情並進行分析、計算、並匯出所有原始數據和指標，量化七種基本情緒，分

別為高興、悲傷、憤怒、驚訝、厭惡、害怕以及輕蔑，是主要描述情緒與情感表達，也

構成核心情感的心理建構（Calvo et al., 2010）。


15

根據圖 6顯示實驗參與者對各項實驗平台的情緒反應，在「高興」的情緒中，Facebook

Messenger 網頁版與行動版百分比較高，反之 LINE 網頁板與行動版的百分比較低；在

「悲傷」的情緒中，LINE網頁板的百分比較高；在「憤怒」的情緒中，LINE網頁板的

百分比較高；在「驚訝」的情緒中，Facebook Messenger 網頁版與 LINE 網頁版百分比

較高；在「厭惡」的情緒中，LINE網頁板的百分比較高；在「害怕」的情緒中，LINE

網頁板的百分比較高；在「輕蔑」的情緒中，LINE網頁板與行動版的有較高的百分比。

由此可看出實驗參與者對 Facebook Messenger 網頁板與行動版的情緒感受較好，而對

LINE網頁板與行動版的情緒感受較差，會感到令人反感、不悅以及藐視。

圖 1 實驗參與者對各項平台之情緒影響程度

四、腦波數據分析

本研究將 EPOC+ EMOTIV 腦波儀偵測數據匯入 MATLAB 的圖形用戶界面

EEGLAB 工具分析實驗參與者獨自使用平台時間的腦波資料，進行 Alpha 和 Beta 頻率

分析，從中得知實驗參與者反映出的放鬆程度、熟悉程度喚醒記憶和注意力（Lemya

Kacha, 2015）。根據圖 7、8 顯示，Facebook 網頁板與行動版之 Alpha 波與 Beta 波功率

皆大於 LINE網頁板與行動版，可知實驗參與者表現出對 Facebook 對話機器人平台比對

LINE 對話機器人平台更放鬆。而 LINE 行動版之 Alpha 波與 Beta 波功率大於 LINE 網

頁版，顯示出實驗參與者對 LINE行動版比對 LINE網頁版較為放鬆。

Alpha 波會隨著參與者對刺激的熟悉程度而增加。熟悉程度越高，Alpha 波功率增

加所反映的放鬆程度越高。Beta 波與喚醒和注意力與 Alpha 波是有關聯的（Lemya Kacha,

2015）。由上述分析Alpha和Beta頻率結果顯示，實驗參與者獨自使用平台時，對Facebook

對話機器人網頁板與行動版的熟悉程度較高，反之對 LINE 對話機器人網頁版平台的熟

悉程度對低，由此可知，實驗參與者使用 Facebook 對話機器人較為上手；而在 LINE網

頁版與行動版中，實驗參與者對行動版的熟悉程度較高，可知實驗參與者 LINE 行動版

較為上手。

0.00

0.50

1.00

1.50

2.00

2.50

3.00

3.50

4.00

4.50

高興悲傷憤怒驚訝厭惡害怕輕蔑

Facebook_computer LINE_computer Facebook_phone LINE_phone


16

圖 7 實驗參與者對各項平台之 Alpha 波平均分析

圖 8 實驗參與者對各項平台之 Beta 波平均分析

五、放聲思考法分析

根據在紮根理論研究法中，將資料分析的過程分為開放式譯碼（open coding）、主軸

譯碼（axial coding）和選擇性譯碼（selective coding ）三個層次，將實驗參與者之原始

回應依照放聲思考法題目，進行資料分析與整理。開放式譯碼是將會談的逐字稿進行分

段與檢測，並將其標示進行歸類；主軸譯碼是在譯碼的過程中發現圍繞的主軸並將其連

接，建構獨特的範疇，並在明顯相關的譯碼間互相比較；最後選擇性譯碼為整合以及修

正理論過程。

根據表 31所示，「介面設計」中，「目錄按鈕」與「一致性」影響感受較大；「教學

說明」中，「解說」影響感受較大；「操作方式」中，「按鈕」影響感受較大；「系統功能」

中，「靈活性」影響感受較大；商品呈現」中，「圖片」影響感受較大；「整體感受」中，

「便利性」影響感受較大。由此可知，若系統在面設計在各裝置中須具一致性、使用系

統時須有教學解說、應增加按鈕操作、系統須具靈活性、商品須有圖片呈現以及系統須

具便利性，方可提高使用對話機器人之購買慾望以及對使用後的整體感受。

表 8 實驗參與者之次範疇次數統計

介面

設計 N

教學

說明 N

操作

方式 N

系統

功能 N

商品

呈現 N

整體

感受 N

目錄按鈕 27 解說 33 按鈕 68 回覆速度 16 分類 20 便利性 42

一致性 17 引導 10 打字 12 靈活性 34 圖片 37 實用性 12


17

介面 10 常見問題 3 直覺 24 關鍵字 15 款式 23 設計 8

字數 4 步驟 2 彈性 29 主動 3 大小 12 創新 2

語音 3 錯誤處理 5 價格 8 人性化 5

圖示 2 人工客服 2 尺寸 6 困惑 8

返回鍵 4 回饋意見 4 資訊 14 想像落差 8

快捷鍵 10 更新 2 庫存 4 簡潔 19

收縮 5 購物車 2

歡迎訊息 7 推薦款式 2

出貨提醒 1 外部連結 7

訂貨 2

放大縮小 6

統計 58 統計 48 統計 152 統計 102 統計 135 統計 104

六、德爾菲法結果分析

依據問卷資料統計、眼動分析、情緒分析、腦波分析以及放聲思考分析所得出的結

果資料，再次進行分析後的整理歸納，並制定出本研究之「對話機器人使用者介面與經

驗開發設計準則」。得出設計準則後，以此為基礎設計德爾菲法問卷，邀請六位人因工程

與 UI/UX設計專家來進行設計準則的驗證，與提出對本研究之「對話機器人使用者介面

與經驗開發設計準則」的想法和建議。

根據六位專家審查過後的結果如下表 9所示，平均數落在 6 到 8上下之間，皆大於

5 的平均標準，各構面之標準差均較小，表示專家們對構面的重要性分散程度較小；根

據分析設計準則的各構面之細項評比中，平均數落在 5到 8上下之間，皆大於 5的平均

標準，各項目之標準差均較小，表示專家們對項目的重要性分散程度較小，表示專家們

認為本研究提出的設計準則之項目皆具有重要性。而在系統功能中「系統具靈活性」平

均分數近於滿分，分數高達 8.67，表示專家們認為系統的靈活性是極為重要的。

此外，除了本研究列出的設計要素外之外，專家們也有提出「可逆性」、「無法認出

目錄選單」、「記憶問過的問題」、「語言統一」、「字體與背景顏色相近，不易閱讀」等意

見，因此本研究將專家們回饋意見整合後納入設計準則，進而改善本研究之「對話機器

人使用者介面與經驗開發設計準則」。

表 9 德爾菲法結果之統計分析

構面題項平均數標準差構面

平均數

構面

標準差

畫面

呈現

介面上的圖示大小 6.33 1.97

6.60 0.99

訊息字數簡潔 7.67 1.03

購物與訂貨資料的介面設計 8.17 0.98

在標題區域增加商城資訊 5.67 1.03

項目快捷鍵呈現在下方 6.17 2.48

每一項訊息應有按鈕選項 5.50 2.74

不同載具介面呈現需具一致性 6.67 2.42

操作明顯突出按鈕設計 7.33 0.82 8.00 0.53


18

方式操作容易摸索熟悉 8.33 0.82

操作是否具直覺化 8.33 0.82

操作是否具人性化 8.17 0.75

操作是否具便利性 8.50 0.84

操作是否具彈性 7.33 1.63

教學

說明

具有教學解說 6.50 1.98

6.88 0.37 具有指令說明 6.67 2.50

引導式操作 7.33 1.51

具有常見問題的回覆 7.00 1.27

系統

功能

回覆速度 8.17 1.17

7.24 0.94

關鍵字功能 7.33 1.37

系統具靈活性 8.67 0.52

引導式按鈕選項 7.17 1.84

了解使用者語意 8.33 0.82

具有返回功能 7.50 2.26

主動傳送訊息 6.50 1.76

促銷、推薦、活動訊息 5.67 1.86

可傳送商品回饋意見 6.00 1.55

出貨提醒功能 7.67 0.82

輸入錯誤時傳送錯誤提醒 7.50 1.52

商品

呈現

商品款式多樣化 6.33 1.21

7.19 0.80

呈現商品圖片 8.00 0.89

商品相關規格資料 7.17 0.75

呈現商品庫存資訊 6.00 2.37

外部連結商品官網 6.83 1.60

細項分類商品 7.00 2.10

整體

感受

系統是否具便利性 8.17 0.75

7.67 0.71

系統是否具實用性 7.67 1.21

系統操作流程須流暢 8.17 0.75

選購具人性化 8.17 0.75

刺激購買慾望 6.67 0.52

伍、結論

一、研究結論

經過上述分析中找出社群商務對話機器人之設計要素後，整合結果資料並歸納出本

研究之「對話機器人使用者介面與經驗開發設計準則」，內容包含六大設計主題與三十

五項因素為設計準則之基礎，再建立德爾菲法問卷進行設計準則的驗證評估，邀請六位

專家評估對話機器人之設計準則的重要性、想法與意見，最後整理分析專家們的回饋意

見後，依據此結果改善本研究之「對話機器人使用者介面與經驗開發設計準則」。故以下

為本研究之設計準則訂出六大設計主題以及三十五個項目，並根據重要性依序排序：操

作方式中應具備(1)操作具方便使用(2)操作具直覺化，且容易摸索與熟悉(3)明顯突出按

鈕設計(4)彈性切換打字操作與按鈕操作；整體感受中應具備(1)系統具便利性(2)流暢的


19

系統操作流程(3)實用的系統平台(4)刺激使用者的購買欲望；系統功能應具備(1)靈活切

換不同的回應訊息(2)了解使用者的語意(3)快速回覆使用者訊息(4)設置出貨提醒功能(5)

輸入錯誤時傳送錯誤提醒(6)返回上一部的操作動作(7)豐富的關鍵字資料庫(8)提供引導

式按鈕選項(9)主動傳送促銷、推薦、活動訊息(10)建置傳送商品回饋意見功能(11)記憶

詢問過的問題；商品呈現應具備(1)呈現多張商品圖片(2)具有商品相關規格資料（尺寸、

價格、顏色等）(3)細部分類商品品項(4)外部連結商品官網(5)多樣化的商品款式(6)呈現

商品庫存資訊；教學說明應具備(1)引導使用者操作(2)具有常見問題的回覆訊息(3)具有

教學解說與指令說明；畫面呈現中應具備(1)設計購物與訂貨資料的介面(2)訊息字數簡

潔且分段呈現(3)不同載具的介面呈現需具一致性(4)介面上的圖示大小清楚明瞭(5)項目

快捷鍵呈現在下方(6)介面上方的標題區域增加商城資訊(7)每一項訊息設計按鈕選項。

設計聊天機器人需要設計師思考發生轉變的新介面呈現方式（Merve, 2018），除了

本研究開發設計準則之外，往後系統開發者應持續的追蹤與分析，通過調查如何增強用

戶體驗，收集使用者滿意度數據，以便不斷進步，改善系統使其完整。對話機器人的應

用相當多元，而現今對話機器人在社群商務中，仍然以客戶服務應用居多，未來若能銜

接金流的服務體驗，增加能完成購物訂單的行銷應用，對話機器人將成為與應用程式相

當的重要工具（程倚華，2019）。

肆、參考文獻范筱苓，2015。以關係品質觀點探討社群商務衝動性購買行為之研究。逢甲大學企業管

理學系學位論文，頁 1-151。

陳嘉妮，2011。多點觸控行動裝置之互動介面設計研究-以 [記事本] 應用軟體為例。臺北科技大學互動媒體設計研究所學位論文，頁 1-140。

葉雪美，（2014）。淺談 Apple 的使用者經驗與人機介面的設計原則（下）。取自：http://www.naipo.com/Portals/1/web_tw/Knowledge_Center/Industry_Economy/publish-

232.htm。

詹峻陽，2016。人工智慧三大關鍵技術。取自 https://www.bnext.com.tw/article/41534/3-

key-techniques-of-ai。

詹益鑑，2013。善用網路科技，打造創業契機。取自 http://icjan.blogspot.tw/2013/01/blog-

post_7.html。

程倚華，2019。購物、訂房 Chatbot 搞定！挾輕量優勢，聊天機器人取代商家 App地位的最後一哩路。取自 https://is.gd/3XthQi。

eMarketer，2016。2016 年全球 67.4%的網民使用社交網絡。取自 https://kknews.cc/zh-

tw/news/ombpovm.html。

Lihsin，2016。如何透過聊天機器人（Chatbot）翻轉企業與客戶的溝通方式。取自

https://is.gd/x56zfB。

Norika， 2015。社群導購到底怎麼做。取自 https://blog.dcplus.com.tw/marketing-

knowledge/growther/41914。

PMTONE，2017。社群商務：「購物網站加上社群機制」還是「社群網站加上購物機制」?

取自 https://www.pmtone.com/social-commerce/。

Roxanne，2017。 6 個關鍵指標和 5 個成功案例，一次掌握聊天機器人熱潮！。取自

https://www.bnext.com.tw/article/44008/six-key-points-and-five-successful-cases-of-


20

chatbot-marketing。

Evonne Wu ， 2016 。設計筆記：淺談聊天介面與人機互動設計。取自

https://rocket.cafe/talks/75588。

Merve Postalcıoğlu. 2018. Chatbot UX – Design Tips and Considerations. Retrieved from

https://www.toptal.com/designers/ui/chatbot-ux-design。

Ellison, N. B. 2007. Social network sites: Definition, history, and scholarship. Journal of

Computer‐Mediated Communication, 13(1), 210-230.

Goodrich, M. A., & Schultz, A. C. 2007. Human-robot interaction: a survey. Foundations and

trends in human-computer interaction, 1(3), 203-275.

Lee, Y. S., Hong, S. W., Smith-Jackson, T. L., Nussbaum, M. A., & Tomioka, K. (2005).

Systematic evaluation methodology for cell phone user interfaces. Interacting with

Computers, 18(2), 304-325.

Rand, P. 2000. Paul Rand: a designer's art: Yale University Press.

Vukovic, P. 2015. User Interface Design Trends You Need to Know About. Accessed, 19(1).

McCarthy, J., & Wright, P. 2004. Technology as experience. interactions, 11(5), 42-43.

Moore, R.J., Arar, R. 2018. Conversational UX Design: An Introduction. pp. 1–16.

Nielsen, J. 1993. Iterative user-interface design. Computer, 26(11), 32-41.

Nielsen, J., & Norman, D. 2014. The definition of user experience. Nielsen Norman Group.

Thangaratinam, S., & Redman, C. W. 2005. The delphi technique. The obstetrician &

gynaecologist, 7(2), 120-125.

Hassenzahl, M. 2013. User experience and experience design. In: Soegaard, Mads and Dam,

Rikke Friis (Eds.). “The encyclopedia of human–computer interaction, 2nd Ed

A. Fadhil. 2018. Domain Specific Design Patterns: Designing For Conversational User

Interfaces.

Md. Lutfor Rahman, Sharmistha Bardhan, Ajaya Neupane, Evangelos Papalexakis & Chengyu

Song. 2018. Learning Tensor-based Representations from Brain- Computer Interface

Data for Cybersecurity.

Lucaites, K., Fletcher, B., & Pyle, A. 2017. Measuring the Impact of Affordance-Based

Clickability Cues. ACM Conference. Washington DC, USA.

Russell M.C. 2005. Hotspots and Hyperlinks: Using Eye-tracking to Supplement Usability

Testing.

De Bruin, J. A. 2014. Automated usability analysis and visualisation of eye tracking data.

Pretoria: University of Pretoria.

H. F. Ho. 2014. The effects of controlling visual attention to handbags for women in online

shops: Evidence from eye movements. Computers in Human Behavior. pp. 146-152, 1.

J. Hewig, R. H. Trippe, H. Hecht, T. Straube, and W. H. R. Miltner. 2008. Gender Differences

for Specific Body Regions When Looking at Men and Women. Journal of Nonverbal

Behavior. vol. 32, pp. 67-78,

M. Hardalov, I. Koychev, and P. Nakov. 2018. Towards Automated Customer Support. pp.

48–59. Retrieved from https://arxiv.org/pdf/1809.00303.pdf。

Lihsin. 2017. Chatbots Landscape At A Glance. Retrieved from

https://medium.com/@Lihsin/chatbots-landscape-at-a-glance-6613257c1d32。

INSIDER, B. 2017. Facebook Messenger launches AI-enabled suggestions. Retrieved from

http://www.businessinsider.com/facebook-messenger-launches-ai-enabled-suggestions-

2017-4。

以sem-cpu 法探討認知對話機器人在社群商務之 應用 using sem … ·...

Documents

以sem-cpu 法探討認知對話機器人在社群商務之應用 using sem … ·...