基于語言認知的智能電視VUI 適老化設計研究

郭會娟，汪海波，殷塽

（1.東南大學，南京 211189；2.安徽工業大學，安徽 馬鞍山 243002）

人工智能時代，技術革新不斷推動機器智能的進步，極大地拓展了人機交互的空間。近年來，在多模態交互中，語音交互技術的突破為人機之間自然交互的達成貢獻了巨大力量，逐漸成為市場主流和研究熱點。現代家庭場景中，智能電視因兼具智慧數據連接和優質觀賞體驗，逐漸成為家庭娛樂的核心，特別深受老年用戶的青睞。相對于圖形交互界面（GUI，Graphical User Interface）密集的選項、復雜的操作，語音交互界面（VUI，Voice User Interface）的信息線性、直覺識別性、操作無邊界性和反饋的自然性更能迎合智能產品使用經驗不足的老年用戶。

語音交互是以語言為媒介、基于某種目的、圍繞特定任務展開的人機對話，是人機之間意義和認知協調的過程，見圖1。智能產品對用戶語音輸入的處理起始于語音識別，其使用聲源定位、降噪、回音消除和端點檢查等技術清洗出目標信息，并用聲學和語言學模型將語音數據轉譯為文本；通過文本分析將用戶的指令轉化為機器的結構化數據，完成對用戶語言的認知；接著從數據庫中提取出響應數據，將數據文本合成語音輸出。用戶在感知相關的機器語言信息后，也會通過對感知材料的分析建構交互的內容和意義，完成對機器語言的認知；并依據認知的結果確定自身要表達的內容和概念，經詞匯擇取、結構組織等過程將交互意圖表達出來。

圖1 語音交互中的語言認知過程Fig.1 Language cognitive process in voice interaction

從語言認知的角度來看，目前語音交互過程中語言信號的處理方式和響應機制基本可按照信息加工的模式來認識。交互中，人機雙方需要在對話中注意和捕捉對方的語言信號及信息需求，進而推斷其期望和意圖。與普通語言交流不同，語音交互過程中并非時時遵守“聽者設計”的原則，產品無論是作為“說者”還是“聽者”，都需要以用戶為中心建立交流基礎，以促進用戶對語言的認知，增強人機的合作性和共享性，降低語音交互的歧義和錯誤。與圖形交互使用結構化數據驅動不同，語音交互的人機對話過程中使用的是自然語言，VUI 要給出正確的響應除受語音識別、語音合成等技術的影響之外，用戶語言交流的能力也是其重要制約因素。特別是老年用戶，因生理機能的老化必然產生相應語言認知能力的下降，從而在語音交互中產生操作和反饋障礙。因此，基于語言認知展開對智能電視VUI 適老化設計研究十分必要。

1 老年用戶的語言認知老化研究

伴隨生理機能的老化，老年人的工作記憶不斷衰退、認知資源逐漸減少，在語言認知方面的能力也呈現逐漸下降的態勢[1]。語言認知主要涉及2 個部分：語言理解和語言產生。在傳統的認知心理學研究中，多數認為語言理解和語言產生具有不同的神經基礎，二者是可以相互分離的。但近些年的研究表明，盡管神經機制不同，但兩類加工過程中都包括了概念、語義、音韻、字形等表征，語言理解和語言產生存在著相互影響，可以整合看待。[2]在老年人與智能電視的語音交互中，語言理解和語言產生也是不斷交互循環的。因此，對語言認知的老化研究，要在認知機制的基礎上同時關注語言理解和語言產生的全過程。

1.1 語言理解過程中的認知老化

語言理解是基于感官通道獲取的語言刺激，通過大腦的注意和信息加工機制，積極主動建構意義的過程。首先是對語言刺激的感知，人機語音交互中，用戶感官獲取語言刺激的來源有3 種：來自機器的言語感知、來自圖形界面的閱讀感知和情境感知。聽覺語境下，言語感知中的認知老化主要由2 個因素構成：一是語音知覺的恒常性老化[3]，老人對相似音的區分存在明顯困難，尤其當面臨多個對象，且其個體間存在發音差異時，老人的詞匯識別能力受損呈現更加明顯；二是口語環境下語音邊界區分能力的老化[4]，在一定范圍內，當詞匯間呈現間隔的時間越短，老人的詞匯識別效率越低。視覺語境下，相比年輕人，老人在閱讀過程中對單個詞匯的關注更多，且注視點呈多次反復趨勢[5]，特別是由于抑制干擾信息能力衰退，老人在拼寫規則復雜的閱讀區域中，需要付出更多的認知資源。與以上2 種不同，可能是基礎經驗的豐厚，老人通過符號、圖片、語氣、動作和其他知覺等情境因素預測詞匯的能力較年輕人強，他們對語義的依賴程度更高。其次是對語言材料的分析，從信息加工的角度來說，這個過程包括語言結構的建構、干擾信息的抑制和語境語用知識的整合。由于工作記憶老化，老人在語言分析中對關聯信息的激活水平和命題編碼效率明顯下降，導致復雜句式的加工時間相較于年輕人顯著增加[6]，他們更習慣采用“點”加工的模式去分析句子中的關鍵詞匯，以抑制干擾信息，消解歧義，眼動監測中的跳讀現象印證了此觀點，但明顯加工策略更加冒險，常存在對低頻詞和低預測詞的忽略，從而導致語言分析和意義建構的失敗。

1.2 語言產生過程中的認知老化

在語言交流中，語言產生是對語言理解的使用，其整個過程包含概念化、組織化和語言輸出3 個階段。首先是概念化階段，依據理解的結果確立對話的意圖和期望表達的概念，產生前詞匯信息。相對于年輕人，老人在這方面的認知老化主要表現在詞匯的提取方面，即著名的“舌尖效應”。由于腦生理機能的老化，老人的工作記憶容量衰減、信息加工能力受損，以致出現明顯感覺存儲存在相關的語義信息，卻無法即時映射到詞匯的現象[7]。其次是言語組織階段，即將詞匯信息轉換成具體的語言結構形式。由觀察可見，老人在口語交流中更傾向簡單的句式，而且在結構性方面的出錯率也明顯高于年輕人，這表明老人在復雜句式的加工方面已經表現出明顯的能力不足。最后是語言輸出階段，即以書面、口語或手語的形式將交流的意圖表達出來。這一過程相對復雜，程序性較強，更多依賴于記憶、注意和執行控制，其老化突出表現在整體的連貫性、聚焦性和完整性方面，局部老化的效應不明顯[8]。這意味著老年人對長文本的把握能力明顯下降，可能在較長的對話中容易出現偏離主題、前后表達不一致、語義混亂等現象。

從用戶語言認知角度的分析可見，語音交互過程中可能影響老年人交互效率和交互體驗的因素主要包括：單通道的語音感知、交互的語速、文本結構的復雜程度、對話的長度、語義的提示、容錯性的處理、人機交互的情境等。下面將以此為調研依據，以老年用戶使用智能電視過程中對VUI 的設計需求展開研究。

2 智能電視VUI 適老化設計需求分析

鑒于智能電視功能的綜合性和復雜性，此次需求分析僅針對人機交互中涉及語言認知的部分進行。結合用戶訪談和問卷調查，依據老年用戶與智能電視語音交互的環節，設置聽覺感知、視覺感知、語言分析與產生、工作記憶4 個層面、10 個體驗要素和16 個具體需求點（見表1），用KANO 模型以設置正反問題的方式來獲取用戶對每項需求的態度，以確認體驗要素的優先級和識別設計需求的重要性。

表1 老年用戶智能電視語音交互需求匯總表Tab.1 Summary of voice interaction requirements between elder users and smart TV

受訪的20 位用戶樣本取自某市老年大學，年齡在60～70 歲，男性、女性各10 位，教育背景良好，學歷均在高中及以上，大專及以上學歷13 位；其中使用智能電視語音交互功能不滿3 個月的見習用戶5位，使用語音交互功能3 個月至1 年的中級用戶10位，使用語音交互功能經歷 1 年以上的專家用戶5 位。為確保問卷結果的有效性，使用SPSS24.0對問卷數據進行了信度分析，結果內部一致性良好，數據具備可信度。

2.1 體驗要素的優先級確認

收集問卷中體驗要素的重要程度相關數據，以賦值加權平均的方式進行優先級計算。按不重要、不太重要、一般、比較重要、非常重要分別賦值1、2、3、4、5 分，具體計算結果見表2。

表2 老年用戶智能電視語音交互體驗要素優先級排序Tab.2 Prioritization of experience elements of voice interaction between elder users and smart TV

由計算結果可見：對話界面、語音提示示例、語音錯誤處理、多輪對話的需求優先級別較高，目前老年用戶在詞匯識別、詞匯提取、文本長度和語言輸出部分的交互障礙比較明顯；對視覺情境、輔助界面、結果反饋界面、輸入等待時間的需求級別中等，可見老年用戶在視覺與聽覺的融合感知、工作記憶容量方面也存在部分障礙；對聲音情緒和語速的需求級別較低，說明目前智能電視的VUI 界面在交互語速和聲音情緒方面交互障礙不明顯。

2.2 設計需求的重要性識別

統計并分析設計需求部分數據，對照KANO 模型將其按興奮型需求（A）、期望型需求（O）、必備型需求（M）、無差異需求（I）和反向需求（R）進行歸類分析，得出老年用戶智能電視語音交互需求屬性分類，見表3。

表3 智能電視VUI 交互設計需求KANO 屬性分類表Tab.3 KANO attribute classification of smart TV VUI design requirements

根據用戶滿意度指數（Customer Satisfaction Index，CSI）表示智能電視的某種功能對用戶滿意度影響可分為用戶滿意度增加指數（Satisfaction Increment Index，SII）和用戶不滿意度降低指數（DissatisfactionDecrement Index，DDI）其中，SII（S）的計算公式為：S=(A+O)/(A+O+M+I)，DII(D)的計算公式為：D= –(M+O)/(A+O+M+I)。

對老年用戶智能電視語音交互需求屬性分類結果進行計算，結果見表4。

為對設計需求的重要性進行排序，并將其對老年用戶體驗的影響程度可視化，根據表4 的計算結果，構建以滿意度增加指數絕對值|S|和不滿意度降低指數絕對值|D|為縱、橫坐標的四象限圖進行數據分析。其中象限臨界點為滿意度指數均值，縱軸臨界線為0.591，橫軸臨界線為0.615，見圖2。

圖2 智能電視VUI 設計需求四象限Fig.2 Design requirements quadrant chart of smart TV VUI

表4 智能電視VUI 設計需求滿意度指數計算匯總Tab.4 Design requirements CSI summary of smart TV VUI

其中第一象限為期望型需求，包含A1、A3、A4、A5、A9、A10、A12 等7 個需求點，說明聲音情緒的活潑可親、視覺情境的營造、指令對話的記錄、內容選項的少量顯示和語義提示示例的凸顯，對老年用戶比較重要，這些需求的滿足程度越高，老年用戶的交互滿意度就越好，是產品提升用戶體驗的主要競點。位于第二象限的是興奮型需求，包括A11、A13、A14、A15、A16 等5 個需求點，說明語義示例的歷史保存和推薦、對語音錯誤處理的分析和反饋、智能的輸入等待、多輪對話的標識等功能是老年用戶對智能電視VUI 界面的潛在需求，雖然不會因缺乏而表現出明顯的不滿，但一旦被關注，即使需求未得到完全滿足，用戶的滿意度也會大幅上升。第三象限內的是無差異型需求，包括A2 和A6，即目前智能電視語音交互的語速和輔助界面的字體字號比較適中，老年用戶對其語速的減慢和字號的加大無明顯需求，設計過程中可以延續。第四象限是必備型需求，包括A7 和A8，說明輔助界面的清晰程度、對話界面中重要的信息標記是老年用戶對智能電視的基本要求，這明顯與用戶生理視覺機能的老化和語言閱讀相關，在設計中需要特別重視，以防影響用戶的基本使用，導致用戶對產品的滿意度降低。

依據KANO 模型的重要性排序規則：必備型需求>期望型需求>興奮型需求，得出結論如下。

在智能電視的適老性需求中，重要的是色彩清晰、對話信息標記等需求，涉及交互信息識別和語言產生的促進，是智能電視必須要提供的，否則會大幅降低用戶的滿意度；聲音的情緒、形象的擬人、對話記錄、凸顯示例等涉及感知情境營造、語義認知提示方面的需求重要程度次之，是競品之間比較的重點；歷史記憶、致錯分析、提示庫、多輪對話標識等涉及老人工作記憶容量的需求再次之，對用戶滿意度和忠誠度的提升非常有效。

3 智能電視VUI 適老化設計策略提出

通過對老年用戶語言認知老化機制和智能電視適老化設計需求重要性的映射和比照，可以從影響信息感知和加工的交互情境、影響文本分析和語義加工的信息識別、補償工作記憶容量的輸出迭代等方面對智能電視的VUI 設計提出相應的設計策略，以增強語音交互中人機交流目標的一致性和交流過程的合作性，降低老年用戶的操作和反饋障礙，提升語音交互的質量和滿意度。

3.1 營造簡潔自然的語言交互情境

在智能電視的使用過程中，交互情境對信息的感知、意圖的預測、語義的加工以及交互過程中的情緒和交互的績效都有重要影響。首先，對于認知能力衰退的老年用戶而言，交互情境中的信噪比是影響其信息感知的重要指標，因此，要盡可能保持VUI 中信息呈現的簡潔性。如使用簡短、溫和、舒適的提示音，視覺輔助界面保持清晰、簡潔的風格等，都可避免因信息過載產生過多的注意占用，提高信息感知的有效性。其次，由于老年用戶口語交流中有更高語義依賴的傾向，智能電視VUI 要盡可能營造自然的交互方式和交互情境。語音自然交互的基礎之一，是擬人化的聲音合成，在音色、節奏、語調、語速等方面遵循人類的語言學特征，加入情感化設計的要素，如使用純真的音色、舒緩的節奏、尾音上揚的語調、積極鼓勵的語氣都更能迎合老年用戶的心理預期，減輕其認知過程中的負荷。同時自然交互還包括必要的場景模擬，如生動可愛的視覺形象與適度配合的表情、動作都可增強老年用戶對語義的預測，以抑制干擾信息，消解歧義。

3.2 采用靈活包容的信息識別策略

相對于年輕人，老年用戶在語言輸出環節的認知能力老化比較明顯，因而在智能電視的語音識別、文本分析和語義理解環節，要給予老年用戶更多的包容性。隨著年齡的增長，老年用戶信息處理需要的時間逐步加長，智能電視要根據語音輸入的環測，給予用戶靈活、適度的語音采集區間，以防因固定的時長設置結束導致用戶指令錄入不全。因地域口音、語音邊界不清、用戶指令的多元化等原因導致的表述問題也相對較多，因此智能電視交互系統要適度提升容錯性，對輸入語音采取適度的自動校正策略，擴大相似或相近語音區域的激活，并以上下互文、結構化列表等形式對用戶指令做出合理推測。記憶庫的建立也是提升信息識別包容性的策略之一，除相似問題的循環應對記憶外，語音交互系統可適度增加示例語料庫的容量，在老年用戶再次開啟相似對話時優先提示，以減少交互循環的冗余；還可考慮在智能電視常用的功能區域，建立用戶語言習慣與系統數據之間的智能映射，記憶用戶的口語發音和識別結果，不斷增加人機之間的交互匹配程度，提升系統語義理解的準確率。另外，在用戶需求相對模糊的情況下，靈活主動地開啟預測式對話，并及時提供可選擇的反饋方案，幫助老年用戶有效觸發可用對話，也可大幅提升用戶滿意度[9]。

3.3 構造精準有效的語音輸出迭代

語音交互的時間決定其輸出信息的數量。聽覺信息傳輸是線性的，對短時記憶的要求較高，為減少用戶認知負荷，現有智能電視使用的主流策略是利用視覺表現彌補聽覺感知的不足。視聽界面的融合可以加強用戶信息的感知強度和感知數量，豐富信息加工材料，提供更多線索以幫助其在信息加工中剔除干擾、消解歧義，支持用戶對交互內容的認知、意圖的推測和意義的構建。在視聽融合策略的支持下，針對老年用戶，需要對智能電視的反饋做進一步的輸出迭代，以保證其信息獲取和加工的有效性及準確率。首先是降低對話中句子的復雜程度，避免句式加工超出老年用戶的語言認知能力范圍。同時，在多輪對話中可建立層級明確的推進模式，以免對話中斷或無效重復，增強交互進行的可持續性和交流完成的完整性。其次，要做適當的目標信息標記和語義提示，保持交互目標的一致性和聚焦性。在系統的語音合成中，通過語氣、語調加強對目標信息的標記，以集中老年用戶的注意力，聚焦對象指令；在視覺界面中，可適當加強對重點詞匯的標記，并保留歷史對話中的關鍵信息，擴充語音交互的空間閾，方便老年用戶語言認知中的反復、回跳，幫助其在上下文的提示下保持交互目標的一致性。在語義提示中設置示例也是變相的輸出迭代，其一方面可以提供交互樣本、有效聚焦問題，提升人機交互目標的一致性；另一方面又可幫助老年用戶及時提取有效詞匯，緩解“舌尖效應”，提升和優化用戶體驗。

4 結語

智慧養老的背景下，語音交互因其簡單自然的操作方式迅速成為解決智能產品適老化的關注重點，但其在傳輸特征、信息容量、結構化驅動方面仍有不可忽視的劣勢。從老年用戶語言認知能力衰退的角度出發，在分析其使用需求的基礎上，適度考慮VUI 設計中的補償性策略，可有效減少老年用戶與智能電視人機交互的障礙，提升語音交互的績效，優化老年用戶的智能產品使用體驗，從而增進他們對智慧生活的向往，為他們享受信息時代帶來的生活便利提供必要支持。