跳转至

Deep Research: [84] 用 AI 造测试数据（NN/G）：用假表格和图表把原型走查变真实

  • Source: https://www.nngroup.com/articles/ai-data-prototype-testing/
  • Note: ../notes/ref-084-ai-data-prototype-testing.md
  • Snapshot: ../sources/md/www-nngroup-com-articles-ai-data-prototype-testing-fe66ebc83490.md
  • Category: UX / UI & Design Systems (ux_ui)
  • Chapters: 04-prototype, 05-validation, 06-ui, 08-frontend

TL;DR

利用生成式 AI 创建高保真的表格数据和图表，能够解决原型走查中因数据失真导致的测试偏差问题，确保用户关注点集中在交互逻辑而非数据漏洞上。

核心观点

  1. 用户在面对陌生数据时会本能地寻找异常值和不一致性，低保真数据会干扰可用性测试的焦点。
  2. Promptframes 概念：结合提示词与线框图的混合产物，是 AI 辅助设计中的关键沟通工具。
  3. 数据的真实感来源于上下文细节，包括业务规模、行业特征及特定的数值分布规律。
  4. AI 生成数据需明确区分 展示量 与 计算量，例如在界面仅展示 50 行但基于 2000 行数据计算总额。
  5. 不同 AI 模型各有所长，Claude 3.5 Sonnet 在结构化数据和 SVG 生成上表现更佳，而 ChatGPT 4o 在数值计算和文件处理上更可靠。
  6. 图表生成应服务于叙事，通过显式要求 AI 突出异常值或特定趋势来验证用户能否发现关键信息。
  7. SVG 是 AI 生成图表的最佳格式，因其保留了在设计工具中二次编辑的能力。
  8. 对于医疗金融等强监管行业，合成数据是替代脱敏真实数据的最佳方案。

可落地做法

  1. 编写数据需求清单 在生成前明确字段定义、数值范围、格式要求（如日期格式、货币精度）以及业务约束（如某列必须唯一）。

  2. 构建 Promptframe 将线框图截图或描述发给 AI，并附带测试剧本背景。例如：生成一份运动鞋销售报表，模拟一家法国精品店的数据，包含极低的销量和高单价。

  3. 执行生成策略 对于表格：要求 AI 使用 Python 进行计算以保证合计值的准确性，并指定数据分布形态（如帕累托分布）。 对于图表：描述图表背后的故事（如：去年收入下降但年底因大促回升），并明确要求去除图例、网格线等视觉噪音。

  4. 验证与导入 要求 AI 自查数据逻辑（如：请验证收入列的总和是否等于 487455 美元）。 图表保存为 SVG 导入 Figma；表格保存为 CSV 或通过插件导入。

检查清单

  • [ ] 数据上下文是否匹配目标用户画像
  • [ ] 是否定义了展示数据量与底层计算数据量
  • [ ] 是否指定了默认排序规则
  • [ ] 关键字段的唯一性约束是否明确
  • [ ] 数值格式和精度是否符合业务习惯
  • [ ] 数据分布是否符合真实场景（如正态分布或长尾分布）
  • [ ] 是否包含用于触发特定交互的异常值或边缘情况
  • [ ] 数值计算逻辑是否经过代码解释器验证
  • [ ] 图表输出格式是否为可编辑的 SVG
  • [ ] 是否完全排除了真实敏感数据

常见坑与对策

  1. 坑：AI 一本正经地胡说八道，数值逻辑无法自洽。 对策：在 Prompt 中强制要求调用 Python 代码工具进行计算，并要求输出校验过程。

  2. 坑：生成的图表视觉元素不可编辑，文字变为路径。 对策：明确指定 SVG 格式，并要求文本标签保持为文本元素而非轮廓。

  3. 坑：试图在原型工具中导入成千上万条数据导致卡顿。 对策：仅导入满足测试任务所需的最小数据集（如 50 行），而非模拟完整数据库。

  4. 坑：模型过度拟合通用模板，导致数据缺乏行业特征。 对策：提供具体的参考样本或详细的业务背景描述，甚至指定具体的产品名称列表。

可用于丰富《AI 辅助软件产品》的写作点

  1. 第 4 章 原型与信息架构：引入 Promptframe 概念，作为连接 PRD 与高保真原型的中间产物标准。
  2. 第 5 章 验证与打磨：在可用性测试小节，强调 数据保真度 对测试结果有效性的影响，引用 NN/G 关于用户对陌生数据敏感度的研究。
  3. 第 6 章 UI 设计：增加关于 AI 生成可编辑 UI 资产（SVG 图表）的操作指南，对比不同模型（Claude vs ChatGPT）在设计资产生成上的优劣。
  4. 第 8 章 数据工程：在隐私与合规部分，探讨合成数据（Synthetic Data）在产品早期验证阶段的应用价值，作为解决冷启动数据缺乏问题的方案。
  5. 第 18 章 评测与迭代：在构建评测集时，利用同样的思路生成覆盖边缘情况的测试用例数据。