认知偏误是一件很常见的事情，尤其在用户调研中，它的出现更容易误导研究者踏入认知陷阱，将产品与功能越改越错。这时候，准确洞察研究者认知偏误陷阱就显得非常重要了。

认知偏误（Cognitive bias）是一种常见的现象，它是指当我们思考问题或做决策时，大脑会有一些固定的思维倾向。

这个过程多是无意识的，有时也会带来正面作用，如帮助我们在纷繁复杂的环境中节省思考时间，更高效地做出决定。但是在研究中，认知偏误易导致研究结果不准确，降低研究的价值。

我们都希望研究是客观、理性、反映真实情况的，了解常见的认知偏误可以帮助我们在工作中尽量规避它们，得出更准确的结论。

实际上每个人都会有认知偏误，包括研究者和用户。

今天我们就来说说研究者的常见认知偏误，下次有机会再谈谈用户的，敬请期待。

一、确认偏误（Confirmation bias）

当人们本来就持有某种观点时，对这种观点的感知和注意度会被放大，会选择性地回忆或收集关于它的事例。人们对于自己原本就相信的观点会更容易接受，而把反面观点搁置在一旁。

举个例子：有些人认为女司机不擅长开车，更容易造成事故，所以当新闻中的事故与女司机有关时，他们会觉得“果然如此”。而实际上男司机的事故率比女司机更高。

在用户研究中，当你的预设想法是用户对A设计的满意度比B设计更高时，在研究中你可能会更关注用户提到的A设计的优点、收集更多用户对于A设计的正面评价。当用户表示对A设计满意时，会觉得“果然是这样”。这种偏误会让你遗漏许多其它信息。

二、虚假一致性偏差（False consensus effect）

虚假一致性偏差是指人们很容易认为其他人跟自己有相同的想法，从而高估这些观点的普遍适用性。

举个例子：有一种冷叫做“你妈觉得你冷”。妈妈感觉到了冬天的寒冷，担心我们也会冷，于是催促我们穿秋裤，但可能年轻人并没觉得冷。此时妈妈的想法就带有虚假一致性偏差。

当年轻人吐槽父母朋友圈转的鸡汤文、养生文无用时，也是一种虚假一致性偏差。

在用户研究中，我们也很容易陷入虚假一致性偏差。

比如，当你认为产品的某个方面比较好或者你对产品的某个方面不满意，可能会倾向于认为这也是许多其他用户的感受，但也许事实并非如此。

在对海外产品做研究时尤其要注意这一点，研究者与用户的巨大文化背景差异可能会导致研究结果的严重失真。

三、聚类错觉（Clustering Illusion）

聚类错觉产生的原因是人们倾向于从随机事件中找出某种规律。

举个例子：如果张三连着几次在群里抢红包都抢到最大份，他可能会觉得自己最近“手气特别旺”。这就是一种聚类错觉，人们试图将几次随机的结果联系起来，用某种规律进行解释。

在研究中，聚类错觉容易出现在小样本研究中。

比如，我们在小样本中发现了被访者的某些共性，总结出某些规律，并期望它们在更大的群体中也适用，但这种共性可能只是源于随机，而非事实。

我们应该谨慎对待在小样本研究中的发现，思考它们是否只是随机结果，最好用其它研究方法帮助验证或参考二手资料，避免出现聚类错觉。

四、知识的诅咒（Curse of knowledge）

培根说过，“知识就是力量”。它怎么会带来诅咒呢？知道的更多难道不好吗？

知识的诅咒是指——人一旦知道了某件事，就没办法想象不知道的样子，也很难体会到不知者的感受。

举个例子：在某次考试之后的课堂上，

老师：“同学们，这是一道送分题啊，大家都做对了吧？只要先连一条辅助线，再……”学生：“这是啥？这又是啥？这些都是啥？”

在用户研究中，知识的诅咒也会给我们带来许多困扰。

比如，我们对自己的产品很熟悉，就很难想象新手用户是如何使用它的，使用感受如何。我们可能会惊讶地发现，即使在我们看起来操作十分简单的功能，新手用户使用起来也很吃力。

再比如在设计问卷或者访谈脚本时，我们可能会不小心加入一些专业术语而不自知，让用户看得一头雾水。

研究者的有些认知偏误还会直接影响到用户的行为和反应。

五、选择性偏差（Selection bias）

选择性偏差是指过程或样本的非随机性导致结论的不准确。

举个例子：假设张三想统计人们的工资水平，他拿着一份个税纳税名单开始了调查，结果发现，所有人的工资都在5000以上。

这个结果当然是不准确的，因为5000是我国的个税起征点，工资超过5000的人才会出现在纳税名单上，张三的研究样本是有选择性偏差的，不能代表总体。

在用户研究中，选择性偏差不仅会出现在样本选择中，还可能会出现在研究设计中。

比如在可用性测试中，我们设计了一系列的任务，研究结果自然就无法包含未选中的任务。而且这些任务也会让用户产生一种心理，既然它是设定好的任务，就一定是可以被完成的，他们也会耐心地、多次尝试去完成任务，以期达成某种结果。

当然我们也不会设置无法完成的任务。但在实际的使用情境中，用户并不知道哪些操作是有结果的，哪些没有，他们的行为和态度可能与可用性测试中不同。

六、框架效应（Framing effect）

框架效应是指——对于同一个问题，当描述有所不同时，人们给出的选择也会有差异。

举个例子：假如说“XX疾病的存活率达93%”，人们可能会觉得这种疾病没有很严重；但如果说“XX疾病的致死率达7%”，那么人们可能会觉得很严重。

在用户研究中，我们也要避免框架效应带来的影响，不要设置引导性的问题，题目中不要用明显的正面或负面词汇，尽量用中立的语言描述。避免题目的描述干扰到用户的选择，而导致研究结果不准确。

七、观察者期望效应（Observer-Expectancy Effect）

观察者期望效应是指——研究者有时可能会期望出现某种结果，他们无意识地操纵了试验过程，或者错误地解释实验结果，导致研究结果严重歪曲。

一般来说，被观察者几乎无法不受观察行为的影响，当研究是针对人时，被试者会更容易感觉到研究者无意中透露的期望，从而做出相符的反应。

在用户研究中，研究者的表情、肢体语言等都可能会反映出自己所期待的结果，如果用户察觉到了这些，就可能做一些迎合研究者期望的反应。

比如，如果研究者无意中透露出某个新功能是他们团队非常重视、投入巨大、报有很大期待的功能，用户可能会更倾向于对这个功能给出正向的评价，肯定该功能的市场前景。但这也许并非他真实的感觉。

如何避免认知偏误

如何避免这些认知偏误呢？这里有一些建议：

1. 研究方案：避免单一的研究方法和单一的样本渠道来源

多种研究方法的结果相互验证，多种样本渠道来源互做补充，帮助我们避免“聚类错觉”和“选择性偏差”，让我们的研究结果更准确。

2. 研究准备期：问卷试填、试访谈、预测试

找其他人进行试研究，帮我们在正式研究开始前发现问卷中是否含有引导性问题、专业术语、歧义用语等不便于用户理解的地方；访谈或测试中是否出现不适当的下意识行为等。避免因“知识的诅咒”、“框架效应”和“观察者期望效应”导致的研究结果不准确。

3. 研究进行时：多人合作研究、二手资料做参考、听取他人意见

多人共同参与研究和分析，有助于避免认知偏误。访谈时，每个研究员追问的点可能有所不同；走查评估时大家对问题的关注点也可能不一样。单个人的研究难免容易陷入“确认偏误”、“虚假一致性偏差”。综合大家的观点，会让研究结果更客观。

如果只能由单人完成研究，可以收集二手资料，阅读前人研究做参考。同时听取来自他人的意见，帮助拓展思路，包括用研同事和产品经理、设计师等非用研同事。

4. 研究结束后：复盘研究

研究结束后，反问自己：

研究的过程是否客观？研究的结论是否可信？所有的结论都是有数据支撑、符合逻辑的吗？有哪些结论是带有偏误的吗？是否漏掉了一些很重要的结论？是否与其他人的研究结果相似或相悖？相悖原因是什么？下次研究将如何做改善?

彩蛋：最后还有一个认知偏误介绍给大家。

八、偏见盲点（bias blind spot）

偏见盲点是指——我们都倾向于认为自己比别人更少受到认知偏误的影响。人们都有偏见盲点，更容易发现别人出现的认知偏误而忽略自己存在的认知偏误。

举个例子：如果你看到这篇文章后觉得“这些都是别人容易遇到的，我可比他们客观多了”，那么你可能就陷入了偏见盲点。

（所以，这里要大张旗鼓地求翻牌了：为了证明自己没有陷入偏见盲点，亲爱的读者们，快来点赞吧、转发吧、收藏吧！便于以后实时提醒自己哦~）

参考文献

1. Cognitive bias cheat sheet（https://betterhumans.coach.me/cognitive-bias-cheat-sheet-55a472476b18）

2. 20 cognitive biases that screw up your decisions（https://www.businessinsider.com.au/cognitive-biases-that-affect-decisions-2015-8）

3. 6 common cognitive biases UXers should know（https://medium.muz.li/6-common-cognitive-biases-uxers-should-know-750b8c7af1a8）

4. Cognitive biases in user research（https://blog.optimalworkshop.com/cognitive-biases-user-research）

5. Combating Bias in User Testing（https://blog.fullstory.com/combating-bias-in-user-testing/）

6. Don’t Let Your Brain Deceive You: Avoiding Bias In Your UX Feedback（https://www.smashingmagazine.com/2017/10/avoid-bias-ux-feedback/）

7. Overcoming bias in research and product design（https://medium.theuxblog.com/overcoming-bias-in-research-and-product-design-f35a0d92496d）

8. Overcoming Cognitive Bias in User Research（https://npr.design/overcoming-cognitive-bias-in-user-research-e4082f4506a）

9. User Research Bias: How It Hurts Your App And What You Can Do About It（https://usabilitygeek.com/user-research-bias/）

作者： Sijia，：京东设计中心JDC（ID：JDCdesign）

来源：http://jdc.jd.com/archives/212946

题图来自Unsplash，基于CC0协议