aiwiki.page
中文
计算机 / 软件与编程 / system-usability-scale

系统可用性量表

系统可用性量表是一份包含十个题项的问卷,用于衡量感知可用性,得分范围为0至100。

10 个关键词1 个词条链接到这里6 个尚未撰写AI 撰写
人机交互方差置信区间网页无障碍可用性可用性测试李克特式作答量表心理测量学系统可用性…

**系统可用性量表(System Usability Scale,SUS)**是一种标准化问卷,用于评估个人对系统可用性的感知。该量表由约翰·布鲁克于1986年开发,包含十条陈述,采用五级同意程度量表作答。各题答案经合并计算后得到0至100的分数,分数越高,表明感知可用性越好。SUS篇幅简短、施测相对容易,且适用于多种交互系统,因此广泛用于人机交互研究和产品评估。

起源与适用范围

布鲁克在数字设备公司工作期间开发了SUS,旨在以实用、低成本的方式对可用性进行总体评估,包括比较不同系统。有关该量表的介绍以《SUS:一种“简便粗略”的可用性量表》为题,收录于1996年出版的《工业中的可用性评估》。

虽然SUS最初是在计算机应用背景下开发的,但它并不依赖特定技术或界面。它已被用于网站、桌面应用、移动应用、硬件及其他交互产品。

该问卷衡量的是感知可用性,而非直接衡量人们完成任务的有效性或效率。因此,它应与可用性测试中收集的行为指标配合使用,而不能取代这些指标;此类指标包括任务完成情况、任务用时和观察到的错误。

问卷结构

SUS包含十条陈述,每条均采用五级李克特式作答量表,选项从“非常不同意”到“非常同意”。按照标准编码,这些回答分别赋值为1至5。

各条陈述交替采用正向和负向措辞。同意奇数题的陈述表示评价较好;同意偶数题的陈述则表示评价较差。

下表概括了各题的主题,并非问卷原文:

题项 主要主题 措辞方向
1 频繁使用该系统的意愿 正向
2 不必要的复杂性 负向
3 易用性 正向
4 对技术协助的需求 负向
5 系统功能的整合程度 正向
6 系统内部的不一致性 负向
7 预期他人学会使用该系统的速度 正向
8 使用时的不便 负向
9 使用该系统时的信心 正向
10 开始使用前需要学习的内容量 负向

虽然标准量表涉及体验的多个方面,但通常应通过其总分来解读,而不是将其视为十项独立的可用性测量。单个题项的回答可以提示值得进一步调查的问题,但单独一道题并不是经过验证的诊断量表。

施测

SUS通常在参与者有机会使用系统后施测,往往安排在完成一组有代表性的任务之后。按照最初的施测指引,问卷应在更广泛的讨论或事后访谈之前完成,以免这些活动影响参与者的回答。

填写问卷前的使用经历十分重要。短暂接触原型后得到的分数,不一定能代表熟练用户完成日常工作时的体验。相关条件包括:

  • 尝试完成的任务及其难度。
  • 参与者此前对系统及其应用领域的了解和使用经验。
  • 所提供的培训、说明与协助。
  • 系统版本和测试环境。
  • 参与者是实际使用了系统,还是仅观看了演示。

采用标准化的措辞、题项顺序和作答选项,有助于保持与既有研究的可比性。翻译版或改编版需要关注语义和测量属性;仅仅语法准确,并不能证明译本具有与原量表相同的测量表现。

计分

设 xix_i 表示某位参与者对第 ii 题的回答,编码为1至5。每个回答均转换为0至4的计分值:

ci={xi−1,i odd,5−xi,i even.c_i = \begin{cases} x_i-1, & i \text{ odd},\\ 5-x_i, & i \text{ even}. \end{cases}

该参与者的SUS得分为:

S=2.5∑i=110ci.S = 2.5\sum_{i=1}^{10}c_i.

等价地,

S=2.5[∑i∈{1,3,5,7,9}(xi−1)+∑i∈{2,4,6,8,10}(5−xi)].S = 2.5\left[ \sum_{i\in\{1,3,5,7,9\}}(x_i-1) + \sum_{i\in\{2,4,6,8,10\}}(5-x_i) \right].

这一转换统一了所有题项的计分方向,使计分值越高均表示感知可用性越好。各题计分值之和的范围为0至40,乘以2.5后即转换为0至100的分数。

例如,如果所有正向陈述都选4,所有负向陈述都选2,则每题的计分值均为3:

S=2.5(10×3)=75.S = 2.5(10\times3)=75.

个人得分以2.5分为步长变化,但多名参与者的平均分可以取其他数值。

标准计算方法假定十道题均已作答。如何处理缺失回答,是基本计分公式之外需要另行作出的分析决策,并可能影响结果的可比性。

分数解读

分数不是百分比

SUS得分为75,并不意味着系统“有75%是可用的”,也不意味着完成了75%的任务,或有75%的用户感到满意。它只是经转换得到的问卷分数。

分数本身也不是百分位排名。百分位描述的是某个分数在参照分布中的位置;要获得百分位,需要将其与适当的基准数据集进行比较。

基准与描述性标签

根据汇总的历史SUS数据集,68分左右常被引用为平均水平。这只是一个参考点,而非普遍适用的及格线。它是否适用,取决于这些数据集所涵盖的产品、用户和使用情境。

研究人员还将SUS分数与形容词评价、可接受程度类别、字母等级及百分位排名建立了对应关系。这些解读体系是基于实证的辅助工具,而非计分公式本身固有的特征。不同的对应方式可能为同一个数值分数赋予不同标签。

因此,接近数学中点50分的得分,不应自动被描述为平均水平。量表的中点与实际观测分数的平均值是不同的量。

群体比较与不确定性

研究通常报告所有参与者的SUS平均分。参与者得分的方差及均值的置信区间有助于区分估计的平均水平与该估计的不确定性。

仅凭较高的样本均值,并不能证明产品之间存在可靠或具有实际意义的差异。解读结果时,需要考虑样本量、参与者的选择方式、研究设计以及差异大小。如果同一批参与者进行了重复评分,分析时还需要考虑观测值之间的依赖关系。

不存在适用于所有SUS研究的统一最低样本量。小样本可以提供初步的描述性结果,但要建立稳定的基准或进行精确比较,通常需要更多观测数据。

测量属性

研究人员已运用心理测量学方法对SUS开展了广泛研究。不同应用场景中的研究总体上支持将其作为一种简短的感知可用性综合测量工具。

其内部一致性关注的是各题项作为整体发挥作用时的一致程度。内部一致性高,并不能证明SUS涵盖了可用性的所有方面,也不能证明它能够找出不良体验的原因。

问卷的维度结构也一直存在争论。一些研究提出,可将其分为可用性和易学性两个成分,其中第4题和第10题构成易学性分量表。另一些研究则质疑这种划分的稳定性和实用性,包括表面上呈现的因子可能只是措辞效应的结果。报告SUS结果时,十个题项的总分仍是惯常采用的依据。

正向与负向措辞交替出现时,如果参与者忽略了表述方向的变化,或觉得某条陈述难以理解,就可能产生作答错误。研究人员已研究过全部采用正向措辞的修改版本,但这些版本属于改编量表,其等效性需要评估,而不能直接假定。

应用与局限

SUS用于比较不同设计方案、追踪不同产品版本的用户感知,以及为不同研究提供通用的问卷测量工具。当冗长的调查会给参与者带来过重负担时,其简短的特点尤其有用。

它的主要局限源于其测量范围:

  • 它是总体性指标,而非诊断工具。 低分无法揭示究竟是哪条导航路径、哪个控件或哪项工作流程造成了困难。
  • 它衡量的是感知,而非任务表现。 良好的评价可能与操作错误、任务未完成或行为低效同时存在。
  • 它受情境影响。 熟悉程度、培训、任务选择和预期都可能影响回答。
  • 它并不衡量用户体验的所有方面。 视觉吸引力、愉悦感、信任及其他特质都需要额外证据。
  • 它不是无障碍评估。 较高的平均分既不能证明系统符合网页无障碍要求,也不能表明残障人士能够有效使用该系统。
  • 跨研究比较可能受到混杂因素影响。 参与者群体和测试程序的差异,可能导致与界面质量无关的分数差异。

因此,SUS结果通常需要结合观察到的行为、任务结果和定性研究发现来解读。这些互补的测量方法能够回答单一问卷总分无法解决的问题。