Leverage AI for Mock Tables and Charts When Testing Prototypes利用生成式 AI 最佳化原型測試中的表格和圖表

為原型設計建立逼真的資料非常耗時，尤其是在設計還未完全成型、時間緊迫或僅由一人負責使用者體驗（UX）工作的情況下。生成式 AI 可以透過合理編寫提示詞（Prompt）來幫助快速生成高質量的表格和圖表，從而提高測試資料的真實性。

為什麼要關注表格和圖表的真實性

在原型測試中，使用者可能會仔細審查表格和圖表資料的準確性。研究表明，當參與者面對不熟悉的資料時，他們往往會花更多時間尋找異常值和不一致之處。因此，即使表格和圖表只是用於測試的原型，它們的內容也需要儘量做到真實可信。

如何使用生成式 AI 建立更真實的表格和圖表

1. 謹慎使用真實資料

當使用生成式 AI 處理資料時，確保遵循公司和法規的安全政策。切勿在未經批准的情況下向 AI 工具提供敏感或可識別的真實資料。

2. 構建 Prompt 框架

在生成資料前，先整理資料生成的目標和要求，構建一個“Prompt 框架”（類似於線框圖）。這樣可以更好地與同事溝通，併為生成式 AI 編寫有效的提示詞。

3. 生成表格資料的 7 種策略

上下文相關性：確保生成的資料與目標使用者的背景一致。例如，如果你正在測試一個針對小型企業的應用程式，就不要使用大企業的資料模型。指定業務規模、行業、地域等資訊，使資料更貼近實際使用情景。

Claude 3.5 Sonnet被要求演示兩種場景,說明上下文如何影響生成的資料。場景1側重於適合美國大型運動鞋公司的資料。它使用了真實的鞋名和較大的銷售量。場景2側重於法國一家精品鞋店的資料。它的銷售量很小,歐元價格很高,鞋款是法式風格。

定義資料量：明確你希望生成的表格行數。儘管原型中可能只需幾十行資料，但 AI 生成的資料應考慮到整個資料集的規模。透過告知 AI 資料總量（如年收入總額或交易總量），生成的樣本資料會更符合實際情況。

Claude 3.5 Sonnet被提示演示兩種場景,說明定義數量對生成資料的影響。在兩種場景中,Claude被提示為10種鞋類產品生成每日收入,假設年總收入為1000萬美元。場景1的提示沒有提到公司銷售了多少鞋類產品。場景2的提示提到公司銷售了100種不同的鞋類產品。場景2的收入數字比場景1小得多,因為Claude考慮了來自其他90種產品的收入。

資料排序：若表格資料需要特定的排序方式（如按銷售額、時間等排序），可直接在提示詞中說明，而無需手動排序。

資料屬性和格式：提示 AI 使用唯一值、固定選項（如“狀態”列只能是“進行中”或“已完成”）、特定格式（如日期格式）及合理範圍（如評分從 1 到 5）。

基於圖表生成表格：如果已有設計好的圖表，可以上傳圖表讓 AI 基於圖表資料生成相應的表格。AI 可利用圖表的視覺資訊來反向推測資料。

Claude 3.5 Sonnet 獲得了條形圖影象,並被提示生成表現最差產品的交易資料。在條形圖和提示中均未指定表現最差的產品和確切的銷售價值,以測試 Claude 的多模式能力。Claude 正確識別了表現最差的產品,根據條形圖估算出了合理價值,並生成了表格。

資料分佈控制：根據原型測試需要，提示 AI 使用特定的資料分佈模式，如正態分佈、帕累託分佈（少數資料產生大多數影響）或自定義分佈。

Claude 3.5 Sonnet 被要求生成一個運動鞋產品模擬表,其中包含各種要求,總收入約為 487455 美元。由於 Claude 被要求顯示計算結果並驗證其工作,它滿足了大多數要求,但超出了預期的總收入。Claude 自我修正並最終提供了一個符合預期總收入的資料庫。也就是說,更可靠的方法是讓 Claude 使用 Python 精確計算總收入,但此版本的 Claude 缺乏此功能。

驗證與校對：指定 AI 使用程式設計工具（如 Python）來計算資料，並要求它展示詳細的計算過程和驗證結果，以確保生成資料的準確性。

生成圖表資料的 7 種策略

  1. 描述圖表內容：用自然語言描述趨勢，如"收入整體下降，12月小幅上升"。
  1. 簡化圖表：去除不必要的網格線、陰影或圖例。
  1. 突出異常值：用特殊顏色或標註顯示指定的異常資料點。
  1. 指定尺寸：提供圖表尺寸，避免反覆調整。
  1. 使用 SVG：生成 SVG 格式圖表，便於編輯。
    SVG格式的圖表便於在Figma等設計工具中匯入和編輯。
  1. 避免依賴 AI 進行批判性思考:AI 可能會生成不合邏輯或誤導的圖表內容，因此務必檢查生成結果，確保其符合資料視覺化的最佳實踐。
ChatGPT4o和Claude 3.5 Sonnet被要求擔任資料視覺化專家,並請他們對上傳的折線圖進行評論。 起初,他們都沒有意識到該圖表顯示了毫無意義且誤導性的產品趨勢。 然而,當被要求識別X軸的測量水平,並再次被要求對圖表進行評論時,Claude正確地推薦了條形圖,因為X軸使用的是定性資料。

提供表格資料以生成圖表:向 AI 提供一組表格資料，並要求生成不同型別的圖表。可以快速生成多個圖表選項以便選擇。

Figma擁有Table Builder等外掛,可讓您將AI生成的資料複製並貼上到原型中。

匯入生成的表格和圖表

圖表：直接複製貼上SVG檔案到設計工具。表格：使用Figma外掛（如Google Sheets Sync）匯入，但注意使用障礙和隱私問題。

專業工具（如Axure）可匯入CSV檔案，支援互動功能，但過多資料可能影響效能。建議僅匯入測試所需資料。

AI工具生成資料的差異

Claude 3.5 Sonnet：表格和圖表生成穩定，但數值計算存在誤差。
ChatGPT 4：可驗證數值精度，但有時不遵循提示要求。五、合成資料的應用

合成資料保留統計特徵，剔除敏感資訊，適用於醫療、金融等高度監管行業，既模擬真實場景又保護隱私。

生成式AI提高資料密集型應用原型測試的內容真實性，使建立逼真資料更加高效。