E-Tongue Sensory Decision Support Platform
一个决策支持平台，将 E-Tongue 机器味觉数据与半训练感官评审反馈结合，帮助食品开发团队比较原型，并判断下一步应该 Go、Tweak 还是 Stop。
项目背景
在 Human Factor Product Design 课程中，我们团队关注食品开发中的一个具体判断问题：当证据同时来自 E-Tongue 机器读数和半训练感官评审员时，团队该如何比较不同产品样本。
难点不是再加一个 dashboard。食品团队已经有数据，真正需要的是看清样本之间发生了什么变化、机器读数和人类感知在哪里不一致，以及这些证据是否足够支持原型继续推进。
理解感测系统
项目从物理感测流程开始，而不是从一张空白界面开始。E-Tongue 评估涉及样本准备、重复测量，以及对食品科学团队有意义但不一定容易被产品相关方读懂的输出。
这个设备语境决定了平台的重点：把技术测量变成开发团队可以讨论、可以追溯、也可以用于决策的依据。
UX 问题
机器味觉数据可以精确且可重复，但它不会自己解释自己。评审反馈更接近人的真实感知，却也更慢、更主观，并且在参与者之间更容易出现差异。
我们把核心 UX 问题定义为决策支持：平台如何帮助食品开发者理解发生了什么变化、为什么重要，以及下一步应该 Go、Tweak 还是 Stop？
平台概念：ISSF Dashboard
ISSF Dashboard 给混合方法一个可工作的界面。状态栏展示证据模型 Semi-trained panel + E-Tongue + GC-O，并列出准确率（94%）、相关性（r=0.91）和样本量（n=127），让食品开发者在比较原型前先判断证据可信度。
每个样本卡片先呈现 hedonic score。CATA attributes、intensity ratings 和 emotional profiles 面板随后让团队检查分数背后的具体证据，而不是把数字当成黑箱结论。
流程时间线
项目依次经过领域发现、任务分析、概念选择、基于角色的工作流、早期原型和形成性可用性测试。
- 01
客户与领域发现
梳理感官评估流程、E-Tongue 数据输出，以及食品开发者在比较产品原型时需要做出的判断。
- 02
任务分析
映射不同用户如何配置样本、收集评审反馈、解释机器测试结果，并跨产品比较证据。
- 03
概念方向
比较 dashboard、comparison tool 和 decision-support 方向后，选择最能把证据连接到产品判断的工作流。
- 04
基于角色的原型
将体验拆分为评审员问卷和食品开发者分析视图，让每个角色看到合适的信息粒度。
- 05
形成性测试
通过 think-aloud 可用性测试观察问卷清晰度、术语理解、导航行为和评分量表中的困惑。
早期原型演示
这段早期原型演示呈现了团队第一版完整产品方向：基于角色的入口、样本工作流、感官问卷交互，以及用于解释结果的决策支持层雏形。
我们把它作为流程证据，而不是最终打磨完成的产品。这个原型的价值在于，它让工作流具体到可以被批评、测试和继续修改。
为混合感官证据设计
平台把评审员任务（CATA 选择、强度评分、喜好评分和情绪反应）与开发者任务（配置样本、查看机器测试、分析一致性和做产品判断）连接在一起。
我们没有让用户手动调和每张图表和每条反馈，而是把体验重心放在解释层：信心、理由、一致性模式、异味检测，以及 Go / Tweak / Stop 建议。
混合证据的实际呈现
这两个视图从不同距离展示同一套证据。Taste Profile 雷达图展示来自 Insent TS-5000Z 的 9 轴 E-Tongue 输出，覆盖从酸味到浓郁度的变化，并保留测量条件（2:5 稀释、40°C、7000rpm）。ISSF Score 视图则把机器数据和评审反馈合并成 Go、Tweak 或 Stop 建议，并附带信心、风险等级和预计节省成本。
这样设计的目的，是让开发者能在原始感官信号和产品层判断之间切换，同时保留回溯证据的路径。
最终原型：ISSF Platform
最终原型把 ISS-F 平台组织成四个核心视图。Machine Testing 支持团队比较最多 12 个产品样本和 2 个乳制品对照，覆盖 E-Tongue、GC-O aroma 和化学成分数据。Analyze Results 将 CATA attributes、intensity ratings、hedonic scores 和 semi-trained panelists 的 emotional profiles 与机器读数放在一起。
Final Decision 根据混合证据给出 Go / Tweak / Stop 建议，并用 ISSF confidence scores、sensory profiles、trained-panel validation deltas 和预计节省成本支撑判断。Configure Products 支持管理员创建评估会话、管理评审员名单，并追踪产品从 Active 到 Complete 的状态。
从传感器读数到决策线索
感测硬件让背后的工作变得可见：多个探针、校准预期、重复测量和样本级比较，都指向一个很实际的问题，食品原型是否已经准备好继续推进。
这直接影响了界面优先级。平台需要保留技术可信度，同时给用户一条从传感器证据走向产品解释的可读路径。
测试快照
我们的可用性测试是形成性的。目标是在系统进一步打磨前，找出术语、量表设计和工作流预期可能失效的地方。
- 术语支持
- 参与者认为流程内定义很有帮助，尤其是在感官术语陌生或技术性较强时。
- 量表清晰度
- 不一致的评分格式和不清晰的情绪反应标签造成困惑，并成为迭代重点。
- 工作流预期
- 测试暴露出用户期待更清晰起始状态、更强进度提示和更一致交互模式的地方。
反思
这个项目让我更明确地看到：复杂数据产品不会因为图表准确就自然变得可用。当人们需要在不确定性下做决策时，界面必须组织证据、呈现权衡，并解释为什么某个建议值得被采纳。
对我们团队来说，关键转变是从数据可视化走向决策支持 UX。重点不再是展示每个信号，而是在机器测量、人类感知和下一步产品行动之间设计一个解释层。