文/Chao Hung Wang
許多使用者經驗研究方法有賴於資料蒐集，無論是行為上與態度上的，但了解樣本需要多少受測者並不是個簡單的問題。對於研究而言，書籍或文章的建議總是過於制式，無法確定是否符合我們研究的設置，這是特別難掌握樣本大小的原因。下列5點建議可以協助你計算研究中的樣本規模：
（圖片來源：morebyless）
1. 樣本數量大小很重要
決定研究中的樣本規模是很重要的。或許我們有聽過有些人忽略它的重要性，或認為與結果關聯性有限，但事實上是非常相關的。當你不能測量所有的使用者時，就必須要處理抽樣誤差的情形。受測者的數量將會影響結果的概化（generalizable）效度，無論是質化或量化的生成性研究（generative research）或評估研究（evaluative research），都必須要注意樣本規模的選擇。
2. 沒有放諸四海皆準這回事
樣本規模沒有萬解，並非每次都是5、30、100或1000人。實驗的目的與型態才是關鍵，大多數的使用者經驗研究屬於下列這3種型態，它們計算樣本數量大小的方式也有所不同。
- 探索（Discovery）：發現問題、洞察、行為、挑戰和觀察事件。問題或行為的常見程度會決定你樣本的規模。可以參考這篇，了解為什麼5位受測者就足夠的理由。然而當所探討的問題比較罕見或期望驗證出更高的完成率（completion rate）時，5位受測者可能不足以預測出研究結果。
- 參數估計（Parameter Estimation）：若你要估計完成率、推薦意願（likelihood to recommend）、系統易用性分數（SUS）結果或樣本中的消費者情緒（sentiment），稱之為參數估計。這些通常是透過調查取得或獨立的使用性指標。此時樣本規模將取決於你期望的誤差範圍（margin of error）。
- 比較（Comparison）：進行不同設計間的比較、客戶種類的比較、或競爭者的比較時，需要你進行兩個以上的樣本群體比較或對不同的樣本進行假設。不同樣本間的規模差異通常是影響樣本數量選擇的因素。比較研究（comparative studies）通常需要以數量較大樣本來克服抽樣誤差的影響效果。
3. 代表性（representativeness）依樣本規模而有不同
受測者樣本的代表性會隨著樣本規模而有差異。採納一些不適合的人所提供的回饋是沒有意義的，我們希望參考值是具有推測母體的能力，這就是代表性。不過這個概念常讓人誤以為樣本數量要大一點（20、30或其他數量）才具代表性，其實在同質性的顧客群體中，樣本數為2就相當具代表性了。不過越高的抽樣量，確實可以提供你更精確的資料。
4. 效應值（magnitude of effect）很重要
進行比較研究時，差異的大小（size of the difference）關係重大。要獲得越小的差異，需要規模越大的樣本；差異大的結果，用小樣本就可以達成。當你希望比較差異，如：完成率、兩組調查的結果、使用新舊app花費的註冊時間等，首先必須思考差異是否存在，接著再決定是大樣本適合，還是小樣本。
相同的概念也適用於問題探索研究。若多數的使用者皆能找出問題，則用小樣本就足夠發掘問題的所在。相反地，若問題無法被樣本中的多數使用者發現，則須考慮加大樣本數。應用在脈絡調查（contextual inquiry）中的行為觀察時，也是同樣的道理。
5. 常見的UX研究的樣本大小
熟能生巧，了解概念並實踐可以讓思維更清楚。有8個例子（英文）幫助我們了解常見的UX研究中（如：使用性測試、脈絡調查、基準、比較研究等）樣本大小如何拿捏。
最後，數學運算只是關係到樣本規模的一部分，時間、預算的限制或有無能力找到足夠多且合乎資格的受測者，這些才是掌握樣本數量大小的最大難題。
本文授權來源：Getting Started Finding The Right Sample Size
原文作者：Jeff Sauro
