Bright
Researchprojekt om studenters studievanor, drivkrafter och förhållande till AI.
LIA · UX-research · 2025
Kort om projektet
Bright Education (numera Memmo) är en digital utbildningsplattform för studenter på högskola och universitet. Under min LIA genomförde jag ett researchprojekt för att förstå studenters studievanor, drivkrafter och förhållande till AI. Genom intervjuer och kvalitativ analys identifierade jag återkommande beteenden och tog fram fyra beteendetyper som sedan användes som underlag för fortsatt designarbete.
MIN ROLL
LIA · UX-designer
FOKUS
Studievanor · Drivkrafter · Förhållande till AI
LEVERANS
Beteendetyper som underlag för fortsatt designarbete
METODER
Intervjuer · Kvalitativ analys · Beteendesegmentering
Utgångspunkt
Bright hade en tydlig målgrupp – studenter på högskola och universitet – men saknade en djupare förståelse för vilka de var och vad de behövde.
Det fanns tidigare intervjuer, men dessa handlade främst om hur användarna upplevde Bright, önskemål på funktioner och vad de tyckte om tjänsten. Det saknades en djupare förståelse för hur studenter faktiskt studerar, vad som driver dem och vilka behov de har.
Målet var därför att lära känna målgruppen bättre och skapa beteendetyper som kunde användas i det fortsatta designarbetet. På så sätt ville vi förstå var Bright kunde skapa verkligt värde för studenterna. Att ge studenterna verktygen de inte visste att de behövde, men som de sedan inte vill vara utan. Arbetet låg också nära Brights övergripande mål: att öka antalet användare och få dem att återkomma till plattformen.
Vad jag behövde förstå
Jag ville förstå hur studenter faktiskt studerar, vad som driver dem och vilka behov de har i sina studier. Jag ville också förstå hur de ser på och använder AI, eftersom Bright bygger mycket av sin plattform kring olika typer av AI-verktyg.
Fokus var att gå djupare än att bara fråga vad studenter tycker om Bright. Jag ville förstå varför de studerar på det sätt de gör, vad som får dem att vilja återkomma och vad som skulle kunna göra Bright mer relevant för olika typer av studenter.
Intervjuprocess
För att förstå studenternas behov, drivkrafter och studieteknik valde jag att genomföra kvalitativa intervjuer. Metoden gav möjlighet att gå djupare i studenternas beteenden och förstå vad de faktiskt behöver hjälp med i sina studier.
Jag intervjuade både studenter som använde Bright och studenter som inte hade testat plattformen. Intervjupersonerna rekryterades dels från Brights användare som deltar i tester och intervjuer och dels från studenter i mitt eget kontaktnät.
Jag valde att intervjua fler än fem personer i varje grupp för att kunna jämföra grupperna och se om det fanns gemensamma mönster.
Intervjuguid
Intervjuguiden innehöll frågor om studiebeteende, motivation och användning av AI och andra digitala verktyg. Jag hade ett antal områden jag ville få svar på, men lät samtalen utvecklas genom följdfrågor.
Efter de första intervjuerna justerade jag guiden när nya områden och mönster började framträda.
VAD JAG VILLE VETA:
Hur studerar studenter, och varför fungerar det sätt för dem?
Vad driver dem till att börja plugga, och vad får dem att fortsätta?
Vilka behov och hinder har de i sina studier?
Hur förhåller de sig till och använder AI eller andra digitala verktyg i sina studier, och varför?
Vad skulle kunna få dem att använda Bright oftare?
Efter de första intervjuerna började återkommande beteenden framträda. Efter tre till fem intervjuer kunde jag se vissa kopplingar och började skissa på möjliga beteendetyper. När samma beteenden återkom i fler intervjuer kunde jag bekräfta och utveckla dem.
Ett exempel var studenter som ville få så mycket som möjligt gjort på kort tid. De ville kunna plugga på bussen, testa sig snabbt inför en tenta eller använda AI för att sammanfatta material. Jag började se ett gemensamt driv: att göra studierna så effektiva som möjligt. På samma sätt återkom andra beteenden kring behovet av kontroll, djupare förståelse och socialt lärande.
De fyra beteendetyperna blev ett sätt att fånga olika sätt att studera, olika drivkrafter och olika förhållningssätt till AI. De beskriver inte fyra olika sorters studenter utan samma student kan bete sig på olika sätt beroende på situation.
Från mönster till beteendetyper
Fyra tydliga beteenden
När jag undersökte vad som motiverade studenterna och hur de lärde sig bäst framträdde fyra olika drivkrafter:
EFFEKTIVITETSPLUGGAREN
Vill klara sina studier snabbt och få tid över till annat.
STRUKTURJÄGAREN
Behöver ordning, en tydlig plan och kontroll för att kunna fokusera.
KVALITETSREFLEKTERAREN
Vill förstå på djupet och vara säker på att informationen är korrekt.
SOCIALEXPERIMENTERAREN
Lär sig bäst genom att diskutera och bolla idéer med andra.
Förhållande till AI
Även studenternas förhållande till AI följde ofta samma mönster. Studenter som prioriterade effektivitet använde exempelvis AI för att sammanfatta, analysera och ställa frågor. De som ville förstå på djupet var oftare mer skeptiska och ville kontrollera informationen och se källor.
Det blev också tydligt att samma ord kunde betyda olika saker. Flera beskrev AI som ett "bollplank", men använde det på helt olika sätt. För en student innebar det att låta AI sammanfatta hela artiklar, medan en annan använde AI för att hitta relevanta artiklar som hen sedan själv läste och sammanfattade.
-
“Jag vill inte plugga mer, jag vill plugga smartare.”
— Efektivitetspluggaren
-
“Om jag inte vet var jag har saker blir det kaos i huvudet.”
— Strukturjägaren
-
"Jag dubbelkollar alltid källorna och försöker se till att det jag lär mig är korrekt."
— Kvalitetsreflekteraren
-
“Det är mycket lättare att förstå när vi diskuterar tillsammans."
— Socialexperimenteraren
Research blir design
När beteendetyperna var på plats användes de i det fortsatta designarbetet. Jag utgick från deras olika drivkrafter, behov och sätt att studera för att undersöka hur Bright kunde skapa mer värde för sina användare.
Jag samlade behov och möjligheter där Bright kunde bidra, stötta eller lösa ett problem för respektive beteendetyp. Utifrån dessa tog jag fram idéer och bedömde dem utifrån användarvärde, relevans för olika beteenden och hur väl de stöttade Brights mål. Idéerna kompletterades med designprinciper, motiveringar och en prioritering för att tydligare se vilka möjligheter som var mest värdefulla att arbeta vidare med.
Beteendetyperna blev sedan ett återkommande verktyg under resten av min LIA. Jag använde dem bland annat för att utveckla befintliga funktioner, ta fram nya lösningar, förbättra hur Bright presenterade sina AI-verktyg och kursrum och tänka kring hur nya användare kunde komma igång med plattformen. De användes också som utgångspunkt i arbetet med dashboard och gamification.
På så sätt kunde beteendetyperna användas för att gå från research till konkreta designmöjligheter och hålla användarnas olika behov i fokus genom det fortsatta designarbetet.
Reflektioner & lärdommar
ATT LYSSNA PÅ RIKTIGT
Jag har blivit bättre på att intervjua genom att ställa följdfrågor, fråga varför och våga vara tyst. Det som först kan verka som ett enkelt svar kan ofta leda till något mycket mer intressant om man stannar kvar, vågar vänta och fråga vidare.
BETEENDEN ÄR INTE PERSONLIGHETER
Under arbetet blev det tydligt att samma student kunde ha olika behov beroende på situation. Därför valde jag att arbeta med beteendetyper i stället för personas. Det hjälpte mig att fokusera på vad studenten behöver i en viss situation, snarare än att beskriva vem personen är.
RESEARCH SOM GRUND FÖR DESIGN
Jag har fått en tydligare förståelse för hur research kan användas genom hela designprocessen. I stället för att bara fråga om en funktion var bra kunde jag se på samma funktion från flera olika perspektiv: Vad behöver den här personen få ut av den? Vad kan göra att den fungerar bra för just deras sätt att studera?
Det blev ett konkret sätt att hålla användarnas olika behov i fokus och gav mig något att utgå från när jag tog fram och prioriterade designlösningar.
HUR JAG ANVÄNDER AI I MITT ARBETE
Jag har blivit mer medveten om hur jag vill använda AI i research. AI kan hjälpa mig att bearbeta och strukturera stora mängder material, men jag behöver själv förstå materialet för att kunna se samband, värdera det och dra relevanta slutsatser.
Jag använder därför AI som stöd i processen, till exempel för att ställa frågor till mitt material, testa formuleringar och strukturera mina egna tankar, snarare än att låta AI göra analysen åt mig.
MER SPECIFIK REKRYTERING
Jag har lärt mig hur viktig rekryteringen är för att kunna besvara rätt researchfråga. Om jag gjorde om projektet idag skulle jag vara mer specifik i vilka jag ville intervjua. Jag skulle framför allt vilja prata med studenter som aktivt använder AI i sina studier, men ännu inte hade testat Bright. Det hade gett mig en tydligare bild av den del av målgruppen jag ville förstå och gjort resultatet mer relevant för Bright.
