快速回答： 如果你想打造一個人們真正會使用的 CBT 日記 UX，你必須捨棄標準的心情表情符號。在 Vividiary，我們意識到基本的心情追蹤只能告訴使用者他們感覺如何，卻無法說明原因。我們最初測試了一種傳統的 7 步驟臨床 CBT 表格，但在使用者測試中看到高達 60% 的流失率後，我們拒絕了它——這感覺太像家庭作業了。相反地，我們轉向了對話式的觸發因素映射。為了實現這一點，我們需要強大的 LLM 推理能力。我們明確拒絕了裝置端 AI，因為本地模型無法進行細膩的認知重構。我們選擇了隱私優先的雲端架構，確保你的零方數據（zero-party data）受到嚴格加密，同時仍能提供使用者理解其心理健康所需的深入、情境化的洞察。
---
當我們第一次坐下來設計 Vividiary 時，我們做了其他心理健康應用程式都會做的事：我們設計了一個由精美插圖組成的心情表情符號網格。
我們花了數週時間爭論「憂鬱」與「悲傷」之間藍色的確切色調。我們以為我們正在建立終極的情緒詞彙工具。但當我們將其展示給實際使用者時，數據像重擊一樣打在我們身上。人們花費 15 到 20 秒的時間盯著螢幕，因選擇困難而癱瘓，最後強制關閉了應用程式。
我們意識到關於我們產品的一個殘酷事實：傳統的心情追蹤在根本上是有缺陷的。它只測量結果（情緒），而沒有揭示原因（觸發因素）。它留給使用者一張充滿痛苦的彩色圖表，卻完全沒有任何可操作的後續步驟來解決問題。
以下是我們如何拆解原始設計、我們嘗試了什麼，以及為什麼我們徹底重新架構 Vividiary 以專注於觸發因素映射的內幕故事。
為什麼我們捨棄了標準的心情表情符號
問題所在 最初的目標很簡單：給使用者一種記錄他們感覺的方式。行業標準規定，你必須向使用者呈現 20-30 個代表一系列情緒的表情符號。
但在我們早期的 Beta 測試中，我們注意到一個明顯的問題。當使用者處於高度情緒困擾狀態時——例如，他們剛經歷了恐慌發作或與伴侶發生了激烈爭吵——他們最不想做的事就是玩「威利在哪裡？」遊戲，在一個小臉網格中尋找那個能完美概括「焦慮但同時憤怒且有點餓」的表情。
此外，單獨記錄一種情緒對情緒調節沒有幫助。如果你的數據告訴你，你週二「憤怒」、週三「悲傷」、週四「焦慮」，你該如何處理這些資訊？什麼也做不了。這是一個死胡同。
我們選擇的方法 我們決定捨棄表情符號網格作為主要輸入方式。我們將其替換為一個徹底精簡的 5 等級心情系統：最好、好、中立、低、最差。
我們將特定的表情符號降級為針對特定情緒和活動的可選多選螢幕，只有在度過最初的記錄阻力後才會顯示。
為什麼？因為點擊五個大按鈕中的一個只需要 3 秒。這大幅降低了認知負荷。在我們的後續 A/B 測試中，這個簡單的改變使每日記錄完成率提高了 41%。如果你對其背後的深層心理學感到好奇，我曾廣泛撰寫過關於我們的 情緒驅動產品設計，以及為什麼不干擾使用者是設計師能做的最好的事。
我們拒絕的方法：7 步驟臨床 CBT 表格
問題所在 一旦我們簡化了心情輸入，我們就需要一種捕捉「情境」的方法——即心情背後的「原因」。認知行為療法（CBT）是這方面的黃金標準。因此，我們自然而然地認為我們應該直接將 CBT 工作表數位化。
我們考慮過（並捨棄）的方法 我們建立了一個全面的 7 步驟臨床 CBT 表格。它要求使用者手動填寫以下文字框： 1. 情境 2. 最初的想法 3. 情緒（及強度 1-100） 4. 身體感覺 5. 行為/行動 6. 存在的認知扭曲 7. 替代/重構的想法
從臨床角度來看，這很完美。這正是治療師會給你的一張紙上的內容。
從產品角度來看，這是一場徹底的災難。
我們學到了什麼 我們將其推向了一組 500 名 Beta 測試者。結果非常殘酷。我們看到第三天的 60% 流失率。
當我們進行使用者訪談時，回饋是一致的：「這感覺像是在做家庭作業。」
使用者告訴我們，當他們感覺「低」或「最差」時，要打出七段深入心理分析的前景讓他們感到不知所措。我們要求使用者在情緒失調時進行認知重構的繁重工作。這是錯誤的時間使用了錯誤的工具。雖然這些 臨床 CBT 日記技巧 在治療師的辦公室裡非常有效，但作為自助式行動 UX，它們卻慘遭失敗。
觸發因素映射：打造真正有效的 CBT 日記 UX
解決方案 如果靜態表格感覺像家庭作業，那麼什麼感覺自然？對話。
我們徹底廢棄了 7 步驟表格，轉向 AI 驅動的對話式 UI。我們引入了一種 AI 對話模式——提供語音和文字兩種形式——它扮演著溫柔、好奇的傾聽者角色。
AI 不會預先要求七個數據點，而是簡單地問：「你今天在想什麼？」當使用者傾訴時，AI 會提出有針對性的、符合 CBT 原則的後續問題。
使用者：「我對明天的簡報感到非常壓力。我知道我會搞砸的。」
AI：「聽起來那場簡報讓你壓力很大。具體是什麼讓你覺得你會搞砸呢？」
在幕後，AI 正在進行繁重的工作。它默默地提取情境、情緒和認知扭曲（在本例中為「算命」）。當對話自然結束時，AI 會無縫生成一份第一人稱日記草稿，供使用者審閱、編輯和儲存。
為什麼這是遊戲規則改變者：觸發因素映射 這種無摩擦的收集方法彌補了單純記錄感覺與理解其根本原因之間的差距。透過以對話方式捕捉情境，我們可以執行觸發因素映射。
觸發因素映射允許我們的系統隨著時間推移將點連成線。我們可以向使用者展示：「嘿，我們注意到 80% 的情況下，當你記錄『低』心情時，之前都有關於你經理的對話。」
為了讓這些數據易於消化，我們建立了進階分析功能。雖然我們的免費層級提供無限的心情記錄、每天 3 次 AI 對話和基本分析，但我們將繁重的數據視覺化保留給了我們的 Premium 層級（每月 $2.99 或每年 $11.99）。Premium 使用者可以存取每週和每月的心情報告、氣泡圖和熱圖，這些圖表視覺化了這些行為循環。
遊戲化 UX 但 CBT 仍然是一項艱苦的工作。為了在困難的反思過程中保持參與度，我們引入了遊戲化的 UX。當使用者記錄心情並完成觸發因素映射會話時，他們會培育一個「Clay」角色。在 30 天內，這個角色會成長並演變成 8 種最終形態之一，直接受到使用者情緒數據的影響。它將例行公事、有時痛苦的記錄轉化為一場有益的自我發現之旅。
架構：為什麼我們選擇隱私優先的雲端而非裝置端 AI
問題所在 觸發因素映射要求使用者分享極其私人的情境。如果使用者要告訴我們的應用程式關於他們的婚姻問題、職場焦慮或內心深處的不安全感，他們需要一個鐵定的保證，即他們的數據是安全的。
Vividiary 本質上是一個零方數據健康應用程式。零方數據是指客戶有意且主動與品牌分享的數據。它非常可靠，但需要極大的信任。
我們考慮過的方法 在設計 AI 架構時，我們內部針對 AI 處理應該在哪裡進行了激烈的辯論。
方法 1：裝置端 AI
我們強烈考慮過直接在使用者手機上執行小型、本地化的 LLM。吸引力顯而易見：如果數據從未離開裝置進行處理，隱私在理論上更容易行銷。
方法 2：雲端 LLM
使用託管在雲端的前沿模型（如 OpenAI 的 GPT-4 或 Anthropic 的 Claude），需要將數據透過網路傳送進行處理。
我們選擇的方法（以及原因） 我們明確拒絕了裝置端 AI。
為什麼？因為本地行動模型目前還不夠聰明。當我們測試 7B 參數的本地模型進行 CBT 重構時，結果要麼非常籠統（「別擔心，開心點！」），要麼完全是幻覺。細膩的認知重構需要強大的推理能力。如果 AI 給出糟糕的心理學回饋，這不僅僅是糟糕的 UX，還可能對使用者的心理健康造成潛在傷害。
相反地，我們選擇了 隱私優先的雲端架構。我們使用雲端 LLM 來確保最高品質的 CBT 推理。
我們是如何建立它的 為了保護這些敏感的零方數據，我們在現代、高度安全的技術堆疊上建立了 Vividiary：前端使用 React Native (Expo)，後端資料庫使用 Supabase，訂閱管理使用 RevenueCat，並使用 Firebase Auth 進行安全的使用者驗證。
由於數據必須傳輸到雲端才能讓 AI 處理，我們採用了嚴格的隱私優先設計原則。所有數據在傳輸中（透過 TLS）和在我們的 Supabase 資料庫中靜態儲存時都經過嚴格加密。我們將你的日記條目視為醫療記錄。我們不出售你的數據，我們不會用你的個人日記訓練我們自己的基礎模型，並且我們確保我們的雲端基礎設施符合嚴格的安全標準。
我們選擇透明度而非行銷噱頭。我們不會聲稱你的數據是「在本地處理的」，因為事實並非如此。它是在高度安全的雲端環境中處理的，這樣你就能在不損害隱私的情況下獲得最佳的 CBT 洞察。
數據：關於我們 30 天留存率的殘酷真相
那麼，這一切有效嗎？
我承諾要坦誠，所以讓我們看看數據。當我們執行 7 步驟臨床表格時，我們的第 30 天留存率慘淡，僅為 12%。人們下載應用程式，意識到這太麻煩，然後就流失了。
在我們捨棄心情表情符號網格、引入 3 秒 5 等級心情記錄器、推出對話式觸發因素映射並添加了不斷演變的 Clay 角色後，我們的第 30 天留存率躍升至 34%。
如果你想深入了解特定群組以及我們如何衡量成功，你可以閱讀我們關於 30 天留存指標 的完整分析。
我們學到了什麼 在健康與保健類別中，第 30 天達 34% 的留存率非常強勁，但並不完美。
我們了解到，一些使用者仍然覺得 AI 對話有點怪異。我們大約 15% 的使用者選擇完全退出 AI 聊天，寧願只使用 5 等級的心情記錄器並寫下自己的手動筆記。我們還了解到，我們的語音轉文字功能雖然受歡迎，但在處理重口音時會遇到困難，這是我們的工程團隊正在積極改進的地方。
接下來是什麼 我們目前正在為 Premium 層級建立更強大的觸發因素映射視覺化，允許使用者將他們的心情數據與外部因素（如天氣、睡眠數據（透過 Apple Health 整合）和螢幕使用時間）進行交叉比對。
建立 CBT 日記 UX 是在臨床功效與人類摩擦力之間取得平衡的練習。如果你做得太臨床，使用者會放棄。如果你做得太簡單（像表情符號網格），使用者將無法獲得任何價值。透過專注於對話式觸發因素映射和隱私優先的雲端架構，我們相信我們終於找到了最佳平衡點。
