پژوهشگر تعامل انسان و هوش مصنوعی
HCI Researcher (Human-AI Interaction)
پژوهشگر تعامل انسان و هوش مصنوعی بررسی می‌کند مردم با سیستم‌های AI چطور کار می‌کنند: کجا به خروجی اعتماد می‌کنند، کجا گیر می‌کنند، چه چیزی کنترل را به دستشان می‌دهد و این تعامل چه اثری روی کار و زندگی‌شان دارد. ابزار اصلی او مطالعه با آدم‌های واقعی است، مثل مصاحبه، آزمایش، نظرسنجی و تحلیل رفتار، و گاهی ساختن نمونهٔ اولیه از شیوه‌های تازهٔ تعامل. عنوان «HCI Specialist» در آگهی کارفرماها به کار نمی‌رود. همین کار با دو خانوادهٔ عنوان استخدام می‌شود: Research Scientist یا HCI Researcher در آزمایشگاه‌های پژوهشی، که در بیشتر آگهی‌های بررسی‌شده دکترا می‌خواهد، و UX Researcher در شرکت‌هایی که محصول AI می‌سازند، که دکترا نمی‌خواهد اما معمولاً پنج تا هشت سال سابقهٔ پژوهش کاربر می‌خواهد.
مقدمه و تعریف شغل
پژوهشگر تعامل انسان و هوش مصنوعی (HCI Researcher با تمرکز بر Human-AI Interaction) آدم‌ها را مطالعه می‌کند، نه مدل را. پرسش او این است که مردم با یک سیستم AI چطور کار می‌کنند، کجا به آن اعتماد یا از آن پرهیز می‌کنند، چه چیزی کار را برایشان آسان‌تر یا دشوارتر می‌کند و این تعامل چه اثری روی آن‌ها دارد. آگهی Huawei برای همین نقش، ارزیابی راه‌حل‌ها از نظر کارایی، یادگیری‌پذیری، فهم‌پذیری، کنترل‌پذیری، اعتماد و کیفیت همکاری را می‌خواهد. خروجی کار شواهد است: یافته‌های مطالعه، معیارهای سنجش، نمونه‌های اولیه و پیشنهادهایی که تصمیم تیم محصول یا پژوهش را عوض می‌کند. این کار در دو مسیر استخدام می‌شود: Research Scientist یا HCI Researcher در آزمایشگاه‌ها، و UX Researcher در شرکت‌های محصول AI.
HCI رشته‌ای قدیمی است. Ben Shneiderman آزمایشگاه HCI دانشگاه مریلند را در ۱۹۸۳ بنیان گذاشت، اما ورود مدل‌های زبانی پرسش‌های تازه‌ای پیش آورده است. Figma در آگهی پژوهشگر قابلیت‌های ایجنتی‌اش می‌نویسد خروجی این محصولات غیرقطعی است و «آیا کار کرد؟» یک داوری است، نه قبول یا رد. Google DeepMind از Staff UX Researcher اپ Gemini می‌خواهد راه‌هایی برای سنجیدن مفاهیمی مثل تحمل hallucination، عاملیت خلاقانه و اعتماد در همکاری پیدا کند که معیارهای سنتی UX اغلب نمی‌بینند، و سیگنال‌هایی را تعریف کند که در تنظیم مدل با RLHF به کار می‌روند. دربارهٔ مدرک باید صریح بود. در آگهی‌های Research Scientist که بررسی شد، دکترا تقریباً همیشه شرط است: Google DeepMind دکترا و ۶ سال تجربهٔ پس از آن، Apple دکترا، و Toyota Research Institute برای پسادکترا دکترا می‌خواهد. از آگهی‌های پژوهشی بررسی‌شده، فقط Researcher – HCI در Huawei صریحاً کارشناسی ارشد را هم می‌پذیرد. در مقابل، آگهی‌های UX Researcher دکترا نمی‌خواهند: Google DeepMind برای Staff UX Researcher کارشناسی یا تجربهٔ عملی معادل، Anthropic کارشناسی یا ترکیب معادلی از آموزش و تجربه، و Harvey کارشناسی می‌خواهد. بهای این مسیر سابقه است: پنج تا هشت سال پژوهش کاربر.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک پژوهشگر تعامل انسان و هوش مصنوعی
مطالعهٔ کاربر روی محصول AI
Anthropic از UX Researcher تیم Platform می‌خواهد همهٔ کسانی را که روی پلتفرم Claude می‌سازند مطالعه کند، از توسعه‌دهندهٔ تکی تا شرکت‌هایی که آن را مدیریت می‌کنند و می‌خرند، و یافته‌ها را تا تصمیم محصول دنبال کند.
چارچوب سنجش تجربهٔ AI
Google DeepMind در آگهی Staff UX Researcher اپ Gemini ساختن چارچوب‌های تازه برای ارزیابی AI را می‌خواهد، از جمله سنجیدن تحمل hallucination و اعتماد در همکاری، و تعریف سیگنال‌هایی که در تنظیم مدل با RLHF به کار می‌روند.
نمونهٔ اولیه از شیوهٔ تازهٔ تعامل
آزمایشگاه تعامل انسان و ماشین Huawei در کانادا از پژوهشگر ارشد خود ساختن نمونهٔ اولیه از رابط‌های انسان و ایجنت را می‌خواهد، از جمله تعامل فضایی، چندحالته، صوت‌محور و جریان‌های چندایجنتی، و سنجیدن آن‌ها با مطالعهٔ کاربر.
تحلیل استفادهٔ واقعی در مقیاس بزرگ
Anthropic با ابزاری به نام Clio استفادهٔ واقعی از Claude را با حفظ حریم خصوصی تحلیل کرد؛ گفتگوها به‌طور خودکار ناشناس و تجمیع می‌شوند و تحلیلگران فقط خوشه‌های کلی را می‌بینند. تیم AI Interaction and Learning در Microsoft Research هم تحلیل لاگ‌های تعامل در مقیاس بزرگ را جزو موضوعات خود آورده است.
اصول و راهنمای طراحی
Guidelines for Human-AI Interaction در Microsoft نمونهٔ خروجی ماندگار این کار است: توصیه‌هایی دربارهٔ رفتار سیستم AI در شروع تعامل، در تعامل معمول، هنگام اشتباه و در طول زمان، که به گفتهٔ Microsoft با یک فرایند چهارمرحله‌ای در مقاله‌ای در CHI 2019 سنجیده شده است.
مقاله و گزارش پژوهشی
در مسیر پژوهشی، انتشار بخشی از کار است. Apple از پژوهشگران تیم Human-Centered Machine Intelligence انتشار در مجامع برتر ML و HCI را می‌خواهد و Google DeepMind انتشار داوری‌شده، گزارش فنی، سخنرانی و بلاگ را.
تخصص‌های مختلف پژوهشگر تعامل انسان و هوش مصنوعی
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
پژوهشگر علمی تعامل انسان و AI
Research Scientist, Human-AI Interaction
پژوهش بنیادی دربارهٔ آیندهٔ تعامل انسان و AI و اثر آن بر افراد و جامعه، با انتشار در مجامع علمی؛ مثل آگهی Google DeepMind که دکترا و ۶ سال تجربهٔ پس از آن می‌خواهد.
پژوهشگر UX محصولات AI
UX Researcher, AI Products
پژوهش کاربر برای یک محصول AI مشخص و اثر گذاشتن روی نقشهٔ راه آن؛ مثل آگهی‌های Anthropic، Figma، Okta، Harvey و Suno. دکترا لازم نیست، اما سابقهٔ چندساله لازم است.
ارزیابی انسان‌محور AI
Human-Centered AI Evaluation
سنجیدن کیفیت سیستم AI از نگاه کاربر و تبدیل آن به معیار و سیگنال؛ Apple ارزیابی اپلیکیشن‌های مبتنی بر ML با روش‌های انسان‌محور را می‌خواهد و Okta ارزیابی UX با انسان در حلقه و ارزیابی جریان‌های ایجنتی را امتیاز می‌داند.
پژوهش و نمونه‌سازی تعامل
Interaction Research & Prototyping
اختراع و آزمودن شیوه‌های تازهٔ تعامل با سیستم‌های هوشمند، از صوت و حرکت تا رابط‌های ایجنتی؛ مثل آزمایشگاه تعامل انسان و ماشین Huawei و گروه EPIC در Microsoft Research که بر ساختن نمونه تأکید دارند.
تعامل انسان و ربات
Human-Robot Interaction
مطالعه و ساخت روش‌هایی که ربات‌ها با آن یاد بگیرند با انسان همکاری کنند؛ پسادکترای Toyota Research Institute در این حوزه دکترا، کار با سیستم رباتیک و انتشار در مجامعی مثل HRI و ICRA را می‌خواهد. این گرایش از بقیه فنی‌تر و به یادگیری ماشین نزدیک‌تر است.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
طبق صفحهٔ طراح محصول هوش مصنوعی این سایت، طراح تعیین می‌کند کاربر یک قابلیت AI را چطور تجربه کند و الگوهای تعامل را با کاربران می‌آزماید. پژوهشگر به‌جای تحویل طراحی، شواهد تحویل می‌دهد: مطالعه، معیار سنجش و یافته. Google DeepMind این دو را در آگهی‌های جدا دارد: UX Designer, Human-Computer Interaction با wireframe، storyboard و نمونهٔ تعاملی کار می‌کند، و Staff UX Researcher اپ Gemini چارچوب ارزیابی AI و سیگنال‌های تنظیم مدل را تعریف می‌کند. طراح مکالمه هم، طبق صفحهٔ خودش در این سایت، روی خودِ گفتگو کار می‌کند؛ پژوهشگر می‌سنجد آن گفتگو برای آدم‌ها چطور کار می‌کند.
طبق صفحهٔ محقق هوش مصنوعی این سایت، کار او خودِ مدل یا فهم ما از مدل را تغییر می‌دهد. پژوهشگر تعامل انسان و AI آدم‌ها را در کنار مدل مطالعه می‌کند. مرز در یک شرکت هم دیده می‌شود: Google DeepMind برای Research Scientist تیم User Signals دکترا در یادگیری ماشین یا NLP، مهارت PyTorch یا JAX و مقاله در NeurIPS یا ACL می‌خواهد تا بازخورد کاربران را به سیگنال آموزش مدل تبدیل کند، اما برای Research Scientist, Human-AI Interaction مطالعهٔ روش ترکیبی با شرکت‌کنندهٔ انسانی و انتشار در مجامع AI، ML، HCI یا علوم اجتماعی را.
طبق صفحهٔ محقق ایمنی هوش مصنوعی این سایت، پژوهشگر ایمنی می‌پرسد مدل کجا خطرناک یا ناهم‌راستا می‌شود و روش‌های ایمنی در برابر مدل‌های تواناتر دوام می‌آورند یا نه. پژوهشگر تعامل انسان و AI می‌پرسد این تعامل برای آدم‌ها چطور کار می‌کند و چه اثری دارد؛ آگهی Google DeepMind صریحاً «اثر احتمالی این تعامل‌ها بر افراد و جامعه» را جزو موضوع کار آورده است. همپوشانی واقعی است: Anthropic می‌گوید Clio، ابزار تحلیل استفادهٔ واقعی از Claude، به کار ایمنی هم کمک کرده است.
روش‌ها یکی است و بسیاری از این آگهی‌ها همان عنوان UX Researcher را دارند. فرق در جنس محصول است: Figma می‌نویسد خروجی محصولات AI غیرقطعی است و درست یا غلط بودنش داوری است، و Google DeepMind معیارهای سنتی UX را برای سنجیدن چیزهایی مثل اعتماد در همکاری کافی نمی‌داند. پژوهشگر AI معمولاً باید فنی‌تر هم باشد؛ Anthropic از او می‌خواهد مستندات را بخواند و چیز کوچکی روی پلتفرم بسازد. نزدیک‌ترین مسیر ورود برای کسی که دکترا ندارد، همین پژوهش کاربر عمومی است.
تأثیر در صنایع مختلف
پژوهشگر تعامل انسان و هوش مصنوعی در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
دستیارها و مدل‌های پایه
Google DeepMind برای اپ Gemini پژوهشگری می‌خواهد که نیازهای بعدی کاربران AI مولد را پیدا کند و سیگنال‌های تنظیم مدل را تعریف کند؛ Anthropic پژوهشگری برای مطالعهٔ سازندگانی که روی پلتفرم Claude کار می‌کنند
ابزارهای طراحی و توسعه
Figma پژوهشگری برای قابلیت‌های ایجنتی خود می‌خواهد تا اعتماد، راستی‌آزمایی و کنترل را در کار طراحان و توسعه‌دهندگان با AI بررسی کند
امنیت و هویت دیجیتال
Okta از Staff UX Researcher می‌خواهد تجربهٔ کاربری ایجنت‌های غیرقطعی و جریان‌های خودکار را در محصولات هویت و امنیت تعریف کند
حقوقی
Harvey پژوهشگری می‌خواهد که بررسی کند وکلا و متخصصان حقوقی داخل و بیرون از پلتفرم چطور کار می‌کنند و آن را به پیشنهاد محصول و طراحی تبدیل کند
سرگرمی و خلق موسیقی
Suno مطالعه می‌کند کسانی که هیچ تجربه‌ای در موسیقی ندارند چطور با AI اعتمادبه‌نفس خلاقانه پیدا می‌کنند
موبایل و دستگاه‌های هوشمند
آزمایشگاه تعامل انسان و ماشین Huawei روی AI ایجنتی و تعامل چندحالته (صوت، لمس، تصویر، حرکت) در گوشی، ابزار پوشیدنی و دستگاه‌های تازه کار می‌کند
دسترس‌پذیری
تیم Accessibility در Apple روی دسترسی برابر به گفتار برای افراد دارای اختلال ارتباطی، درک تصویر برای افراد نابینا و کم‌بینا و فناوری زبان اشاره کار می‌کند
رباتیک و خودرو
Toyota Research Institute پژوهش می‌کند ربات‌ها چطور با کمک مدل‌های پایه یاد بگیرند با انسان همکاری کنند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
پژوهشگر HCI همان طراح رابط کاربری است
Google DeepMind برای این دو آگهی جدا دارد. UX Designer, Human-Computer Interaction با wireframe، storyboard و نمونهٔ تعاملی کار می‌کند؛ Research Scientist, Human-AI Interaction مطالعهٔ روش ترکیبی با شرکت‌کنندهٔ انسانی طراحی و تحلیل می‌کند و نتیجه را منتشر می‌کند. پژوهشگر هم نمونهٔ اولیه می‌سازد، اما برای آزمودن یک پرسش.
برای کار در این حوزه حتماً دکترا لازم است
به عنوان شغل بستگی دارد. برای Research Scientist تقریباً بله: Google DeepMind، Apple و Toyota Research Institute دکترا می‌خواهند و کارآموزی پژوهشی Microsoft Research فقط برای دانشجوی دکتراست. اما برای UX Researcher در شرکت‌های AI نه: Google DeepMind کارشناسی یا تجربهٔ عملی معادل، Anthropic کارشناسی یا ترکیب معادل، و Harvey کارشناسی می‌خواهد. Suno دکترا را فقط امتیاز می‌داند.
این شغل نقطهٔ ورود مناسبی برای تازه‌کارهاست
تقریباً همهٔ آگهی‌های باز سطح ارشدند: Harvey و Suno ۵+ سال، Figma و Okta ۷+ سال و Google DeepMind ۸ سال سابقهٔ پژوهش کاربر می‌خواهند. در مسیر پژوهشی هم ورود معمولاً از کارآموزی دورهٔ دکترا می‌گذرد. راه واقع‌بینانه برای تازه‌کار، شروع با پژوهش کاربر عمومی و جمع کردن سابقه روی محصولات AI است.
این کار فقط مصاحبه است و مهارت فنی نمی‌خواهد
Anthropic پیش‌زمینهٔ فنی را حداقل شرط گذاشته است: اینکه مستندات را بخوانید، چیز کوچکی روی پلتفرم بسازید و بدون مترجم با تیم‌های بسیار فنی همراه شوید. Okta SQL، R یا Python و مدل‌سازی آماری را امتیاز می‌داند و Microsoft Research در کارآموزی EPIC ساخت نمونهٔ تعاملی با TypeScript، Node.js و React را می‌خواهد.
همان معیارهای همیشگی UX برای محصولات AI کافی است
Google DeepMind در آگهی Staff UX Researcher می‌نویسد باید راه‌هایی برای سنجیدن مفاهیمی مثل تحمل hallucination، عاملیت خلاقانه و اعتماد در همکاری پیدا کرد که معیارهای سنتی UX اغلب نمی‌بینند. Figma هم یادآوری می‌کند که در این محصولات «آیا کار کرد؟» قبول یا رد نیست، بلکه یک داوری است.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر در اجرای مطالعه‌هایی کمک می‌کنید که پژوهشگر ارشدتر طراحی کرده است. در مسیر پژوهشی، این دوره معمولاً با دکترا و کارآموزی‌های تابستانی می‌گذرد؛ کارآموزهای Microsoft Research دوازده هفته کنار یک منتور کار می‌کنند و یافته‌هایشان را ارائه می‌دهند.
- ◆هماهنگی و اجرای جلسه‌های تست کاربردپذیری با یک نمونهٔ اولیهٔ AI
- ◆کدگذاری رونوشت مصاحبه‌ها و پیدا کردن الگوهای تکرارشونده
- ◆آماده کردن پرسشنامه و بررسی کیفیت پاسخ‌ها پیش از تحلیل
- ◆خواندن مقاله‌های تازهٔ CHI و خلاصه کردن آن‌ها برای تیم
میانی (۲–۵ سال)
مسئولیت کامل مطالعه‌ها با شماست: از تبدیل یک مسئلهٔ مبهم به پرسش قابل‌آزمون تا ساخت نمونهٔ اولیه با تیم طراحی و مهندسی و سنجیدن آن. آگهی Researcher – HCI در Huawei همین چرخه را توصیف می‌کند: پیشنهاد مفهوم، تبدیل آن به سناریو و پیشنهاد قابل‌آزمون، اعتبارسنجی با نمونه و آزمایش و بهبود بر اساس یافته‌ها.
- ◆طراحی یک آزمایش برای مقایسهٔ دو شیوهٔ نمایش خطای مدل
- ◆ساخت نمونهٔ اولیهٔ ساده با یک مدل زبانی و آزمودن آن با چند کاربر
- ◆تحلیل آماری نتایج و نوشتن گزارش با محدودیت‌های مطالعه
- ◆جلسه با تیم مدل برای تبدیل یک یافتهٔ کیفی به معیار ارزیابی
ارشد (۵+ سال)
تصمیم می‌گیرید چه چیزی ارزش مطالعه دارد و دستور کار پژوهش یک محصول یا حوزه را می‌سازید. Anthropic از این سطح می‌خواهد با رهبران سازمان تعیین کند پژوهش کجا بیشترین اثر را دارد و خودش آن کار را رهبری کند؛ Figma جابه‌جایی میان جهت‌گیری چندفصلی و پیشنهاد مشخصی را که طراح هفتهٔ بعد اجرا کند.
- ◆تعیین دستور کار پژوهش فصل بعد همراه با مدیر محصول و رهبر طراحی
- ◆ساختن ابزار پژوهش با کمک AI برای سرعت دادن به تحلیل
- ◆ارائهٔ یک یافتهٔ راهبردی به مدیران ارشد و دفاع از آن
- ◆بازبینی طرح مطالعهٔ پژوهشگران دیگر و منتورینگ
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی، اجرا و تحلیل مطالعه با شرکت‌کنندهٔ انسانی: مصاحبه، تست کاربردپذیری، نظرسنجی، آزمایش آزمایشگاهی و میدانی
- ◈سنجیدن جنبه‌هایی از تجربهٔ AI که معیارهای معمول UX نمی‌بینند، مثل اعتماد، کنترل‌پذیری، کیفیت همکاری و تحمل خطا
- ◈ساختن نمونهٔ اولیه از شیوه‌های تازهٔ تعامل با AI و آزمودن آن با کاربر، همراه با تیم طراحی و مهندسی
- ◈تحلیل دادهٔ رفتاری و لاگ استفاده و ترکیب آن با یافته‌های کیفی
- ◈همکاری با تیم‌های مدل و ارزیابی برای تبدیل یافته‌های کاربر به سیگنال و معیار ارزیابی
- ◈روایت یافته‌ها برای مدیر محصول، طراح، مهندس و مدیران ارشد و پیگیری آن‌ها تا تصمیم محصول
- ◈رعایت اخلاق پژوهش، رضایت آگاهانه و حریم خصوصی شرکت‌کننده‌ها
- ◈در مسیر پژوهشی: انتشار یافته‌ها در کنفرانس‌ها و مجله‌های داوری‌شده و ارائه در جمع‌های علمی
- ◈تصمیم‌گیری دربارهٔ اینکه چه چیزی ارزش مطالعه دارد و چه چیزی تصمیمی را عوض نمی‌کند
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک پژوهشگر تعامل انسان و هوش مصنوعی موفق به آن‌ها نیاز دارد
مهارت‌های پژوهشی و فنی
ترکیب روش کیفی و کمّی؛ Google DeepMind، Anthropic و Okta همه آن را صریحاً می‌خواهند
مصاحبه با کاربر، contextual inquiry و cognitive walkthrough (فهرست Okta) و مصاحبهٔ خوب با کاربران فنی (شرط Anthropic)
Anthropic طراحی و تحلیل دقیق نظرسنجی را حداقل شرط گذاشته است
مطالعهٔ آزمایشگاهی، آزمایش میدانی و A/B test، و تحلیل آن‌ها با آزمون‌ها و مدل‌های آماری
مردم‌نگاری، مطالعهٔ دفترچهٔ روزانه و جلسهٔ حضوری در محیط واقعی؛ روش‌هایی که Suno نام برده است
Figma توانایی ساختن فرضیه از دادهٔ رفتاری و همکاری با data science در جایگاه همتا را می‌خواهد
برای تحلیل لاگ و دادهٔ کمّی؛ Okta آن‌ها را در جعبه‌ابزار کمّی پیشرفته آورده است
سنجیدن تجربه‌هایی که یک پاسخ درست واحد ندارند (Figma) و طراحی پروتکل مطالعهٔ کاربر برای اپ‌های ML (Apple)
Google DeepMind ساخت نمونه برای کاوش شیوه‌های تازهٔ تعامل را امتیاز می‌داند و Huawei تبدیل ایده به نمونه را
Anthropic، Okta و Harvey انتظار دارند پژوهشگر کارش را با ابزارهای AI جلو ببرد و حتی ابزار پژوهش خودش را بسازد
مهارت‌های نرم
Figma، Anthropic و Okta همه بر روایت متناسب با مخاطب، از مهندس تا مدیر ارشد، تأکید دارند
تصمیم دربارهٔ اینکه چه چیزی ارزش مطالعه دارد؛ Suno می‌خواهد پژوهشگر به آنچه تصمیمی را عوض نمی‌کند «نه» بگوید
Harvey و Suno هر دو توانایی اثر گذاشتن روی تیم‌ها و مدیران ارشد بدون اختیار مستقیم را می‌خواهند
Figma کسی را می‌خواهد که ابهام به او انرژی بدهد، نه اینکه منتظر رفع آن بماند
کار مشترک با طراحی، مهندسی، تیم مدل، محصول و گاهی سیاست‌گذاری
دانش حوزه‌ای
Huawei برای سطح ارشد درک قوی از LLMها، مدل‌های چندحالته و معماری ایجنت‌ها را می‌خواهد
آشنایی با پژوهش‌ها و مجامعی مثل CHI، UIST، CSCW و IUI؛ برای مسیر پژوهشی، انتشار در آن‌ها
رضایت آگاهانه، راحتی شرکت‌کننده (Suno) و تحلیل دادهٔ استفاده بدون افشای اطلاعات شخصی (رویکرد Clio)
رشته‌هایی که آگهی‌های Google DeepMind، Harvey و Okta کنار HCI و علوم کامپیوتر پذیرفته‌اند
آگهی‌ها دانش حوزه را امتیاز می‌دانند: حقوق در Harvey، امنیت در Okta، دسترس‌پذیری در Apple و ابزارهای توسعه‌دهنده در Anthropic
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به پژوهشگر تعامل انسان و هوش مصنوعی
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
مبانی HCI و روش‌های پژوهش کاربر
پایهٔ این شغل همان پایهٔ HCI است. دپارتمان Informatics دانشگاه UC Irvine در آگهی استخدام HCI خود کسی را می‌خواهد که هم فناوری‌های تعاملی را پیش ببرد و هم پرسش‌های طراحی، ارزش‌ها، سیاست‌گذاری و اثر اجتماعی آن‌ها را بررسی کند. یاد بگیرید سؤال پژوهش را از سؤال محصول جدا کنید، روش مناسب را انتخاب کنید و مصاحبه، مشاهده و تست کاربردپذیری را درست اجرا و تحلیل کنید.
آمار، طراحی آزمایش و نظرسنجی
آگهی‌ها روش ترکیبی می‌خواهند، نه فقط مصاحبه: Google DeepMind از Research Scientist طراحی و تحلیل مطالعهٔ آزمایشگاهی، نظرسنجی و آزمایش میدانی را می‌خواهد و Okta از Staff UX Researcher نظرسنجی بزرگ‌مقیاس و مدل‌سازی آماری. آمار پایه، طراحی آزمایش، طراحی پرسشنامه و کار با R یا Python را در این مرحله جدی بگیرید.
فهم سیستم‌های AI و ساختن نمونهٔ اولیه
پژوهشگری که نداند مدل چطور کار می‌کند، نمی‌تواند سؤال درست بپرسد. Anthropic از پژوهشگر کاربر می‌خواهد بتواند مستندات را بخواند و چیز کوچکی روی پلتفرم بسازد، و Microsoft Research در آگهی کارآموزی EPIC ساخت نمونهٔ تعاملی با TypeScript، Node.js و React را می‌خواهد. Python پایه، کار با API یک مدل زبانی و ساختن یک رابط سادهٔ آزمایشی کافی است تا بتوانید ایده‌ها را با آدم‌ها بیازمایید.
اصول تعامل انسان و هوش مصنوعی
در این مرحله با دانش خود این حوزه آشنا شوید: اعتماد، کنترل کاربر، نمایش خطا و عدم قطعیت، و رفتار سیستم در طول زمان. Microsoft می‌گوید Guidelines for Human-AI Interaction بیش از ۲۰ سال فکر و پژوهش در این حوزه را جمع‌بندی می‌کند و برای چهار موقعیت توصیه دارد: شروع تعامل، تعامل معمول، وقتی سیستم اشتباه می‌کند و در طول زمان. راهنمای PAIR گوگل هم برای تیم‌هایی نوشته شده که محصول AI انسان‌محور می‌سازند.
پژوهش واقعی، انتشار و ورود به بازار
مقاله‌های تازهٔ HCI را بخوانید و دست‌کم یک مطالعهٔ کامل از سؤال تا نتیجه انجام دهید و بنویسید. برای مسیر Research Scientist، سابقهٔ انتشار در کنفرانس‌هایی مثل CHI، UIST و CSCW شرط آگهی‌هاست؛ آگهی Senior Researcher در Huawei همین‌ها را نام برده است. برای مسیر UX Researcher، نمونه‌کاری که نشان دهد پژوهش شما تصمیمی را عوض کرده مهم‌تر است. نمونهٔ خوبی از پژوهش روی استفادهٔ واقعی، گزارش Clio از Anthropic است که استفادهٔ واقعی از Claude را با حفظ حریم خصوصی تحلیل می‌کند.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
اجرای مطالعه و جذب شرکت‌کننده
ساخت و اجرای نظرسنجی و آزمایش آنلاین؛ آگهی‌های Anthropic و Okta طراحی و تحلیل دقیق نظرسنجی را می‌خواهند
تحلیل داده
نمونه‌سازی تعامل با AI
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
کارآموز پژوهشی / پژوهشگر تازه‌کار
۰ تا ۲ سال
کمک به اجرای مطالعه، جذب شرکت‌کننده، تحلیل داده و نوشتن بخشی از گزارش. در مسیر پژوهشی، ورود معمولاً با کارآموزی دورهٔ دکترا است؛ کارآموزی‌های پژوهشی Microsoft Research شرط ثبت‌نام در دورهٔ دکترا دارند.
پژوهشگر HCI / UX Researcher
۲ تا ۵ سال
مسئولیت کامل چند مطالعه: پیشنهاد مفهوم تازهٔ تعامل، ساخت نمونهٔ اولیه با تیم طراحی و مهندسی و سنجیدن آن با کاربر. آگهی Researcher – Human-Computer Interaction در Huawei نمونهٔ همین سطح است و کارشناسی ارشد یا دکترا می‌خواهد.
پژوهشگر ارشد / Staff UX Researcher
۵+ سال
تعیین دستور کار پژوهش برای یک محصول یا حوزه و اثر گذاشتن روی نقشهٔ راه. Harvey برای این سطح ۵+ سال، Figma و Okta ۷+ سال و Google DeepMind ۸ سال سابقه می‌خواهند.
Research Scientist ارشد / مدیر پژوهش
دکترا و ۶+ سال پس از آن
طراحی و رهبری یک دستور کار پژوهشی بلندمدت دربارهٔ آیندهٔ تعامل انسان و AI، انتشار در مجامع علمی و انتقال یافته‌ها به تیم‌های محصول و سیاست‌گذاری؛ مثل آگهی Research Scientist, Human-AI Interaction در Google DeepMind.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
سنجیدن چیزی که پاسخ درست ندارد
عمومیFigma می‌نویسد در محصولات AI خروجی غیرقطعی است و «آیا کار کرد؟» یک داوری است. پس معیار موفقیت را باید خود پژوهشگر تعریف و از آن دفاع کند؛ Google DeepMind این را صریحاً از Staff UX Researcher می‌خواهد.
تغییر سریع فناوری و انتظار کاربر
استارتاپHarvey از فضاهای مسئله‌ای می‌گوید که در آن‌ها هم فناوری و هم انتظار کاربر از آن به‌سرعت تغییر می‌کند، و Figma از اینکه انتظارات با تغییر امکان‌ها عوض می‌شود. یافته‌ای که امروز درست است ممکن است با نسخهٔ بعدی مدل کهنه شود.
مانع دکترا در مسیر پژوهشی
تحقیقاتیعنوانهای Research Scientist تقریباً همیشه دکترا می‌خواهند و آگهی Google DeepMind علاوه بر آن ۶ سال تجربهٔ پس از دکترا. دکترا سال‌ها طول می‌کشد و مسیر دانشگاهی هم درآمد کمتری دارد: دانشکدهٔ اطلاعات University of Washington برای یک استادیاری با تمرکز بر AI در سازمان‌ها حقوق پایهٔ ماهانهٔ ۱۳٬۰۰۰ تا ۱۴٬۹۳۵ دلار برای قرارداد نُه‌ماهه اعلام کرده است.
بازار ارشدمحور
عمومیبیشتر آگهی‌های باز برای پنج تا هشت سال سابقه‌اند و آگهی سطح ورود باز با حقوق اعلام‌شده پیدا نشد. ورود معمولاً از پژوهش کاربر عمومی یا کارآموزی دکترا می‌گذرد.
اثر گذاشتن بر تصمیم
شرکت بزرگپژوهش وقتی ارزش دارد که تصمیمی را عوض کند. Anthropic از پژوهشگر می‌خواهد یافته‌ها را تا تصمیم محصول دنبال کند و Suno می‌خواهد یافته‌ها به‌قدری زود برسند که شکل کار را عوض کنند، نه اینکه فقط آن را تأیید کنند.
حریم خصوصی هنگام مطالعهٔ استفادهٔ واقعی
عمومیدادهٔ استفادهٔ واقعی از AI ارزشمند و حساس است. Anthropic در Clio چند لایه حفاظت گذاشته است: حذف جزئیات خصوصی، نمایش خوشه فقط وقتی تعداد کافی کاربر یا گفتگو داشته باشد، و دسترسی محدود. پژوهشگر باید از ابتدا چنین محدودیت‌هایی را در طرح مطالعه بگذارد.
حقوق و بازار کار جهانی
حقوق جهانی پژوهشگر تعامل انسان و هوش مصنوعی
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- levels.fyi US, UX Researcher (all companies, not AI-only), updated Oct 23, 2026, 211 salaries: total comp 25th–75th pct; median
- Suno posting, Senior UX Researcher, Qualitative (Los Angeles; 5+ years), posted Sep 16, 2026: annual salary range; median = midpoint
- Harvey posting, Staff User Researcher (San Francisco; 5+ years), posted Jul 21, 2026, open Oct 2026: compensation range; median = midpoint
- Figma posting, Researcher, Figma Agentic Experiences (US hubs or remote; 7+ years), updated Aug 26, 2026, open Oct 2026: annual base range; median = midpoint
- Google DeepMind posting, Staff UX Researcher, GeminiApp (Mountain View/SF; 8 years), seen Oct 2026: US base range + 20% bonus target; median = midpoint
- Google DeepMind posting, Research Scientist, Human-AI Interaction (PhD + 6 years post-PhD), seen Oct 2026: US base range + 25% bonus target; median = midpoint
- Anthropic posting, User Experience Researcher, Platform (SF/NYC/Seattle; 'senior individual-contributor role', 8+ years preferred), posted Sep 9, 2026: annual salary range; median = midpoint
- levels.fyi Canada, UX Researcher (all companies, not AI-only), updated Oct 23, 2026, 18 salaries: total comp 25th–75th pct; median
- Huawei Canada posting, Researcher – Human-Computer Interaction (Markham ON; Master's or PhD, no years stated), posted Jun 22, 2026: total target annual compensation; median = midpoint
- Huawei Canada posting, Senior Researcher - Agent HCI (Markham ON; PhD or equivalent research experience; 12-month contract), posted Jul 22, 2026: total target annual compensation; median = midpoint
- Okta posting, Staff UX Researcher (Toronto; 7+ years), posted Sep 23, 2026: Canada base salary range; median = midpoint
- levels.fyi UK, UX Researcher (all companies, not AI-only), updated Oct 23, 2026, 10 salaries: total comp 25th–75th pct; median
- ITJobsWatch, 6 months to 23 Oct 2026: UK permanent ads titled User Researcher (all sectors); 25th–75th pct, median (162 salaries)
- levels.fyi Germany, UX Researcher (all companies, not AI-only), updated Oct 23, 2026, 15 salaries: total comp 25th–75th pct; median
- levels.fyi Netherlands, UX Researcher (all companies, not AI-only), updated Oct 23, 2026, 12 salaries: total comp 25th–75th pct; median
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: اصول تعامل انسان و AI
راهنمای PAIR و Guidelines for Human-AI Interaction را بخوانید و یک محصول AI را که هر روز استفاده می‌کنید با آن‌ها بسنجید.
ماه ۲: کار عملی با مدل‌های زبانی
با API یک مدل زبانی کار کنید تا خطاها و محدودیت‌هایش را از نزدیک ببینید؛ آگهی Anthropic انتظار دارد پژوهشگر بتواند چیز کوچکی روی پلتفرم بسازد.
ماه ۳: آمار و طراحی آزمایش
اگر آمارتان ضعیف است، همین‌جا محکمش کنید: t-test، ANOVA و مدل‌های mixed-effects در R.
ماه ۴: پروژهٔ اول
تست کاربردپذیری یک دستیار AI را اجرا کنید و گزارش کامل بنویسید.
ماه ۶: نمونه‌کار و درخواست
دو case study بنویسید که نشان دهد هر مطالعه چه تصمیمی را عوض می‌کند و برای نقش‌های UX Researcher روی محصولات AI اقدام کنید.
پروژه‌های پیشنهادی برای رزومه
تست کاربردپذیری یک دستیار AI
مبتدییک کار مشخص (مثلاً خلاصه‌سازی یک سند یا برنامه‌ریزی سفر) را به پنج تا هشت نفر بدهید تا با یک دستیار AI انجام دهند و بلند فکر کنند. جاهایی را که به خروجی اعتماد کردند یا شک کردند ثبت کنید و گزارش کوتاهی با یافته‌ها و پیشنهادهای طراحی بنویسید.
نظرسنجی اعتماد به خروجی AI
متوسطپرسشنامهای بسازید که اعتماد و میزان اتکای کاربران به پاسخ‌های AI را در چند موقعیت بسنجد، آن را روی یک نمونهٔ آنلاین اجرا کنید و نتایج را با آزمون‌های آماری مناسب تحلیل کنید. محدودیت‌های نمونه و پرسش‌ها را صادقانه بنویسید.
آزمایش کنترل‌شده: دو شیوهٔ نمایش عدم قطعیت
پیشرفتهدو نسخه از یک رابط بسازید: یکی که میزان اطمینان مدل را نشان می‌دهد و یکی که نشان نمی‌دهد. با یک آزمایش بین‌گروهی بسنجید کدام نسخه به تصمیم درست‌تر و اتکای به‌جاتر منجر می‌شود. طرح آزمایش را پیش از اجرا بنویسید.
تحلیل گفتگوهای واقعی کاربران با یک چت‌بات
پیشرفتهاز مجموعه‌دادهٔ عمومی WildChat، که یک میلیون گفتگوی کاربران با ChatGPT را در بر دارد، نمونه‌ای بردارید و گفتگوها را بر اساس نوع کار دسته‌بندی کنید. مثل رویکرد Clio در Anthropic، فقط الگوهای کلی را گزارش کنید و هیچ نمونهٔ قابل‌شناسایی را منتشر نکنید.
مطالعهٔ دفترچهٔ روزانه دربارهٔ کار با ایجنت‌ها
متوسطچند نفر را دو هفته همراهی کنید که در کار روزمره از ایجنت یا دستیار AI استفاده می‌کنند و هر روز تجربه‌شان را ثبت کنند. در پایان مصاحبه کنید و نشان دهید اعتماد و شیوهٔ استفاده‌شان در طول زمان چطور تغییر کرد؛ این همان پرسشی است که Figma در آگهی خود دربارهٔ ساخته شدن یا از دست رفتن اعتماد کاربران مطرح می‌کند.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق Wikipedia، کارشناسی ارشد و دکترای علوم کامپیوتر را از Stanford گرفت. پیش از Google در Microsoft Research مدیر حوزهٔ پژوهشی Interaction، Accessibility و Mixed Reality بود و گروه پژوهشی Ability را در آنجا بنیان گذاشت. بعد در Google Research مدیر تیم People + AI Research شد.
طبق صفحهٔ رسمی‌اش در Google Research، امروز Director و Principal Scientist تعامل انسان و AI در Google DeepMind است و روی پژوهش بنیادی تعامل انسان و AI و Human-Centered AI کار می‌کند. ACM Fellow و عضو آکادمی SIGCHI است. Wikipedia می‌نویسد تخصص او در فناوری‌های دسترس‌پذیر پلی برای گذار او از پژوهشگر HCI به پژوهشگر AI شد.
مسیر او نشان می‌دهد تخصص در یک حوزهٔ انسانی مشخص، اینجا دسترس‌پذیری، می‌تواند راه ورود به پژوهش AI باشد؛ لازم نیست از اول متخصص مدل بود.
طبق صفحه‌اش در Microsoft Research، کارشناسی علوم کامپیوتر و ریاضی و کارشناسی ارشد علوم کامپیوتر را از University of British Columbia و دکترای علوم و مهندسی کامپیوتر را از University of Washington گرفت. پیش‌تر تیم Human-AI Experiences (HAX) را در Microsoft رهبری می‌کرد که روی تعامل انسان و AI و AI مسئولانه کار می‌کرد.
نویسندهٔ Guidelines for Human-AI Interaction و HAX Toolkit است که به گفتهٔ Microsoft به شکل‌گیری استاندارد AI مسئولانهٔ این شرکت کمک کرد. امروز Partner Research Manager و از اعضای مؤسس آزمایشگاه AI Frontiers است و تیم Magentic را رهبری می‌کند که روی ایجنت‌ها و پلتفرم‌های چندایجنتی کار می‌کند.
کار او نمونه‌ای است از اینکه پژوهش تعامل انسان و AI وقتی به راهنمای عملی و ابزار تبدیل شود، از یک مقاله فراتر می‌رود و روی شیوهٔ ساختن محصول در یک سازمان بزرگ اثر می‌گذارد.
طبق Wikipedia، کارشناسی ریاضی و فیزیک را از City College of New York و کارشناسی ارشد و دکترای علوم کامپیوتر را از Stony Brook گرفت. استاد ممتاز دانشکدهٔ علوم کامپیوتر دانشگاه مریلند است و از ۱۹۸۳ تا ۲۰۰۰ مدیر مؤسس آزمایشگاه HCI این دانشگاه بود.
طبق Wikipedia، پژوهش‌های بنیادی در HCI انجام داد و ایده‌هایی مثل رابط direct manipulation و «هشت قاعدهٔ طراحی» را پیش برد. عضو National Academy of Engineering است و در ۲۰۰۱ جایزهٔ یک عمر دستاورد CHI را گرفت. کتاب Human-Centered AI او در فوریهٔ ۲۰۲۲ از سوی Oxford University Press منتشر شد.
او پس از دهه‌ها کار در HCI همان پرسش‌ها را به AI برد. به نظر می‌رسد اصول پایهٔ این رشته، مثل کنترل کاربر، با آمدن AI کهنه نمی‌شوند و فقط شکل تازه‌ای پیدا می‌کنند.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Researcher – Human-Computer Interaction
تحلیل نیازمندی‌ها
Master's or PhD in Human-Computer Interaction, Interaction Design, Industrial Design, Computer Science, Electrical or Computer Engineering, Human Factors, Cognitive Science, or a related field. We welcome candidates from diverse disciplinary backgrounds.
این آگهی از معدود نقش‌های پژوهشی HCI است که کارشناسی ارشد را هم می‌پذیرد. فهرست رشته‌ها هم باز است: از طراحی صنعتی و مهندسی برق تا علوم شناختی. یعنی کسی که از طراحی یا روان‌شناسی می‌آید هم می‌تواند اقدام کند، به شرط داشتن مدرک تحصیلات تکمیلی.
ضروریStrong interest in, and solid understanding of, how evolving AI capabilities may shape human-computer interaction, including how new intelligent interactions can work alongside traditional GUIs, input devices, and established user behaviors.
باید بدانید AI امروز چه کار می‌تواند بکند و چه نمی‌تواند، و چطور کنار رابط‌ها و عادت‌های موجود کاربر می‌نشیند. این دانش از کار مستمر با محصولات و مدل‌های تازه به دست می‌آید، نه از یک دوره.
ضروریFamiliarity with one or more relevant methods, such as user research, experimentation, or system evaluation, and the judgment to choose the right approach for each problem.
مهم‌تر از بلد بودن یک روش، دانستن این است که کدام روش برای کدام پرسش مناسب است. در مصاحبه احتمالاً از شما می‌پرسند برای یک مسئلهٔ مشخص چه مطالعه‌ای طراحی می‌کنید و چرا.
ضروریAbility to generate valuable ideas for open-ended interaction problems and develop them into clear concepts that can be discussed, iterated on, and tested.
این نقش فقط سنجیدن کار دیگران نیست؛ خودتان هم باید ایده بدهید و آن را به مفهومی روشن و قابل‌آزمون تبدیل کنید. نمونه‌کاری که مسیر ایده تا آزمون را نشان دهد، بهترین شاهد است.
مهمStrong systems thinking, with an understanding of relevant technical capabilities and constraints and the ability to work with design and engineering teams to move solutions forward.
پیشنهادی که از نظر فنی شدنی نباشد به جایی نمی‌رسد. باید محدودیت‌های سخت‌افزار، نرم‌افزار و مدل را بشناسید تا بتوانید با مهندسان به زبان مشترک برسید.
مهمHands-on experience in interaction innovation, intelligent systems, consumer electronics, digital products, or interaction research, design, or engineering.
تجربهٔ عملی در یکی از چند حوزه کافی است؛ لازم نیست همهٔ آن‌ها را داشته باشید. پروژه‌های دانشگاهی، کار طراحی محصول یا پژوهش کاربر همه می‌توانند این شرط را پوشش دهند.
مهمExperience advancing interaction ideas into prototypes, system concepts, technical solutions, patents, or product directions is an asset.
امتیاز است، نه شرط. اما نشان می‌دهد خروجی این آزمایشگاه به محصول و ثبت اختراع ختم می‌شود، نه فقط به گزارش.
مفیدتحلیل مسئولیت‌ها
Contribute to research and exploration at the intersection of intelligent devices, AI experiences, and emerging interaction paradigms, with a focus on how human-computer interaction is evolving in the AI era and how established and emerging interaction approaches may work together.
موضوع اصلی این است که تعامل با دستگاه‌ها در دورهٔ AI چطور تغییر می‌کند. آزمایشگاه روی گوشی، ابزار پوشیدنی و دستگاه‌های تازه کار می‌کند، پس تعامل فقط صفحه و متن نیست؛ صوت، لمس، تصویر و حرکت هم هست.
Bring together technological capabilities, user needs, device form factors, and real-world scenarios to identify high-value interaction problems and opportunities.
بخش اول کار پیدا کردن مسئلهٔ درست است: جایی که نیاز واقعی کاربر، توان فناوری و شکل دستگاه به هم می‌رسند. این همان مهارت انتخاب پرسش است که آگهی‌های دیگر هم می‌خواهند.
Propose novel interaction concepts, mechanisms, and system-level approaches that address concrete challenges people face with intelligent systems, leveraging possibilities enabled by evolving technology.
از پژوهشگر انتظار پیشنهاد هم می‌رود، نه فقط مشاهده. باید شیوه‌ای تازه برای حل مشکلی پیشنهاد کنید که مردم واقعاً با سیستم‌های هوشمند دارند.
Turn interaction concepts into concrete scenarios, use cases, and testable proposals, and collaborate with design, engineering, and technology teams to validate key assumptions and experiential value through prototypes and experiments.
ایده باید به سناریو و پیشنهاد قابل‌آزمون تبدیل شود و با نمونهٔ اولیه و آزمایش سنجیده شود. این چرخه، از ایده تا آزمون، هستهٔ کار روزانه است.
Evaluate interaction solutions with appropriate user research and technical methods, covering efficiency, learnability, understandability, controllability, trust, and quality of collaboration, and continuously iterate solutions based on findings.
این فهرست، معیارهای اصلی این حوزه را یک‌جا آورده است: کارایی، یادگیری‌پذیری، فهم‌پذیری، کنترل‌پذیری، اعتماد و کیفیت همکاری. اعتماد و کیفیت همکاری همان چیزهایی‌اند که در محصولات AI از معیارهای معمول UX مهم‌تر می‌شوند.
Collaborate with AI, software, hardware, sensing, design, and product teams to advance promising interaction concepts toward implementable system solutions, technical proposals, patents, or product directions.
کار میان‌رشته‌ای است و با تیم‌های زیادی سروکار دارید. توانایی توضیح ایده برای مهندس سخت‌افزار و مدیر محصول، به همان اندازهٔ مهارت پژوهشی اهمیت دارد.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از پژوهشگر HCI در یک آزمایشگاه صنعتی می‌دهد: کسی که مسئلهٔ تعامل با سیستم‌های هوشمند را پیدا می‌کند، راه‌حل تازه پیشنهاد می‌دهد، آن را با نمونه و آزمایش می‌سنجد و با تیم‌های فنی تا محصول می‌برد. برخلاف بیشتر نقش‌های پژوهشی این حوزه، کارشناسی ارشد هم پذیرفته می‌شود و تعداد سال سابقه مشخص نشده است. جبران خدمت هدف سالانه ۱۰۶ تا ۱۵۶ هزار دلار کانادا اعلام شده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS آمریکا پیش‌بینی می‌کند اشتغال در گروه «پژوهشگران کامپیوتر و اطلاعات» (Computer and Information Research Scientists) از ۲۰۲۵ تا ۲۰۳۵، ۲۲٪ رشد کند، بسیار سریع‌تر از میانگین همهٔ مشاغل. O*NET مشارکت در پروژه‌های میان‌رشته‌ای HCI را جزو وظایف همین گروه آورده است، اما این رقم فقط مسیر Research Scientist را می‌پوشاند و آمار رسمی جداگانه‌ای برای UX Researcher نیست. در بریتانیا، ITJobsWatch در شش ماه منتهی به ۲۳ اکتبر ۲۰۲۶، ۲۷۰ آگهی استخدام دائم با عنوان User Researcher شمرده است؛ همین بازه در ۲۰۲۵، ۵۹ و در ۲۰۲۴، ۲۸ آگهی بود.
منبع: BLS Occupational Outlook Handbook (2025–35); ITJobsWatch (UK)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
دانشکدهٔ اطلاعات University of Washington در آگهی استادیاری که از ۱ سپتامبر ۲۰۲۷ شروع می‌شود همکاری انسان و AI، تصمیم‌گیری و کار دانشی را در فهرست حوزه‌های مورد علاقه‌اش آورده و دپارتمان Informatics دانشگاه UC Irvine هم برای شروع از ۱ ژوئیهٔ ۲۰۲۷ عضو هیئت علمی HCI استخدام می‌کند. این نشان می‌دهد دانشگاه‌ها هم این حوزه را برای سال‌های آینده جدی گرفته‌اند.
BLS آمریکا پیش‌بینی می‌کند اشتغال گروه پژوهشگران کامپیوتر و اطلاعات تا ۲۰۳۵، ۲۲٪ رشد کند و سالانه به‌طور میانگین حدود ۲٬۹۰۰ فرصت شغلی در این گروه پدید آید.
خود AI کار پژوهشگر را هم تغییر می‌دهد. Anthropic، Okta و Harvey همه انتظار دارند پژوهشگر کارش را با ابزارهای AI جلو ببرد و Okta از به کار گرفتن AI برای کدگذاری کیفی، جمع‌بندی و عملیات پژوهش در مقیاس نام می‌برد؛ یعنی بخشی از کارهای تکراری به این ابزارها سپرده می‌شود و ارزش پژوهشگر بیشتر در انتخاب پرسش، طراحی مطالعه و قضاوت است. ریسک دیگر ساختار بازار است: آگهی‌های باز تقریباً همه ارشدند، مسیر Research Scientist دکترا می‌خواهد، و ارقام عمومی پژوهش کاربر در بعضی کشورها، مثل میانهٔ ۶۱٬۲۵۰ پوند برای User Researcher در بریتانیا، بسیار پایین‌تر از بازه‌های آزمایشگاه‌های بزرگ AI است.
منابع
اطلاعات این صفحه در تاریخ ۱ آبان ۱۴۰۵ از این ۳۴ منبع بررسی شده است.
- Researcher – Human-Computer Interaction — Huawei Canada (job posting)
- Senior Researcher - Agent Human-Computer Interaction — Huawei Canada (job posting)
- Research Scientist, Human-AI Interaction — Google DeepMind (job posting)
- Staff UX Researcher, GeminiApp — Google DeepMind (job posting)
- UX Designer, Human-Computer Interaction — Google DeepMind (job posting)
- Research Scientist, User Signals from Agentic Logs — Google DeepMind (job posting)
- User Experience Researcher, Platform — Anthropic (job posting)
- Researcher, Figma Agentic Experiences — Figma (job posting)
- Staff UX Researcher — Okta (job posting)
- Staff User Researcher — Harvey (job posting)
- Senior UX Researcher, Qualitative — Suno (job posting)
- AIML - Senior Applied ML Research Scientist, Accessibility — Apple (job posting)
- Postdoctoral Researcher, Human Aware Interaction Learning — Toyota Research Institute (job posting)
- Research Intern - Extended Perception Interaction Cognition (EPIC) — Microsoft Research (job posting)
- Research Intern - MSR AI Interaction and Learning — Microsoft Research (job posting)
- Open Rank Faculty Position in Human-Computer Interaction (JPF10388) — UC Irvine Department of Informatics (job posting)
- Assistant Professor, Tenure-Track, Information Systems and Information Management — University of Washington Information School (job posting)
- levels.fyi — UX Researcher salary, United States
- levels.fyi — UX Researcher salary, Canada
- levels.fyi — UX Researcher salary, United Kingdom
- levels.fyi — UX Researcher salary, Germany
- levels.fyi — UX Researcher salary, Netherlands
- ITJobsWatch — User Researcher (UK)
- BLS Occupational Outlook Handbook — Computer and Information Research Scientists
- O*NET OnLine — 15-1221.00 Computer and Information Research Scientists
- Meredith Ringel Morris — Google Research
- Meredith Ringel Morris — Wikipedia
- Saleema Amershi — Microsoft Research
- Guidelines for Human-AI Interaction — Microsoft Research
- Ben Shneiderman — Wikipedia
- Human-Centered AI — Ben Shneiderman (UMD HCIL)
- Anthropic — Clio: privacy-preserving insights into real-world AI use
- People + AI Guidebook — Google PAIR
- HAX Toolkit — Microsoft