Unity AssetBundle(3):图集Atlas与AB包_工具

前篇：Unity AssetBundle(1):Assets打包和依赖(Dependencies)理解

前篇的验证没有加入图集Atlas这个因素，对于图集Atlas与AB包之间的关系一直有点困惑：

为此做了一个实验：一组四张图tex1-4：

github:GeWenL / AssetBundlePro

tex1-4; 不打图集，且单独打成不压缩的ab包，大小如下图所示。

现在打成同一个图集Atlas， tex1png、tex2png打在tex12 ab包中，tex3png、tex4png打在tex34 ab包中：

发现打出来的ab包大小非常大，且大小一样4104K，用UnityStudio查看两个ab包：

发现这两个ab包，都写入了相同的图集纹理，只是各自的Sprite不同。

因此要注意图集与AssetBundle的关系，一个AssetBundle可以包含多个图集，但一个图集的资源只能存在于一个AssetBundle中。否则会造成资源冗余。

作为用户研究常用的方法范式，质性研究为我们的提供了挖掘用户需求、发现产品痛点、评估用户体验的可能。不管是可用性测试、任务分析，还是开放式问卷，都带有质性研究的属性。

基于这些问题，本篇以网易某产品app中一个页面的可用性测试为例，介绍用研中Atlasti这款质性研究工具的使用技巧和业务用途，让大家了解如何通过工具的使用来更有效地发现产品中的痛点和潜在的用户需求。

我们日常中接触到的信息资料，大多以质性资料（亦即定性资料）的形式存储，诸如文本、多媒体材料等举不胜数。可以说，质性资料中包含着丰富的信息，也蕴含着极高的价值。以用户研究来说，质性资料的获得的形式、获取渠道丰富而可观：

得到这些资料并完成预处理后，我们就会开始质性分析的分析过程，狭义上的质性研究也是从这里开始的。

一般来说，对质性资料的处理要经过开放式编码、轴心式编码、选择式编码这样一个循序渐进的过程，从最初简单的编码到编码簇与编码关联的建立，再到核心编码的确认。通过逐步深入、逐步凝练的过程，我们就可以从最初的原始资料中获得质性结论，最后则是结论的报表或可视化展现。

然而长久以来，质性研究的热度似乎始终低于量化研究，即使是在学术领域，质性研究也只得到了一小部分学者的青睐。究其原因，我们认为或许是因为这些：

质性研究的资料分析过程对任何人来说都是一件令人头疼的事——资料庞杂、程序繁琐、耗费时力，所以工具的选用对于质性研究来说就变得非常有必要，这既让我们的工作更便捷，也让我们的研究结果更可靠。

目前较为成熟、常用的质性研究工具也有不少，本篇以Atlasti 75版本为例，首先会介绍Atlasti 75的基本情况，然后通过一个用研可用性测试案例说明如何通过Atlasti对资料进行挖掘。

以2016年初我们进行的一项针对网易某产品App的可用性测试为例，出于案例说明简易性的需要，我们选择了此次可用性测试的一部分即针对该app投资理财页面的局部可用性测试进行介绍。

此次可用性测试中，我们重点考察了2部分，第一部分是用户对App页面信息结构认知的心理模型，第二部分是用户对页面内不同区块间信息架构差异的感知。

在用户筛选方面，我们依据产品的业务特征、产品使用场景特征等，选择了理财、支付、支付+理财以及游戏支付用户共4类。

此前的用户研究工作中我们已发现，用户在移动端选择互联网理财产品的心理模型是先了解所有理财产品类别，再确定目标理财产品类别，最后在已确定的类别中选择具体的理财产品。所以，针对该页面的可用性测试中，我们依据该行为模型设计了一些列任务要求用户完成，希望从中发现我们产品中存在的一些可用性问题。

作为质性研究常用工具之一，Atlasti最初是在大约1990年，由德国学术研究者出于研究需要而开发的一款质性资料分析工具。目前该工具已升级到75版本，最新的第8代也即将到来。自从问世以来，Atlasti已经逐渐在语言学、心理学、计算机等多个领域的学术研究中被广泛使用。

外观上，Atlasti 75版本与一般图形界面工具并无太大差异，也包括菜单栏、工具栏、工作区域等控件。值得关注的是Atlasti 75中的几个重要快捷功能区域，了解这些区域对其使用和后面的案例介绍非常有必要，所以这里先做一下简要的介绍：

当我们完成资料的搜集后，一般需要对资料做一个简单地整理，这个过程是通过“文档管理器”完成的——通过要点击Atlasti第一个快捷管理器的“P-Doc”按钮进入。

在文档管理器中可以看到，Atlasti支持的质性材料类型非常丰富，文本（txt、doc、pdf等）、富媒体材料（音频、视频、）、谷歌地图文件等。当然，用研中经常使用的开放式问卷（excel文件）也可以直接导入到Atlasti中。如下图所示，本篇所用案例仅涉及doc、txt、这3种材料，共计7个文件。

对文档的管理除了重命名、编写备忘录等最基本的 *** 作之外，最重要的是对文档进行分组——在Atlasti中叫做“ 文档家族管理 ”。如下图界面区域的左侧，是本篇所用案例中依据用户类型、性别两个指标建立的6个“文档家族”（Documents familiy）。

文档分组（建立文档家族）让我们了解到这次研究项目的整体情况，例如如此次用户研究项目共涉及4种类型的用户。同时，后续还可以以此为基础，比较质性分析结果在不同组间的差异，让我们的结论更深入、具体，例如理财用户和支付用户对界面架构感知的差异——这一点是本篇后面分析环节的一个重点。

按照质性分析流程，获得文档并进行初步管理后，就可以开始分析过程了，而质性分析通常又是从资料的编码开始的。由于在用研中获得的质性资料形式是各种各样的，下面介绍的文档编码分析也会依据资料类型的不同展开详述。

开放式问卷也是用研中经常见到的一种资料收集方式，其独特性在于开放式问卷中不仅包含开放式问题，也包含各种定量数据如性别、收入水平、教育水平等。

但在处理开放式问卷方面，Atlasti还有一个突出优势，就是它不仅能够解读开放式问题的答案，而且能够依据定量指标建立分组（类似于在文档管理器中“新建文档家族”），让我们更深入地解读开放式问题的答案在不同分组之间的差异。

通过上述 *** 作完成所有资料的编码后，我们可以在Atlasti的“编码管理器”中查看所有编码，如下图所示，本篇案例中我们一共获得了13个一级编码。

如上图所示，我们发现在本次测试的app中，理财产品的现有分类方式导致用户无法直观了解到所有理财产品的类别这一问题最为突出（走下角红色字体），而对应的用户期望（潜在的解决办法）中“直接提供一个理财产品排列的子导航条”也最为突出。另外，点击该编码会d出一个新的对话框，对话框中列出了该编码对应的原始文本资料，让我们可以快速回查原始记录。

编码云只能让我们了解到问题点的状况，为了进一步了解每个问题的详情，例如该问题产品的结果等等，我们还需要为每个编码建立语义网络。建立网络视图的基本步骤如下：

通过语义网络分析我们发现，“理财产品分类不容易看全”这一问题导致了“用户认为理财产品的选择很麻烦”和“直接跳过靠后的理财产品”这两个问题。同时，我们还看到伴随这一问题出现了2个用户的期望，包括“用户希望直接给出一个理财分析的子导航条”和“按照一个直观、易习得的方式排列理财产品”。

如图所示，我们在可用性测试中发现的一个问题，可能对应着不止一个解决办法，那么该如何决定那种解决办法更为用户所期许呢？这一问题既是用户研究需要回答的问题，也是产品优化所必需的答案。这里我们就需要使用Atlasti的分析功能来回答这个问题了。

通过共现列表我们发现，对于“理财产品分类不容易看全”这一问题，用户更偏向的是“直接提供一个理财产品排列的子导航条”这一解决方式。

通过编码共现分析，我们回答了每个问题对应的用户期望或解决办法中应该选择哪个的问题。但是我们还注意到，由于此次可用性测试涉及4种不同类型的用户，其中“理财”和“理财+支付”用户都具有理财经验，而“支付”和“游戏支付”用户则不具有理财经验；换句话说，此次可用性测试涉及理财老用户和理财新用户，他们在可用性测试任务中遇到的问题是否有所差异？

接下来，我们将通过编码-文档共现分析来对这一问题的答案进行挖掘，而完成这一分析的前提便是之前提到的“文档家族”。

通过上述一系列的分析过程，我们了解到了测试产品中尚存在的一些问题、问题的优先级、问题表现在不同用户群体间的差异，以及一些潜在的解决办法。

本篇以网易某产品app的特定页面的可用性测试为例，介绍了如何通过Atlasti 75这款工具的使用，在大量的质性资料中发掘有价值的结论。不可忽略的是，工具的使用是根据项目需求决定的，特定的项目目的决定了我们要使用怎样的工具。本篇中的Atlasti也只是质性资料分析工具中的一种，它有自己的优势，也存在不足。下表列举了以Rost CM6为代表的文本分析工具和以Atlasti为代表的执行分析工具之间的差异，或许可以作为工具选择的一些参考。

在用研工作中，以Rost CM6为代表的工具适用于个案量大、单个案内容体量小的文本资料，这类工具可以有效地完成文本资料的分词、语义网络、情感分析等工作。以Atlasti为代表的工具，则适用于体量有限、材料形式多样但有着高挖掘深度和精度的各类质性资料。

可以在Phaser编辑器中打开和编辑ATLAS 文件。编辑完ATLAS 文件后，可以生成纹理ATLAS 纹理ATLAS 包括带有人物纹理的PNG图像和包含每个部分在PNG文件中的位置的JSON 文件。JSON文件被游戏引用，以对游戏中的每个角色或对象应用正确的纹理。

首先，将好的NGUI插件导入的相应的项目中。

打开NGUI菜单，Open-;Atlas Maker。这个菜单可以让我们快速的创建一个游戏中的图集。

在该菜单打开后，只需要在文件下选择需要添加的入图集的便可自动加入到图集项目中，多张可以使用Ctrl或shift来选择。

点击create或add来创建或添加图集。下面便是我们的创建的图集文件。

由于插件体积越来越大，WOW43后的Atlas将一些模块分离为可选模块，如：经典模块，燃烧的远征模块和巫妖王之怒模块。

请你仔细检查addons里有没有你需要查看的副本地图模块：

Atlasloot - 装备物品掉落查询

AtlasQuest - 副本任务插件

AtlasMajorCities - 显示所有主城NPC数据

Atlas_Arena- 显示竞技场地图

AtlasWorld - 显示世界地图

Atlas_WorldEvents - 显示世界事件

Atlas Battlegrounds - 显示战场地图

Atlas Dungeon Locations - 显示副本和位置地图

Atlas Outdoor Raids - 显示户外首领战的地图

Atlas Transportation - 显示交通运输示意图

Atlas Classic WoW - 魔兽世界经典旧世模块

Atlas Burning Crusade - 魔兽世界燃烧的远征模块

Atlas Wrath of the Lich King - 巫妖王之怒模块

一) 按对信息收录的学科范围划分

1综合性数据库所收录信息覆盖学科范围广，涉及多门学科，检索范围广泛。如Web of

Science、中国知网(CNKI)、万方数据知识服务平台等。

2专业性数据库所收录信息仅展于某一学科领城，专业性强，用于检索特定专业文献。

如PubMed/MEDLINE、CA 和中国生物医学文献数据库Chinese BioMedial Literature Database,

以下简称CBM )等。

3专题性数据库收录信息仅限于某一特定对象或专题，适用于专题检索。如中国药物专利数据库、GenBank( 核酸序列数据库)等。

(二) 按收录信息内容的类型不同划分

1文献型数据库( literature database) 是指以各类型文献为内容的数据库，包括书目数据库( bibliographic database )和全文数据库(full-text database )。

书目数据库是指存储次文献信息的数据库，包括题录数据库、文摘数据库、目录数据库等，是信息检索最常用的数据库。为检索者提供文献出处，检索结果是文献的线索而非原文。

如中国生物医学文献数据库(CBM )、MEDLINE 等。

全文数据库是存储文献全文的数据库，包括图书全文数据库、期刊全文数据库、学位论文全文库等，是信息检索中最受欢迎的数据库。如书生之家数字图书馆、超数字图书馆CNKI、万方数据知识服务平台等都拥有不同类型文献的全文数据库。

2数值型数据库( numerical database ) 是存就有关科研数据、教们,包括各种统计教据、实验数据、临床检验数据等数值型信息的数据库。如美国国医学图书编制的化学物质毒性数据库RTECS,包含了10 万多种化学物质的急慢性毒理实验数据。

3事实型数据库( fact database ) 也称指南数据库( directory database )，主要存储某种具体事实、知识数据的非文献信息源的一般参考性、指示性资料信息，每个条目都是对一个事实确切、完整的描述。如人物数据库、机构名录数据库、产品或商品信息数据库以及指南库、术语数据库等。如美国医生数据咨询库PDQ( Physician Data Query )，为医生提供肿瘤诊断、治疗、预后、临床研究等详细资料，相当于一部有关肿瘤的百科全书。

4图像数据库( image database) 是指以图像、图面、图形等为信息主体数据集合。如美国国立医学图书馆( NLM )的可视人计划数据库( the visible human project)和哈佛大学医学院的全脑图谱数据库(the whole brain atlas )等。

5多媒体数据库( multimedia database) 是存储数值、文字、表格、图形、图像、声音等多种媒体信息的数据库，如NLM 的医学史数据库( history of medcine )。

打开新浪新闻

回到首页查看更多精彩

打开新浪新闻，阅读体验更佳

Unity AssetBundle(3):图集Atlas与AB包

发表评论

评论列表（0条）