# مشخصات درس‌نامه: تحلیل هوشمند بازخوردها و اولویت‌بندی تغییرات (Feedback & Prioritization)
- **شناسه در سیلابس:** `L15.2`
- **فصل:** فصل ۱۵: تکامل محصول با AI (Ch 15)
- **نوع محتوا:** 📘 درس‌نامه متنی
- **زمان تقریبی مطالعه:** ۱۶ دقیقه
- **پیش‌نیازهای مستقیم:** `L15.1` (اهداف فصل پانزدهم)

---

## ۱. اهداف یادگیری (Learning Objectives - Bloom's Taxonomy)
دانشجو پس از مطالعهٔ این درس‌نامه باید بتواند:
- [ ] **درک کند (Understand):** تفاوت میان بازخوردهای کمی (Quantitative: نرخ پرش، نقشه‌های حرارتی) با بازخوردهای کیفی (Qualitative: نظرات مستقیم کارفرمایان و پیام‌های فرم تماس) را شرح دهد.
- [ ] **تحلیل/ارزیابی کند (Evaluate):** درخواست‌های پراکنده و متناقض کاربران را با استفاده از ماتریس ارزش در برابر تلاش (Value vs Effort) و چارچوب RICE اولویت‌بندی کرده و از تله اضافه کردن بی‌رویه فیچرها (Feature Creep) بپرهیزد.
- [ ] **درک کند (Understand):** چگونه ضریب «تلاش» (Effort) در عصر وایب کدینگ به شدت کاهش یافته و فیچرهایی که قبلاً هفته‌ها زمان می‌بردند، به دستاوردهای سریع (Quick Wins) تبدیل شده‌اند.
- [ ] **ایجاد کند (Create):** یک پرامپت تحلیلی برای ایجنت بنویسد که با دریافت ده‌ها متن پیام، تیکت و لاگ کاربر، بازخوردها را خوشه‌بندی، دسته‌بندی احساسی (Sentiment Analysis) و ۳ فیچر طلایی نسخه بعدی را استخراج نماید.

---

## ۲. محدوده و مرزهای محتوا (Scope & Boundaries)

### آنچه باید پوشش داده شود (In-Scope):
1. **استعاره ساخت قایق موتوری از روی چوب‌پنبه:**
   * بازخورد کاربر بادبان‌های شماست؛ بدون بادبان در جا می‌زنید، اما اگر باد از هر طرف بوزد و سکان نداشته باشید غرق می‌شوید.
2. **منابع جمع‌آوری بازخورد در پروژه پورتفولیو:**
   * بازخورد رفتاری: ویدیوهای مایکروسافت کلاریتی (کجاها کاربر معطل شد یا دکمه را پیدا نکرد؟).
   * بازخورد کلامی: پیام‌های دریافتی در فرم تماس، کامنت‌های شبکه‌های اجتماعی و فیدبک مستقیم همکاران.
3. **ماتریس ارزش در برابر تلاش (Value vs Effort Matrix):**
   * دستاوردهای سریع (Quick Wins): ارزش بالا، تلاش کم (بهترین گزینه برای شروع فاز تکامل).
   * پروژه‌های کلیدی (Major Projects): ارزش بالا، تلاش زیاد (نیازمند برنامه‌ریزی دقیق).
   * کارهای پرزحمت بی‌فایده (Thankless Tasks): ارزش کم، تلاش زیاد (باید فوراً حذف یا نادیده گرفته شوند).
4. **تغییر بنیادین متغیر «تلاش» با هوش مصنوعی:**
   * کارهایی که در برنامه‌نویسی سنتی «پروژه سنگین» بودند (مانند ساخت فیلتر چندگانه پروژه‌ها یا دارک‌مود پیشرفته)، در وایب کدینگ به دلیل تسلط ایجنت‌ها به «دستاوردهای سریع» تبدیل می‌شوند.
5. **استفاده از هوش مصنوعی برای تحلیل متون حجیم بازخورد:**
   * خوشه‌بندی نظرات کاربران، تشخیص نقاط درد مشترک (Pain Points) و رتبه‌بندی نیازها.
6. **جعبه پرامپت طلایی برای تحلیل فیدبک‌ها:**
   * پرامپت جامع سنتز بازخوردها و خروجی ساختاریافته در قالب فایل `feedback-summary.md`.
7. **کال‌اوت‌های آموزشی و هشدار کوئرا:**
   * کال‌اوت بنفش (`<details class="violet">`): خطر تله «اقلیت پر سر و صدا» (Vocal Minority)؛ یک کاربر پرسروصدا نباید نقشه راه محصول را به بیراهه ببرد.
   * کال‌اوت سبز (`<details class="green">`): احساس رضایت وقتی یک بازخورد تکراری کارفرما را در کمتر از نیم ساعت با کمک ایجنت برطرف می‌کنید.
   * کال‌اوت قرمز (`<details class="red">`): تله شلوغی رابط کاربری (Feature Creep)؛ افزودن ۵ دکمه جدید نباید تمیز بودن و سادگی پورتفولیو را نابود کند.

### آنچه نباید وارد آن شویم (Out-of-Scope):
- نرم‌افزارهای پیچیده مدیریت محصول سازمانی نظیر Jira Align یا Aha.
- مطالعات عمیق روان‌سنجی در تحقیقات کاربری تجاری (UX Research آکادمیک).

---

## ۳. مفاهیم کلیدی و کلمات تخصصی (Key Concepts & Terms)

| اصطلاح انگلیسی | معادل فارسی مصوب | توضیح یک‌خطی ساده |
| :--- | :--- | :--- |
| Feature Creep | تورم ویژگی‌ها | گسترش بی‌رویه و شلوغ شدن محصول با قابلیت‌های کم‌اهمیت که موجب افت کیفیت کلی می‌شود |
| Value vs Effort Matrix | ماتریس ارزش در برابر تلاش | ابزار ۲ بعدی اولویت‌بندی تسک‌ها بر اساس اثرگذاری روی کاربر در برابر زحمت پیاده‌سازی |
| Quick Wins | دستاوردهای سریع | قابلیت‌هایی با ارزش کاربری بسیار بالا و سختی پیاده‌سازی اندک که رضایت آنی ایجاد می‌کنند |
| RICE Framework | چارچوب اولویت‌بندی رایس | مدل فرمول‌محور سنجش ایده‌ها بر اساس ۴ فاکتور: دسترسی، اثر، اطمینان و تلاش |
| Vocal Minority | اقلیت پر سر و صدا | گروه کوچکی از کاربران با نظرات تند که بازتاب‌دهنده نیازهای قاطبه کاربران واقعی نیستند |
| Sentiment Analysis | تحلیل تمایلات و احساسات | پردازش هوشمند متون نظرات برای درک رضایت، خشم یا سرخوردگی کاربران از یک قابلیت |

---

## ۴. جایگاه‌های تصاویر و نمودارها (Visual & Diagram Placeholders)
> **راهنمای ایجنت نویسنده:** تمام تصاویر باید در پوشهٔ `images/` ذخیره شده و در جدول تک‌خانه‌ای وسط‌چین درج شوند:

1. **تصویر کاور درس:** `images/cover.png`
   * **موضوع:** تابلوی نئونی قیف بازخورد کاربران با نمادهای ستاره، پیام‌های قلبی و تیک‌های سبز که به صورت خوشه‌های منظم مرتب شده‌اند.
2. **ماتریس ارزش در برابر تلاش در عصر وایب کدینگ:** `images/value-vs-effort-matrix.png`
   * **موضوع:** نمودار ۴ خانه‌ای: Quick Wins (سبز پررنگ)، Major Projects (آبی)، Fill-ins (زرد)، و Money Pits (قرمز تیره) با مثال‌های مشخص پورتفولیو.
3. **فرآیند خوشه‌بندی بازخوردها توسط مدل هوش مصنوعی:** `images/ai-feedback-clustering-flow.png`
   * **موضوع:** اینفوگرافیک ورودی نظرات خام کاربران $\rightarrow$ موتور پردازش هوش مصنوعی $\rightarrow$ تفکیک به سه دسته: باگ‌های ظاهری، درخواست امکانات نو، و بهبود سرعت.
4. **پیش‌نمایش سند نقشه راه جدید حاصل از فیدبک:** `images/feature-roadmap-card-preview.png`
   * **موضوع:** کارت دیجیتال شیک با عنوان «آپدیت نسخه ۲.۰ پورتفولیو» و لیست اولویت‌های سه‌گانه منتخب.

---

## ۵. بخش‌بندی و ساختار محتوایی پیشنهادی درس‌نامه (`README.md`)

1. **تیتر اصلی:** `# تحلیل هوشمند بازخوردها و اولویت‌بندی تغییرات (Feedback & Prioritization)`
2. **مقدمه:** محصول شما منتشر شد و کاربران شروع به استفاده کردند؛ چگونه از میان صدها ایده، دقیقاً همان تغییری را بسازیم که بیشترین لبخند را خلق می‌کند؟
3. **جدول کاور درس**
4. **استعاره بازخورد به عنوان قطب‌نما، نه فرمان اتومبیل:**
   * گوش کردن به صدای کاربران هنر است، اما راننده نهایی شما هستید.
5. **جمع‌آوری داده‌ها: ترکیب طلایی کلاریتی و پیام‌های دریافتی پورتفولیو:**
   * بررسی چرایی رها شدن فرم تماس و درخواست کارفرمایان برای دیدن دموهای زنده پروژه‌ها.
6. **ماتریس طلایی ارزش در برابر تلاش (Value vs Effort):**
   * چرا هوش مصنوعی موازنه قدرت را به نفع Quick Wins تغییر داده است؟
7. **دام بزرگ Feature Creep و هنر «نه» گفتن به ایده‌های وسوسه‌انگیز:**
   * حفظ سادگی، مینیمالیسم و هویت اصلی محصول.
8. **جعبه پرامپت طلایی: تحلیل و خوشه‌بندی نظرات با ایجنت:**
   * پرامپت دقیق:
     > «من این فهرست شامل ۳۰ بازخورد و پیام مختلف از کارفرمایان و بازدیدکنندگان پورتفولیو دارم: [متن بازخوردها]. لطفاً ۱) نظرات را به ۳ دسته موضوعی خوشه‌بندی کن، ۲) بار احساسی و میزان فوریت هر دسته را مشخص نما، و ۳) بر اساس ماتریس Value vs Effort، ۳ ویژگی با بالاترین ارزش و کمترین زحمت پیاده‌سازی را برای نسخه بعدی پیشنهاد بده.»
9. **باکس نکته Quera (`<details class="violet">`):** استفاده از چارچوب RICE زمانی که بین دو ویژگی فوق‌العاده مردد هستید.
10. **باکس هشدار Quera (`<details class="red">`):** هرگز بر اساس نظر یک فرد منفرد (حتی اگر دوست صمیمی شما باشد) کل ظاهر سایت را تغییر ندهید؛ به الگوهای تکرارشونده نگاه کنید.
11. **باکس رضایت‌بخش Quera (`<details class="green">`):** تصمیم‌گیری روشن و تدوین فهرست طلایی ویژگی‌های نسخه بعدی با آرامش خیال کامل.
12. **جمع‌بندی درس‌نامه:** اولویت‌بندی شفاف نیازها؛ ورود به ایستگاه تبدیل این ایده‌ها به مشخصات دقیق (Specification) برای ایجنت در درس بعدی.

---

## ۶. معیارهای پذیرش (Acceptance Criteria for Reviewer)
- [ ] تمایز میان بازخوردهای کمی و کیفی به همراه منابع جمع‌آوری تبیین شود.
- [ ] ماتریس Value vs Effort با تاکید بر تحول مفهوم «تلاش» در عصر AI تشریح گردد.
- [ ] خطرات Feature Creep و شیوه مهار آن به صورت ملموس بیان شود.
- [ ] پرامپت تحلیل هوشمند نظرات و استخراج نقشه راه آینده ارائه گردد.