Самый бесчеловечный интерфейс?
Начиная с 1944 года, японцы использовали пилотируемые ракеты "Ohka" (цветок сакуры) как оружие камикадзе. Интерфейс представлял собой минималистичный набор рычагов и индикаторов в кабине, где пилот управлял полетом после отделения от носителя (бомбардировщика G4M). Экзотичность и инновационность заключалась в концепции одноразового человеческого интерфейса, где пилот становился частью системы, жертвуя собой для поражения цели. Пилот направлял бомбу на цель, жертвуя собой, что делало это интерфейсом для самоубийственной миссии, не имеющим аналогов в массовом применении.
Единственным аналогом могут быть японские же человекоподобные торпеды "Kaiten" с подводниками-камикадзе. Ohka доказал свою эффективность уничтожением судов, что по стоимости несоизмеримо с потерями авиации при выполнении этой задачи.
Тут еще интересно вот что - человек-пилот был в этом решении буквально биологическим компьютером для рассчетов и управления ракетой
Начиная с 1944 года, японцы использовали пилотируемые ракеты "Ohka" (цветок сакуры) как оружие камикадзе. Интерфейс представлял собой минималистичный набор рычагов и индикаторов в кабине, где пилот управлял полетом после отделения от носителя (бомбардировщика G4M). Экзотичность и инновационность заключалась в концепции одноразового человеческого интерфейса, где пилот становился частью системы, жертвуя собой для поражения цели. Пилот направлял бомбу на цель, жертвуя собой, что делало это интерфейсом для самоубийственной миссии, не имеющим аналогов в массовом применении.
Единственным аналогом могут быть японские же человекоподобные торпеды "Kaiten" с подводниками-камикадзе. Ohka доказал свою эффективность уничтожением судов, что по стоимости несоизмеримо с потерями авиации при выполнении этой задачи.
Тут еще интересно вот что - человек-пилот был в этом решении буквально биологическим компьютером для рассчетов и управления ракетой
😢7✍3🔥2👍1🤯1💋1
Cheaper by the Dozen, Оптом дешевле
Вернемся к когнитивному анализу задач и его отражению в культуре. Упомянутый Гилберт или точнее чета Гилберт, которая работа на фабриках Форда и вошла в историю как отцы-основатели индустриальной психологии и идеологи тейлоризма были связаны с Голливудом, который вообще всегда был переплетен с американскими темами производительности труда, умными машинами и историей дизайна.
В 1950 году выходит фильм 'Дешевле дюжиной', который представил зрителям историю, основанную на жизни Фрэнка Гилбрета, инженера и одного из основоположников научного менеджмента. Гилбрет прославился своими исследованиями эффективности труда, применяя хронометраж и анализ движений для оптимизации рабочих процессов. Однако в фильме эти идеи выходят за рамки фабрик, проникая в управление его собственной семьёй из 12 детей. Картина отражает дух середины XX века — времени, когда технологии и системный подход начали трансформировать не только промышленность, но и быт. Методы Гилбрета, показанные через призму семейной жизни, стали предтечей современных концепций автоматизации, эргономики и даже проектирования пользовательского опыта.
Кто в ролях? Это интересно: Фрэнк Гилберт играет самого себя - успешного энтузиаста научного менеджмента и эффективности, который вместе с женой Лилиан обучают детей. Интересно, что Лиллиан в конце жизни после первых научных работ и диссертации по психологии, начала работать в области проектирования домашних кухонь: работы по дизайну и эргономике кухни или ванной - это вообще одни из золотых страниц истории американского уже дизайна, насколько я понимаю.
Фильм начинается со сцены проверки чистоты рук у всей дюжины и замеру сколько времени нужно всей семье собраться вокруг отца по секундомеру: патриархальная белая Америка. Семья переезжает и попутно пытается повысить эффективность жизни, даже замеряет время операции по удалению миндалин и показывает чудеса педагогики. У фильма было продолжение и новые части, но они уже не про научный менеджмент, а просто комедия положений
https://ru.wikipedia.org/wiki/%D0%9E%D0%BF%D1%82%D0%BE%D0%BC_%D0%B4%D0%B5%D1%88%D0%B5%D0%B2%D0%BB%D0%B5_(%D1%84%D0%B8%D0%BB%D1%8C%D0%BC,_1950)
https://www.dailymotion.com/video/x8z3aqg
Сам фильм
Вернемся к когнитивному анализу задач и его отражению в культуре. Упомянутый Гилберт или точнее чета Гилберт, которая работа на фабриках Форда и вошла в историю как отцы-основатели индустриальной психологии и идеологи тейлоризма были связаны с Голливудом, который вообще всегда был переплетен с американскими темами производительности труда, умными машинами и историей дизайна.
В 1950 году выходит фильм 'Дешевле дюжиной', который представил зрителям историю, основанную на жизни Фрэнка Гилбрета, инженера и одного из основоположников научного менеджмента. Гилбрет прославился своими исследованиями эффективности труда, применяя хронометраж и анализ движений для оптимизации рабочих процессов. Однако в фильме эти идеи выходят за рамки фабрик, проникая в управление его собственной семьёй из 12 детей. Картина отражает дух середины XX века — времени, когда технологии и системный подход начали трансформировать не только промышленность, но и быт. Методы Гилбрета, показанные через призму семейной жизни, стали предтечей современных концепций автоматизации, эргономики и даже проектирования пользовательского опыта.
Кто в ролях? Это интересно: Фрэнк Гилберт играет самого себя - успешного энтузиаста научного менеджмента и эффективности, который вместе с женой Лилиан обучают детей. Интересно, что Лиллиан в конце жизни после первых научных работ и диссертации по психологии, начала работать в области проектирования домашних кухонь: работы по дизайну и эргономике кухни или ванной - это вообще одни из золотых страниц истории американского уже дизайна, насколько я понимаю.
Фильм начинается со сцены проверки чистоты рук у всей дюжины и замеру сколько времени нужно всей семье собраться вокруг отца по секундомеру: патриархальная белая Америка. Семья переезжает и попутно пытается повысить эффективность жизни, даже замеряет время операции по удалению миндалин и показывает чудеса педагогики. У фильма было продолжение и новые части, но они уже не про научный менеджмент, а просто комедия положений
https://ru.wikipedia.org/wiki/%D0%9E%D0%BF%D1%82%D0%BE%D0%BC_%D0%B4%D0%B5%D1%88%D0%B5%D0%B2%D0%BB%D0%B5_(%D1%84%D0%B8%D0%BB%D1%8C%D0%BC,_1950)
https://www.dailymotion.com/video/x8z3aqg
Сам фильм
Wikipedia
Оптом дешевле (фильм, 1950)
фильм
❤3💋1
Cognitive Task Analysis: часть III
В Центре исследований обучения и развития (LRDC https://www.lrdc.pitt.edu/about) Университета Питтсбурга в начале 1970-х годов исследователи-педагоги использовали то, что они называли «рациональным анализом задач» при изучении проблем обучения. Это название подразумевало, что анализ задач в основном связан с навыками и физическими действиями, однако разработанные в LRDC блок-схемы содержали когнитивные компоненты.
Впервые термин «Анализ когнитивных задач» был использован в опубликованной статье в обзоре Дж. П. Галлахера (1979) о теории и методе дизайна обучения. Он употребил этот термин дважды: один раз в аннотации и еще раз в качестве заголовка раздела. Галлахер рассмотрел некоторые выводы когнитивной психологии, относящиеся к дизайну обучения, такие как теория Осубела о «значимом обучении», которая подчеркивает роль структур знаний и процессов ассимиляции и аккомодации), а также обсуждение Майером «ассимиляции схем». Галлахер обобщил ряд исследований, использующих методы наблюдения для выявления рассуждений и стратегий учителей
https://link.springer.com/article/10.1007/BF00117014#auth-John_P_-Gallagher-Aff1
Все эти работы, а также многие другие, подчеркивали важность изучения и анализа структур знаний учащегося: «Анализ сложных учебных задач с точки зрения формальных моделей процессов, возможно, представляет собой новейшее применение когнитивной психологии/психологии обработки информации к обучению… Анализ пропозиционального содержания и акцент на хранении знаний в человеческой памяти могут быть особенно полезны для указания подходящих последовательностей представления материала, а также для предписания использования предварительных организаторов, чтобы помочь интегрировать учебный материал с существующими структурами памяти»
На встрече Управления военно-морских исследований в марте 1978 года Джеймс Грино представил доклад под названием «Некоторые примеры анализа когнитивных задач с учебными последствиями», который был опубликован два года спустя. В то же время Шерри Готт из Лаборатории исследований ВВС выступила с предложением о том, что ВВС должны поддерживать больше исследований, направленных на улучшение обучения, и термин «Анализ когнитивных задач» звучал на встречах подрядчиков AFRL. По крайней мере, к 1983 году понятие CTA было закреплено в контрактах LRDC с ВВС и ВМФ США. К середине 1980-х годов термин «Анализ когнитивных задач» появился в отчетах LRDC
Ближе к IT
В начале 1980-х молодой доктор наук Дэвид Вудс работал с General Electric над человеческими факторами в электроэнергетике, в частности над проектированием рабочих станций на заводах. Он начал сотрудничество с Эриком Холлнагелем (https://erikhollnagel.com/ ), когда Вудс посетил Институт атомной энергии проекта реактора Халден в Нидерландах. Начиная с 1982 года, они начали разрабатывать первую статью под названием «Анализ когнитивных задач». В первом черновике Холлнагель обсуждал важность точки зрения на системы «человек-машина» и ограничения традиционного анализа задач
В Центре исследований обучения и развития (LRDC https://www.lrdc.pitt.edu/about) Университета Питтсбурга в начале 1970-х годов исследователи-педагоги использовали то, что они называли «рациональным анализом задач» при изучении проблем обучения. Это название подразумевало, что анализ задач в основном связан с навыками и физическими действиями, однако разработанные в LRDC блок-схемы содержали когнитивные компоненты.
Впервые термин «Анализ когнитивных задач» был использован в опубликованной статье в обзоре Дж. П. Галлахера (1979) о теории и методе дизайна обучения. Он употребил этот термин дважды: один раз в аннотации и еще раз в качестве заголовка раздела. Галлахер рассмотрел некоторые выводы когнитивной психологии, относящиеся к дизайну обучения, такие как теория Осубела о «значимом обучении», которая подчеркивает роль структур знаний и процессов ассимиляции и аккомодации), а также обсуждение Майером «ассимиляции схем». Галлахер обобщил ряд исследований, использующих методы наблюдения для выявления рассуждений и стратегий учителей
https://link.springer.com/article/10.1007/BF00117014#auth-John_P_-Gallagher-Aff1
Все эти работы, а также многие другие, подчеркивали важность изучения и анализа структур знаний учащегося: «Анализ сложных учебных задач с точки зрения формальных моделей процессов, возможно, представляет собой новейшее применение когнитивной психологии/психологии обработки информации к обучению… Анализ пропозиционального содержания и акцент на хранении знаний в человеческой памяти могут быть особенно полезны для указания подходящих последовательностей представления материала, а также для предписания использования предварительных организаторов, чтобы помочь интегрировать учебный материал с существующими структурами памяти»
На встрече Управления военно-морских исследований в марте 1978 года Джеймс Грино представил доклад под названием «Некоторые примеры анализа когнитивных задач с учебными последствиями», который был опубликован два года спустя. В то же время Шерри Готт из Лаборатории исследований ВВС выступила с предложением о том, что ВВС должны поддерживать больше исследований, направленных на улучшение обучения, и термин «Анализ когнитивных задач» звучал на встречах подрядчиков AFRL. По крайней мере, к 1983 году понятие CTA было закреплено в контрактах LRDC с ВВС и ВМФ США. К середине 1980-х годов термин «Анализ когнитивных задач» появился в отчетах LRDC
Ближе к IT
В начале 1980-х молодой доктор наук Дэвид Вудс работал с General Electric над человеческими факторами в электроэнергетике, в частности над проектированием рабочих станций на заводах. Он начал сотрудничество с Эриком Холлнагелем (https://erikhollnagel.com/ ), когда Вудс посетил Институт атомной энергии проекта реактора Халден в Нидерландах. Начиная с 1982 года, они начали разрабатывать первую статью под названием «Анализ когнитивных задач». В первом черновике Холлнагель обсуждал важность точки зрения на системы «человек-машина» и ограничения традиционного анализа задач
SpringerLink
Cognitive/information processing psychology and instruction: Reviewing recent theory and practice
Instructional Science - With increasing frequency, constructs developed within the field of cognitive/information processing psychology are being employed in the development of instructional...
👍2💋1
В 1987 году, когда область инженерии знаний находилась в зачаточном состоянии и называлась «экспертными системами», Фил Барнард и его коллеги из Отдела прикладной психологии Совета по медицинским исследованиям в Кембридже, Англия, обсуждали недостатки анализа задач для создания экспертных систем. Они утверждали, что для моделирования «пользователей» систем обработки информации необходим CTA. Модели опирались бы на концепции когнитивной психологии для описания ментальной активности пользователей (знаний, восприятий), поддерживая создание основанных на правилах вспомогательных средств принятия решений, которые делают «предсказания производительности, рассуждая о когнитивных представлениях и их обработке. Барнард и др. пытались создать «общую архитектуру обработки информации человеком», которая могла бы служить набором инструментов для помощи другим в генерации процедурных правил для экспертных систем. Правила рассуждения, или эвристики, выявлялись из ответов экспертов на вопросы (например, о последовательности операций с клавишами, иерархической структуре и т.д.), и они использовались для определения «модели задачи» для работы механизма вывода.
Уже в 1989 году Ричард Реддинг (Университет Вирджинии) представил обзор на ежегодном собрании Общества человеческих факторов и эргономики(https://www.hfes.org/ ), с акцентом, смещающимся (что понятно для этой площадки) от образования к обучению сотрудников. Он ссылался на разработки в LRDC, которые значительно повлияли на него ). Его обсуждение сосредоточилось на новых понятиях CTA, контрастируя их с «традиционным поведенческим подходом к анализу задач», и указывало на необходимость более глубокого анализа и понимания этой новой методологии CTA. «Формальные процедуры для анализа когнитивных задач еще не были предписаны». Он упомянул необходимость «косвенного подхода» (поскольку познание не наблюдаемо напрямую), сложность и трудоемкость процедур CTA, необходимость изучения экспертов в предметной области и трудности в выявлении ментальных моделей учащихся. Некоторые из проблем, на которые указал Реддинг (например, «когнитивный анализ часто не считается экономически эффективным для прикладных целей», стр. 1351), остаются актуальными и сегодня.
По книге Perspectives on cognitive task analysis : historical origins and modern communities of practice / edited by Robert R. Hoffman, Laura G. Militello
Уже в 1989 году Ричард Реддинг (Университет Вирджинии) представил обзор на ежегодном собрании Общества человеческих факторов и эргономики(https://www.hfes.org/ ), с акцентом, смещающимся (что понятно для этой площадки) от образования к обучению сотрудников. Он ссылался на разработки в LRDC, которые значительно повлияли на него ). Его обсуждение сосредоточилось на новых понятиях CTA, контрастируя их с «традиционным поведенческим подходом к анализу задач», и указывало на необходимость более глубокого анализа и понимания этой новой методологии CTA. «Формальные процедуры для анализа когнитивных задач еще не были предписаны». Он упомянул необходимость «косвенного подхода» (поскольку познание не наблюдаемо напрямую), сложность и трудоемкость процедур CTA, необходимость изучения экспертов в предметной области и трудности в выявлении ментальных моделей учащихся. Некоторые из проблем, на которые указал Реддинг (например, «когнитивный анализ часто не считается экономически эффективным для прикладных целей», стр. 1351), остаются актуальными и сегодня.
По книге Perspectives on cognitive task analysis : historical origins and modern communities of practice / edited by Robert R. Hoffman, Laura G. Militello
www.hfes.org
The Human Factors and Ergonomics Society (HFES)
The Human Factors and Ergonomics Society (HFES) advances the science and practice of designing for people in systems through knowledge exchange, collaboration and advocacy
🔥1💋1
История машин виртуальной реальности. Кейс Sensorama
Sensorama — это машина, которая является одним из самых ранних известных примеров иммерсивной, мультисенсорной (теперь известной как мультимодальная) технологии. Эта технология, представленная в 1962 году Мортоном Хейлигом, считается одной из самых ранних систем виртуальной реальности (VR)
Американский кинематографист и изобретатель Мортон Хейлиг описал свое видение мультисенсорного театра в статье 1955 года под названием «Кино будущего». В 1950-х годах рассматривал театр как деятельность, которая может эффективно охватывать все чувства, тем самым вовлекая зрителя в действие на экране. Он назвал его «Театром впечатлений» и подробно изложил свое видение мультисенсорного театра в статье 1955 года «Кино будущего» (Robinett 1994).
В 1962 году он построил прототип своего видения, названный Sensorama, вместе с пятью короткометражными фильмами для его показа. Sensorama была механическим устройством, которое включало стереоскопический цветной дисплей, вентиляторы, излучатели запахов, стереозвуковую систему и подвижное кресло. Оно имитировало поездку на мотоцикле по Нью-Йорку и создавало опыт, заставляя зрителя сидеть в воображаемом мотоцикле, ощущая улицу через экран, создаваемый вентилятором ветер и имитируемый шум и запах города. Еще вроде бы были и девочки
Сам патент 1950 года
https://patentimages.storage.googleapis.com/90/34/2f/24615bb97ad68e/US3050870.pdf
https://en.wikipedia.org/wiki/Sensorama
https://www.youtube.com/watch?v=zf61nlyBC3M
Интервью с Мортоном Хеллигом 1982 год
https://www.youtube.com/watch?v=vSINEBZNCks&ab_channel=ITSUOSAKANE
Sensorama — это машина, которая является одним из самых ранних известных примеров иммерсивной, мультисенсорной (теперь известной как мультимодальная) технологии. Эта технология, представленная в 1962 году Мортоном Хейлигом, считается одной из самых ранних систем виртуальной реальности (VR)
Американский кинематографист и изобретатель Мортон Хейлиг описал свое видение мультисенсорного театра в статье 1955 года под названием «Кино будущего». В 1950-х годах рассматривал театр как деятельность, которая может эффективно охватывать все чувства, тем самым вовлекая зрителя в действие на экране. Он назвал его «Театром впечатлений» и подробно изложил свое видение мультисенсорного театра в статье 1955 года «Кино будущего» (Robinett 1994).
В 1962 году он построил прототип своего видения, названный Sensorama, вместе с пятью короткометражными фильмами для его показа. Sensorama была механическим устройством, которое включало стереоскопический цветной дисплей, вентиляторы, излучатели запахов, стереозвуковую систему и подвижное кресло. Оно имитировало поездку на мотоцикле по Нью-Йорку и создавало опыт, заставляя зрителя сидеть в воображаемом мотоцикле, ощущая улицу через экран, создаваемый вентилятором ветер и имитируемый шум и запах города. Еще вроде бы были и девочки
Сам патент 1950 года
https://patentimages.storage.googleapis.com/90/34/2f/24615bb97ad68e/US3050870.pdf
https://en.wikipedia.org/wiki/Sensorama
https://www.youtube.com/watch?v=zf61nlyBC3M
Интервью с Мортоном Хеллигом 1982 год
https://www.youtube.com/watch?v=vSINEBZNCks&ab_channel=ITSUOSAKANE
🔥7👍4💋1
Forwarded from Фонд Ruarts
5 апреля в 17:00 в Фонде Ruarts состоится паблик-ток «Китч в эпоху пост-интернета» с Инной Кушнарёвой и Андреем Василенко.
Развитие социальных сетей стало пространством распространения всевозможного контента, тем самым сформировав особую эстетику интернета. Можно ли назвать эти визуальные формы новым отражением китча?
Обращаясь к таким уже сложившимся описательным категориям как "cute" или «кринж», спикеры обсудят в целом трансформации восприятия художественных произведений, появление новых эстетических концепций и новые возможности пересмотра самого понятия «искусство».
Инна Кушнарёва — культуролог, кинокритик, переводчик. Член редколлегии журнала «Логос». Автор публикаций в журналах «Искусство кино», «Сеанс», «Киноведческие записки», Logos Review of Books и других.
Андрей Василенко — куратор, кинокритик.
Билет также даёт право посетить бесплатно две выставки «Чересчур» и «Навязчивые мысли» в Фонде.
На фото: работа Дмитрия Журавлёва и Данилы Полякова, представленная в экспозиции выставки «Чересчур»
Развитие социальных сетей стало пространством распространения всевозможного контента, тем самым сформировав особую эстетику интернета. Можно ли назвать эти визуальные формы новым отражением китча?
Обращаясь к таким уже сложившимся описательным категориям как "cute" или «кринж», спикеры обсудят в целом трансформации восприятия художественных произведений, появление новых эстетических концепций и новые возможности пересмотра самого понятия «искусство».
Инна Кушнарёва — культуролог, кинокритик, переводчик. Член редколлегии журнала «Логос». Автор публикаций в журналах «Искусство кино», «Сеанс», «Киноведческие записки», Logos Review of Books и других.
Андрей Василенко — куратор, кинокритик.
Билет также даёт право посетить бесплатно две выставки «Чересчур» и «Навязчивые мысли» в Фонде.
На фото: работа Дмитрия Журавлёва и Данилы Полякова, представленная в экспозиции выставки «Чересчур»
❤5👍2🔥1🙏1💋1
Cognitive Task Analysis: часть IV Так что такое когнитивный анализ задач?
Когнитивный анализ задач (CTA) обычно рассматривается как определение когнитивных навыков, стратегий и знаний, необходимых для выполнения задач.
Определение и ограничение когнитивного анализа задач заключаются в том, что CTA включает специфические методы и рекомендации по исследованию когнитивных процессов, что, как считается, отличает CTA от анализа задач. Однако, подобно тому как анализ задач редко (если вообще когда-либо) был чисто поведенческим, CTA не является чисто когнитивным. Например, некоторые исследования CTA опираются на анализ отдельных нажатий клавиш во взаимодействии человека с компьютером, из которых делаются выводы о когнитивных процессах.
Более расширенное определение CTA следующее:
CTA — это методология эмпирического изучения рабочих мест и рабочих моделей, результатом которой являются: (а) описания когнитивных процессов и явлений, сопровождающих целенаправленную работу, (б) объяснения рабочей деятельности с точки зрения когнитивных явлений и процессов, и (в) применение результатов для улучшения работы и качества трудовой жизни путем создания лучших рабочих пространств, более эффективных поддерживающих артефактов (то есть технологий) и разработки методов работы, которые повышают удовлетворение и удовольствие человека, усиливают внутреннюю мотивацию, а также ускоряют достижение профессионального мастерства.
Как указал эргономист Йенс Расмуссен, когнитивная работа предполагает принятие основанных на знаниях, чувствительных к контексту решений среди множества видов деятельности, а не выполнение «задач». Тем не менее, большинство исследователей большую часть времени называют CTA когнитивным анализом задач. Мы тоже так поступаем. Однако в любом обсуждении CTA необходимо стараться удерживать исторический багаж слова «задача» в подвешенном состоянии.
Под «когнитивным» не подразумевается ограничение «процессов и явлений» только теми, которые являются общепринятыми в основной когнитивной психологии (или психологии обработки информации) — такими понятиями, как обучение, память, восприятие и тому подобное.
Исследователи определенно включают в понятие «когнитивного» командное общение, социально-психологические и социокультурные процессы и явления (например, сотрудничество, организационные ограничения когнитивной работы и т. д.). CTA часто проводится в рамках сложных социотехнических систем и для их улучшения, и CTA нередко раскрывает, как когнитивные процессы адаптируются к сложности.
Когнитивный анализ задач (CTA) обычно рассматривается как определение когнитивных навыков, стратегий и знаний, необходимых для выполнения задач.
Определение и ограничение когнитивного анализа задач заключаются в том, что CTA включает специфические методы и рекомендации по исследованию когнитивных процессов, что, как считается, отличает CTA от анализа задач. Однако, подобно тому как анализ задач редко (если вообще когда-либо) был чисто поведенческим, CTA не является чисто когнитивным. Например, некоторые исследования CTA опираются на анализ отдельных нажатий клавиш во взаимодействии человека с компьютером, из которых делаются выводы о когнитивных процессах.
Более расширенное определение CTA следующее:
CTA — это методология эмпирического изучения рабочих мест и рабочих моделей, результатом которой являются: (а) описания когнитивных процессов и явлений, сопровождающих целенаправленную работу, (б) объяснения рабочей деятельности с точки зрения когнитивных явлений и процессов, и (в) применение результатов для улучшения работы и качества трудовой жизни путем создания лучших рабочих пространств, более эффективных поддерживающих артефактов (то есть технологий) и разработки методов работы, которые повышают удовлетворение и удовольствие человека, усиливают внутреннюю мотивацию, а также ускоряют достижение профессионального мастерства.
Как указал эргономист Йенс Расмуссен, когнитивная работа предполагает принятие основанных на знаниях, чувствительных к контексту решений среди множества видов деятельности, а не выполнение «задач». Тем не менее, большинство исследователей большую часть времени называют CTA когнитивным анализом задач. Мы тоже так поступаем. Однако в любом обсуждении CTA необходимо стараться удерживать исторический багаж слова «задача» в подвешенном состоянии.
Под «когнитивным» не подразумевается ограничение «процессов и явлений» только теми, которые являются общепринятыми в основной когнитивной психологии (или психологии обработки информации) — такими понятиями, как обучение, память, восприятие и тому подобное.
Исследователи определенно включают в понятие «когнитивного» командное общение, социально-психологические и социокультурные процессы и явления (например, сотрудничество, организационные ограничения когнитивной работы и т. д.). CTA часто проводится в рамках сложных социотехнических систем и для их улучшения, и CTA нередко раскрывает, как когнитивные процессы адаптируются к сложности.
❤2💋1
Трекбол — ручное указательное устройство ввода информации для компьютера вращением шара — был на самом деле изобретен за 11 лет до первой мыши, в 1952 году.
Он был изобретен Томом Крэнстоном и Фредом Лонгстаффом как часть компьютеризированной информационной системы поля боя под названием DATAR, инициированной канадским флотом. В качестве трекбола он использовал стандартный шар для боулинга с пятью кеглями, который меньше более распространенного шара для боулинга с десятью кеглями.
При работе с трекболом для всех операций используется только кисть руки и не требуется движений плеча и предплечья, но вот играть в игры с таким вряд ли получится
https://en.wikipedia.org/wiki/DATAR
Он был изобретен Томом Крэнстоном и Фредом Лонгстаффом как часть компьютеризированной информационной системы поля боя под названием DATAR, инициированной канадским флотом. В качестве трекбола он использовал стандартный шар для боулинга с пятью кеглями, который меньше более распространенного шара для боулинга с десятью кеглями.
При работе с трекболом для всех операций используется только кисть руки и не требуется движений плеча и предплечья, но вот играть в игры с таким вряд ли получится
https://en.wikipedia.org/wiki/DATAR
🔥8👍4💋1
https://hcibib.org/
Один из старейших ресурсов по истории интерфейсов, дизайну и HCI с точки зрения библиографии, подбора первых патентов, древних публикаций, антикварных я бы сказал исследований и т.д.
Большая часть содержимого - публикации 80ых и 90ых годов
Не обновляется с 2018 года, к сожалению
Один из старейших ресурсов по истории интерфейсов, дизайну и HCI с точки зрения библиографии, подбора первых патентов, древних публикаций, антикварных я бы сказал исследований и т.д.
Большая часть содержимого - публикации 80ых и 90ых годов
Не обновляется с 2018 года, к сожалению
💋6👌3👍1🔥1
Cognitive Task Analysis: часть V. Основные части
Цель анализа когнитивных задач (CTA) заключается в том, чтобы зафиксировать, как работает человеческий разум, уловить процесс познания. Исследователь , проводящий исследование CTA, обычно пытается понять и описать, как участники воспринимают выполняемую ими работу и как они осмысливают происходящие события.
Если они действуют эффективно и хорошо справляются со сложными обстоятельствами, CTA должен описать основу их квалифицированного выполнения. Если же они допускают ошибки, исследование CTA должно объяснить, что лежит в основе этих ошибок.
Анализ когнитивных задач стремится уловить, о чем думают люди, на что они обращают внимание, какие стратегии они используют для принятия решений или выявления проблем, чего они пытаются достичь и что они знают о том, как работает тот или иной процесс.
Три основных кита CTA — это извлечение знаний, анализ данных и представление знаний.
knowledge elicitation, data analysis, and knowledge representation
Каждый из этих аспектов критически важен для успешного исследования CTA. Многие ассоциируют CTA с первым аспектом — извлечением знаний, поскольку традиционно именно этому уделялось больше всего внимания. Но если вы не проведете качественный анализ данных, зачем их вообще собирать? А если вы не представите свои выводы так, чтобы другие могли их понять и оценить их значимость, чего вы добились?
Один из способов получить общее представление о CTA — это понять, сколько существует методов, какие ярлыки им присваиваются и к каким типам или категориям они относятся. Однако описать общую картину CTA может быть довольно сложно. Анализ когнитивных задач развился из множества различных традиций с различными базовыми метафорами, терминологией, преобладающими методологиями и испытательными полигонами, областями применения и стандартами того, что считается ценным — или даже того, что считается «когнитивным»
Извлечение знаний — это совокупность методов, используемых для получения информации о том, что знают люди и как они это знают: суждения, стратегии, знания и навыки, лежащие в основе выполнения задач. Существует множество различных методов извлечения знаний: это как группы интервью, методы наблюдения, методы текстового анализа, психометрический анализ на основании опросов, группа трейсинга, так называемый Process Tracing Methods, ( о нем вообще первый раз прочитал и читаю о группе этих методов)
Цель анализа когнитивных задач (CTA) заключается в том, чтобы зафиксировать, как работает человеческий разум, уловить процесс познания. Исследователь , проводящий исследование CTA, обычно пытается понять и описать, как участники воспринимают выполняемую ими работу и как они осмысливают происходящие события.
Если они действуют эффективно и хорошо справляются со сложными обстоятельствами, CTA должен описать основу их квалифицированного выполнения. Если же они допускают ошибки, исследование CTA должно объяснить, что лежит в основе этих ошибок.
Анализ когнитивных задач стремится уловить, о чем думают люди, на что они обращают внимание, какие стратегии они используют для принятия решений или выявления проблем, чего они пытаются достичь и что они знают о том, как работает тот или иной процесс.
Три основных кита CTA — это извлечение знаний, анализ данных и представление знаний.
knowledge elicitation, data analysis, and knowledge representation
Каждый из этих аспектов критически важен для успешного исследования CTA. Многие ассоциируют CTA с первым аспектом — извлечением знаний, поскольку традиционно именно этому уделялось больше всего внимания. Но если вы не проведете качественный анализ данных, зачем их вообще собирать? А если вы не представите свои выводы так, чтобы другие могли их понять и оценить их значимость, чего вы добились?
Один из способов получить общее представление о CTA — это понять, сколько существует методов, какие ярлыки им присваиваются и к каким типам или категориям они относятся. Однако описать общую картину CTA может быть довольно сложно. Анализ когнитивных задач развился из множества различных традиций с различными базовыми метафорами, терминологией, преобладающими методологиями и испытательными полигонами, областями применения и стандартами того, что считается ценным — или даже того, что считается «когнитивным»
Извлечение знаний — это совокупность методов, используемых для получения информации о том, что знают люди и как они это знают: суждения, стратегии, знания и навыки, лежащие в основе выполнения задач. Существует множество различных методов извлечения знаний: это как группы интервью, методы наблюдения, методы текстового анализа, психометрический анализ на основании опросов, группа трейсинга, так называемый Process Tracing Methods, ( о нем вообще первый раз прочитал и читаю о группе этих методов)
💋1
Сколько техник знаете? Многие, конечно, уже безнадежно устарели
Например, ну это вообще круто
Crystal Ball
Хрустальный шар / Камень преткновения
Информант описывает сложную оценку или решение. Аналитик настаивает, что оценка ошибочна, и что существуют альтернативные интерпретации событий, отсутствующая информация или предположения. Информант генерирует эти [альтернативы].
Например, ну это вообще круто
Crystal Ball
Хрустальный шар / Камень преткновения
Информант описывает сложную оценку или решение. Аналитик настаивает, что оценка ошибочна, и что существуют альтернативные интерпретации событий, отсутствующая информация или предположения. Информант генерирует эти [альтернативы].
🥴2🔥1💋1
Высказался по поводу синтетических респондентов: слишком бездумное использование, не учитывается, что ответы очень статистически оптимизированы, и, главное, есть гораздо более интересные подходы (RAG), которые игнорируются
💋2
Forwarded from PostPostResearch: Константин Ефимов и Анастасия Жичкина
Синтетические респонденты наносят ответный удар
Отвечаем на вопросы и проясняем неясности, оставшиеся с прошлого раза.
❓Кому и зачем нужны синтетические респонденты?
Евангелисты предлагают заменить всех – и исследователей, и респондентов – на LLM. Это позволит ускорить проверку гипотез, вынеся ненадежных людей за скобки.
Очевидно, что нынешний уровень технологий пока не позволяет так сделать. И мы вынужденно переходим к более скромной задаче: отбросить заведомо неудачные идеи, гипотезы и концепции (concept-test).
Как мы писали, никакое интервью не даст вам ответа на вопрос, «взлетит или не взлетит» - но оно может помочь отсечь заведомо провальные концепции. А уже прошедшие фильтр концепции могут быть доработаны и проверены на людях. Именно поэтому мы проверяли концепции, которые провалились. Потому что если LLM из роли респондента может в принципе это сделать, то, наверное, у таких концепт-тестов есть потенциал?
И здесь мы сталкиваемся с двумя проблемами:
🅰️ Конформизм
LLM дают характерный вайб ответов. Это типичные «ходоки». Они очень хотят понравиться исследователю и подстроиться под него. Они одобряют все, что вы им предложите, и со всем согласны.
Виталий Болотаев поставил смелый эксперимент с Grok, предложив ему оценить идею пива с заведомо неприемлемым вкусом. Результат эксперимента - безусловное одобрение. Почему это так? Виталий пишет:
Возникает вопрос: можно ли решить проблему конформизма LLM с помощью промптинга в принципе? Или же нам нужно двигаться в сторону кастомных LLM и забыть условный Chat GPT как страшный сон? Спойлер:возможно, к этому и идет.
🅱️ Неполнота данных
Можем ли мы вообще полагаться на данные, заложенные в LLM? А что, если они неполны или системно искажены? Есть прекрасная статья «Персона, созданная LLM, - это обещание с подвохом» – где авторы ставят эксперименты. Общий вывод: «чем больше контента, созданного LLM, включалось в персоны, тем больше их смоделированные мнения расходились с реальными данными». Эти синтетические респонденты чаще выбирают экологичные машины, гуманитарные специальности, романтические фильмы и голосуют за демократов.
Критика нашего эксперимента:
1️⃣ «У вас неправильные промпты. Правильные должны быть не короче двух страниц»
Странно оценивать промпты по длине, а не по содержанию.
Но, как бы то ни было, повторение экспериментов с расширенным описанием персон и более детальным сеттингом интервью пока не опровергло наших результатов. Кошатница по-прежнему хочет купить Febreze, а айтишник из Сан-Франциско все также хочет попробовать AI-сервис для проверки договоров аренды.
Добавление в промпт инструкций для снижения конформизма не поменяло результат принципиальным образом.
2️⃣ «Role-prompting не подходит для синтетических респондентов в принципе»
Ксения Воейкова пишет, что ролевой промптинг не работает для reasoning LLM, и для таких задач нужно использовать цифровых двойников – отсылая к статье «Генеративные агенты: моделирование 1000 реальных людей». Авторы получили обнадеживающие результаты: точность цифровых двойников при воспроизведении опросников и экономических игр оказалась выше, чем у агентов, обученных на демографических данных или кратких описаниях.
Проблема в том, что авторы не тестировали никакие концепции - ни на людях, ни на цифровых двойниках. Следовательно, мы не знаем, применимы ли эти цифровые двойники для концепт-тестов – где мы должны не воспроизвести установки и ценности, а оценить конкретный продукт с точки зрения возможной покупки.
Если для создания цифрового двойника, который сможет тестировать концепции новых напитков, нам придется проводить U&A интервью с живыми респондентами, то не проще ли сразу опрашивать живых людей?
В третьей части сравним разные LLM между собой и проверим новые провальные концепции.
💽 @PostPostResearch
Отвечаем на вопросы и проясняем неясности, оставшиеся с прошлого раза.
❓Кому и зачем нужны синтетические респонденты?
Евангелисты предлагают заменить всех – и исследователей, и респондентов – на LLM. Это позволит ускорить проверку гипотез, вынеся ненадежных людей за скобки.
Очевидно, что нынешний уровень технологий пока не позволяет так сделать. И мы вынужденно переходим к более скромной задаче: отбросить заведомо неудачные идеи, гипотезы и концепции (concept-test).
Как мы писали, никакое интервью не даст вам ответа на вопрос, «взлетит или не взлетит» - но оно может помочь отсечь заведомо провальные концепции. А уже прошедшие фильтр концепции могут быть доработаны и проверены на людях. Именно поэтому мы проверяли концепции, которые провалились. Потому что если LLM из роли респондента может в принципе это сделать, то, наверное, у таких концепт-тестов есть потенциал?
И здесь мы сталкиваемся с двумя проблемами:
🅰️ Конформизм
LLM дают характерный вайб ответов. Это
Виталий Болотаев поставил смелый эксперимент с Grok, предложив ему оценить идею пива с заведомо неприемлемым вкусом. Результат эксперимента - безусловное одобрение. Почему это так? Виталий пишет:
«ИИ может выдавать "угодливые" или "полярные" ответы, если в запросе есть намёк на предпочтение определённой точки зрения. Это не осознанное желание "угодить", а следствие статистической оптимизации: модель стремится максимизировать вероятность положительной оценки».
Возникает вопрос: можно ли решить проблему конформизма LLM с помощью промптинга в принципе? Или же нам нужно двигаться в сторону кастомных LLM и забыть условный Chat GPT как страшный сон? Спойлер:
🅱️ Неполнота данных
Можем ли мы вообще полагаться на данные, заложенные в LLM? А что, если они неполны или системно искажены? Есть прекрасная статья «Персона, созданная LLM, - это обещание с подвохом» – где авторы ставят эксперименты. Общий вывод: «чем больше контента, созданного LLM, включалось в персоны, тем больше их смоделированные мнения расходились с реальными данными». Эти синтетические респонденты чаще выбирают экологичные машины, гуманитарные специальности, романтические фильмы и голосуют за демократов.
Критика нашего эксперимента:
1️⃣ «У вас неправильные промпты. Правильные должны быть не короче двух страниц»
Странно оценивать промпты по длине, а не по содержанию.
Но, как бы то ни было, повторение экспериментов с расширенным описанием персон и более детальным сеттингом интервью пока не опровергло наших результатов. Кошатница по-прежнему хочет купить Febreze, а айтишник из Сан-Франциско все также хочет попробовать AI-сервис для проверки договоров аренды.
Добавление в промпт инструкций для снижения конформизма не поменяло результат принципиальным образом.
2️⃣ «Role-prompting не подходит для синтетических респондентов в принципе»
Ксения Воейкова пишет, что ролевой промптинг не работает для reasoning LLM, и для таких задач нужно использовать цифровых двойников – отсылая к статье «Генеративные агенты: моделирование 1000 реальных людей». Авторы получили обнадеживающие результаты: точность цифровых двойников при воспроизведении опросников и экономических игр оказалась выше, чем у агентов, обученных на демографических данных или кратких описаниях.
Проблема в том, что авторы не тестировали никакие концепции - ни на людях, ни на цифровых двойниках. Следовательно, мы не знаем, применимы ли эти цифровые двойники для концепт-тестов – где мы должны не воспроизвести установки и ценности, а оценить конкретный продукт с точки зрения возможной покупки.
Если для создания цифрового двойника, который сможет тестировать концепции новых напитков, нам придется проводить U&A интервью с живыми респондентами, то не проще ли сразу опрашивать живых людей?
В третьей части сравним разные LLM между собой и проверим новые провальные концепции.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥10👍4❤1💋1
Опять про человеческий фактор и умные автомобили
Первая фатальная авария Xiaomi SU7 вызвала вопросы о технологии беспилотного вождения и запертых дверях
«Xiaomi SU7 врезался в ограждение, не сумев объехать закрытую строительную полосу.
Электроседан двигался по NOA со скоростью 116 км/ч непосредственно перед смертельным ударом.
«Три студента колледжа погибли после того, как электромобиль загорелся после аварии на шоссе».
https://www.msn.com/en-us/technology/tech-companies/first-fatal-xiaomi-su7-crash-sparks-questions-about-self-driving-tech-and-locked-doors/ar-AA1CapfG
Xiaomi Technology — к сожалению, одна из многих на рынке таких автомобилей.
"Никто в отрасли не использует жизнеспособный подход к развитию. Никто не может тратить жизни, деньги и время на то, чтобы почти что сделать" - пишет автор из линкендина, Michael DeKort, специалист в области автономных систем
- Отсутствие общего обучения/выводов. Результат — только непревзойденное распознавание образов. Таким образом, «пиксельная» или микроуровневая классификация часто оказывается неверной, когда спорными оказываются лишь несколько пикселей.
- Использование ненужных человеческих морских свинок. Кроме того, практически невозможно восстановить ситуационную осведомленность в критических по времени ситуациях разъединения. Как и аварии.
- Опора на реальный мир и моделирование для большинства разработок
- Использование неадекватных игровых симуляторов по сравнению с аэрокосмическими технологиями
Но самое большое препятствие — это не датчики, не технологии и даже не юридические вопросы или этика. Возможно, дело в том, что мы на самом деле не знаем, как думает ИИ. Недавнее исследование Anthropic показало, что чат-боты ИИ могут галлюцинировать, не очень хороши в элементарной математике и часто лгут о своих собственных рассуждениях. Так же, как люди. Оказывается, мы вообще ничего не знаем о том, как работает мозг, ИИ или человека
https://newatlas.com/automotive/why-ai-cant-drive-your-car/
Во время вождения мы принимаем тысячи решений каждую минуту, которые могут буквально повлиять не только на нашу жизнь, но и на жизнь окружающих. Из данных о вождении с отвлечением мы знаем, что даже несколько мгновений невнимательности могут привести к ужасающим результатам. Теперь подумайте, что происходит с ИИ, который либо оправдывает себя за плохой ответ, либо не может принять решение достаточно быстро.
Дело в том, что хотя технология, информирующая ИИ, требует много работы, чтобы достичь того же уровня, что и водитель-человек, самой модели обучения тоже придется догнать его. ИИ сейчас за 70, но он может работать только примерно на том же когнитивном уровне, что и маленький ребенок. И мы даже не уверены, как он это делает.
Современные автомобили имеют десятки датчиков, сотни футов проводки, три или более бортовых компьютеров, беспроводное и Wi-Fi-подключение, GPS и множество других гаджетов. Ни один из них не может управлять автомобилем за вас. Нет, даже те модели, на которых есть буква «Т». Для их управления требуются люди, и, вероятно, так будет еще некоторое время.
Большинство по-настоящему автономных транспортных средств «закрыты» в определенной области как по юридическим, так и по техническим причинам.
У нас, людей, есть явное преимущество перед нашими творениями ИИ: мы рождаемся с довольно высококлассными сенсорными системами, которые работают в мультимодальных форматах — многие тысячелетия эволюции сделали нас довольно хорошими в их использовании. Мы, как и большинство животных, преуспеваем в сопоставлении множественных входов и соответствующей реакции.
Первая фатальная авария Xiaomi SU7 вызвала вопросы о технологии беспилотного вождения и запертых дверях
«Xiaomi SU7 врезался в ограждение, не сумев объехать закрытую строительную полосу.
Электроседан двигался по NOA со скоростью 116 км/ч непосредственно перед смертельным ударом.
«Три студента колледжа погибли после того, как электромобиль загорелся после аварии на шоссе».
https://www.msn.com/en-us/technology/tech-companies/first-fatal-xiaomi-su7-crash-sparks-questions-about-self-driving-tech-and-locked-doors/ar-AA1CapfG
Xiaomi Technology — к сожалению, одна из многих на рынке таких автомобилей.
"Никто в отрасли не использует жизнеспособный подход к развитию. Никто не может тратить жизни, деньги и время на то, чтобы почти что сделать" - пишет автор из линкендина, Michael DeKort, специалист в области автономных систем
- Отсутствие общего обучения/выводов. Результат — только непревзойденное распознавание образов. Таким образом, «пиксельная» или микроуровневая классификация часто оказывается неверной, когда спорными оказываются лишь несколько пикселей.
- Использование ненужных человеческих морских свинок. Кроме того, практически невозможно восстановить ситуационную осведомленность в критических по времени ситуациях разъединения. Как и аварии.
- Опора на реальный мир и моделирование для большинства разработок
- Использование неадекватных игровых симуляторов по сравнению с аэрокосмическими технологиями
Но самое большое препятствие — это не датчики, не технологии и даже не юридические вопросы или этика. Возможно, дело в том, что мы на самом деле не знаем, как думает ИИ. Недавнее исследование Anthropic показало, что чат-боты ИИ могут галлюцинировать, не очень хороши в элементарной математике и часто лгут о своих собственных рассуждениях. Так же, как люди. Оказывается, мы вообще ничего не знаем о том, как работает мозг, ИИ или человека
https://newatlas.com/automotive/why-ai-cant-drive-your-car/
Во время вождения мы принимаем тысячи решений каждую минуту, которые могут буквально повлиять не только на нашу жизнь, но и на жизнь окружающих. Из данных о вождении с отвлечением мы знаем, что даже несколько мгновений невнимательности могут привести к ужасающим результатам. Теперь подумайте, что происходит с ИИ, который либо оправдывает себя за плохой ответ, либо не может принять решение достаточно быстро.
Дело в том, что хотя технология, информирующая ИИ, требует много работы, чтобы достичь того же уровня, что и водитель-человек, самой модели обучения тоже придется догнать его. ИИ сейчас за 70, но он может работать только примерно на том же когнитивном уровне, что и маленький ребенок. И мы даже не уверены, как он это делает.
Современные автомобили имеют десятки датчиков, сотни футов проводки, три или более бортовых компьютеров, беспроводное и Wi-Fi-подключение, GPS и множество других гаджетов. Ни один из них не может управлять автомобилем за вас. Нет, даже те модели, на которых есть буква «Т». Для их управления требуются люди, и, вероятно, так будет еще некоторое время.
Большинство по-настоящему автономных транспортных средств «закрыты» в определенной области как по юридическим, так и по техническим причинам.
У нас, людей, есть явное преимущество перед нашими творениями ИИ: мы рождаемся с довольно высококлассными сенсорными системами, которые работают в мультимодальных форматах — многие тысячелетия эволюции сделали нас довольно хорошими в их использовании. Мы, как и большинство животных, преуспеваем в сопоставлении множественных входов и соответствующей реакции.
MSN
First Fatal Xiaomi SU7 Crash Sparks Questions About Self-Driving Tech And Locked Doors
The deadly crash occured with Xiaomi's driver assistance system engaged according to reports
👍5🤔2💋2
Считаем деньги и эффекты от исследований
https://korusconsulting.ru/blog/biznes/kak-ux-issledovaniya-pomogayut-uvelichit-pribyl-biznesa/
В этой очень урезанной, но тем не менее, увлекающей меня статье, я попробовал как пересказать основные положения «Cost-Justifying Usability: An Update for the Internet Age" , так и прикинуть конкретные методики расчета эффективности проведения цикла работ по UX и юзабилити-тестированиям.
Вне всяких сомнений, стоит ознакомится с подборкой ROI из разных индустрий, которые собрали авторы из Нильсен
https://www.tg-me.com/gulagdigital/3048
Здесь надо отметить 3 вещи, которые не вошли в лапидарную статью
а) На графике ниже: стоимость изменений на поздних этапах в 8 раз выше, чем на ранних. По экспертным оценках на моих рабочих проектах - в 12 раз. Эти оценки разницы разработки вы можете взять у команды разработчиков, эта дельта и будет экономическим эффектом от работы.
б) ROI не деньги, строго говоря. Техники анализа затрат и выгод, которые учитывают время получения денежных потоков, называются методами на основе процентов или сложными методами выбора (sophisticated selection techniques). Эти методы основаны на идее, что деньги имеют временную стоимость. Расчет текущей (приведенной) стоимости будущих денежных потоков проекта, включая приемлемую норму доходности и указание периода времени, в течение которого эти потоки будут получены, позволяет принимать более взвешенные инвестиционные решения. Для упрощения расчета используют коэффициент текущей стоимости (Present Value Interest Factor, PVIF), который выражается как (1/(1+i))n(1 / (1 + i))^n(1/(1+i))n. Для этого, вероятно, вам потребуется ставка дисконтирования... но насколько часто могут спросить про PVIF - вопрос. Есть калькуляторы https://www.omnicalculator.com/finance/discount-rate
в) Теоретический вывод: существует экономический QWERTY-эффект, который каскадируется на интерфейсы и упаковку цифровых продуктов, создавая определенные ожидания, которые характерны только для вашего бизнеса, но которые расширяются до всей товарной категории. Списки чатов мессенджеров, впервые появившиеся у Whatsappa, перешли на все остальные мессенджеры, кнопка «Купить в 1 клик» была адаптированы такими гигантами, как Walmart и eBay, и распространились на более мелкие платформы.
https://telegra.ph/EHkonomika-UX-i-vzaimodejstvij-s-interfejsom-mashiny-QWERTY-nomika-03-21
https://korusconsulting.ru/blog/biznes/kak-ux-issledovaniya-pomogayut-uvelichit-pribyl-biznesa/
В этой очень урезанной, но тем не менее, увлекающей меня статье, я попробовал как пересказать основные положения «Cost-Justifying Usability: An Update for the Internet Age" , так и прикинуть конкретные методики расчета эффективности проведения цикла работ по UX и юзабилити-тестированиям.
Вне всяких сомнений, стоит ознакомится с подборкой ROI из разных индустрий, которые собрали авторы из Нильсен
https://www.tg-me.com/gulagdigital/3048
Здесь надо отметить 3 вещи, которые не вошли в лапидарную статью
а) На графике ниже: стоимость изменений на поздних этапах в 8 раз выше, чем на ранних. По экспертным оценках на моих рабочих проектах - в 12 раз. Эти оценки разницы разработки вы можете взять у команды разработчиков, эта дельта и будет экономическим эффектом от работы.
б) ROI не деньги, строго говоря. Техники анализа затрат и выгод, которые учитывают время получения денежных потоков, называются методами на основе процентов или сложными методами выбора (sophisticated selection techniques). Эти методы основаны на идее, что деньги имеют временную стоимость. Расчет текущей (приведенной) стоимости будущих денежных потоков проекта, включая приемлемую норму доходности и указание периода времени, в течение которого эти потоки будут получены, позволяет принимать более взвешенные инвестиционные решения. Для упрощения расчета используют коэффициент текущей стоимости (Present Value Interest Factor, PVIF), который выражается как (1/(1+i))n(1 / (1 + i))^n(1/(1+i))n. Для этого, вероятно, вам потребуется ставка дисконтирования... но насколько часто могут спросить про PVIF - вопрос. Есть калькуляторы https://www.omnicalculator.com/finance/discount-rate
в) Теоретический вывод: существует экономический QWERTY-эффект, который каскадируется на интерфейсы и упаковку цифровых продуктов, создавая определенные ожидания, которые характерны только для вашего бизнеса, но которые расширяются до всей товарной категории. Списки чатов мессенджеров, впервые появившиеся у Whatsappa, перешли на все остальные мессенджеры, кнопка «Купить в 1 клик» была адаптированы такими гигантами, как Walmart и eBay, и распространились на более мелкие платформы.
https://telegra.ph/EHkonomika-UX-i-vzaimodejstvij-s-interfejsom-mashiny-QWERTY-nomika-03-21
korusconsulting.ru
Психология интерфейса: как UX-исследования помогают увеличить прибыль бизнеса | Блог IT КОРУС Консалтинг
Как эффективно измерять пользу от UX-исследований и какие метрики учитывать?
❤3✍3🔥2👍1💋1
В поисках советского UX. Павлов, кибернетика и Институт Труда
Немало интересного надо отметить, конечно, когда говорим о Гастеве и Институте Труда: извод советского тейлоризма мне, конечно, не так интересен, но интересна группа исследователей-учеников Павлова, которые были сторонниками большого числа метафор человек-машина, которые, затем, стали частью советской кибернетики
Центральный институт труда вел обширные физиологические исследования, основанные на концептуальных схемах и экспериментальных методах европейской науки биомеханики, в которой человеческое тело представлялось механической системой мускульных сил и масс . Николай Александрович Бернштейн (1896—1966), ведущий физиолог института, провел серию экспериментов по измерению траекторий и скоростей человеческих конечностей во время выполнения различных трудовых задач . В основе его подхода лежала далеко идущая человеко-машинная аналогия.
В 1926 г. в учебнике по биомеханике для инструкторов Бернштейн писал:
«Биомеханика... есть наука о том, как построена живая машина, т.е. каждый из нас; о том, как устроены движущие части этой машины и как они работают. <...> Законы механики повсюду одни и те же, касается ли дело паровоза, станка или человеческой машины. Значит, нам не придется выводить какие-то новые, особые механические законы. Мы должны только составить описание и характеристику живой машины так, как мы сделали бы это для автомобиля, ткацкого станка и т.п.»
Что касалось нервной деятельности, занимавшейся лишь центральной нервной системой, Бернштейн изучал движения человеческого тела и обнаружил, что периферическая нервная деятельность играет значительную роль в координации движений. Его эксперименты показали, что одна и та же трудовая задача выполняется каждый раз иначе, с меняющимся напряжением различных мышц, движения которых каждый раз «строились» заново. Он рассматривал моторную деятельность не как последовательность предопределенных действий (как в павловской теории условных рефлексов), а как цикл взаимодействий между нервной системой и внешней средой. В середине 1930-х гг. он предложил заменить классическое павловское понятие «рефлекторной дуги» на понятие «рефлекторного кольца».
В той же мере, в какой теория Бернштейна отличалась от теории Павлова, различались и их центральные машинные метафоры. Бернштейн сравнил нервную систему не с телефонной станцией, как Павлов, а с управляющим устройством, действующим по принципу обратной связи, т.е. с сервомеханизмом.
Время шло, разгром психотехники остался в прошлом, умер Сталин. Медленно начали говорить о кибернетике и о работах Норберта Винера.
Увидев в подъеме кибернетики уникальную возможность возродить свою первоначальную программу исследований, Николай Бернштейн перевел свою теорию движений на кибернетический язык. Вместо «построения движений» он начал говорить об «управлении» и «программировании», нервные импульсы стали «информацией», а двигательный аппарат организма был описан как саморегулирующееся устройство следящего типа. Бернштейн активно исследовал всевозможные кибернетические аналогии с сервомеханизмами, действующими по принципу обратной связи, и с вычислительными машинами, хранящими в памяти программу своих действий. В итоге он разработал полноценную модель организма как саморегулирующейся машины, получающей информацию из внешней среды, кодирующей ее в модель, программирующей свои действия и управляющей своими движениями . Использование кибернетического языка дало ему возможность бросить вызов павловской школе и в то же время избежать обвинений в «идеализме» и «витализме», выдвигавшихся против него прежде.
Из статьи В. А. ГЕРОВИЧ
ЧЕЛОВЕКО-МАШИННЫЕ МЕТАФОРЫ В СОВЕТСКОЙ ФИЗИОЛОГИИ
Сам Герович, конечно, тоже интересная фигура, до которой все не доходят руки
Немало интересного надо отметить, конечно, когда говорим о Гастеве и Институте Труда: извод советского тейлоризма мне, конечно, не так интересен, но интересна группа исследователей-учеников Павлова, которые были сторонниками большого числа метафор человек-машина, которые, затем, стали частью советской кибернетики
Центральный институт труда вел обширные физиологические исследования, основанные на концептуальных схемах и экспериментальных методах европейской науки биомеханики, в которой человеческое тело представлялось механической системой мускульных сил и масс . Николай Александрович Бернштейн (1896—1966), ведущий физиолог института, провел серию экспериментов по измерению траекторий и скоростей человеческих конечностей во время выполнения различных трудовых задач . В основе его подхода лежала далеко идущая человеко-машинная аналогия.
В 1926 г. в учебнике по биомеханике для инструкторов Бернштейн писал:
«Биомеханика... есть наука о том, как построена живая машина, т.е. каждый из нас; о том, как устроены движущие части этой машины и как они работают. <...> Законы механики повсюду одни и те же, касается ли дело паровоза, станка или человеческой машины. Значит, нам не придется выводить какие-то новые, особые механические законы. Мы должны только составить описание и характеристику живой машины так, как мы сделали бы это для автомобиля, ткацкого станка и т.п.»
Что касалось нервной деятельности, занимавшейся лишь центральной нервной системой, Бернштейн изучал движения человеческого тела и обнаружил, что периферическая нервная деятельность играет значительную роль в координации движений. Его эксперименты показали, что одна и та же трудовая задача выполняется каждый раз иначе, с меняющимся напряжением различных мышц, движения которых каждый раз «строились» заново. Он рассматривал моторную деятельность не как последовательность предопределенных действий (как в павловской теории условных рефлексов), а как цикл взаимодействий между нервной системой и внешней средой. В середине 1930-х гг. он предложил заменить классическое павловское понятие «рефлекторной дуги» на понятие «рефлекторного кольца».
В той же мере, в какой теория Бернштейна отличалась от теории Павлова, различались и их центральные машинные метафоры. Бернштейн сравнил нервную систему не с телефонной станцией, как Павлов, а с управляющим устройством, действующим по принципу обратной связи, т.е. с сервомеханизмом.
Время шло, разгром психотехники остался в прошлом, умер Сталин. Медленно начали говорить о кибернетике и о работах Норберта Винера.
Увидев в подъеме кибернетики уникальную возможность возродить свою первоначальную программу исследований, Николай Бернштейн перевел свою теорию движений на кибернетический язык. Вместо «построения движений» он начал говорить об «управлении» и «программировании», нервные импульсы стали «информацией», а двигательный аппарат организма был описан как саморегулирующееся устройство следящего типа. Бернштейн активно исследовал всевозможные кибернетические аналогии с сервомеханизмами, действующими по принципу обратной связи, и с вычислительными машинами, хранящими в памяти программу своих действий. В итоге он разработал полноценную модель организма как саморегулирующейся машины, получающей информацию из внешней среды, кодирующей ее в модель, программирующей свои действия и управляющей своими движениями . Использование кибернетического языка дало ему возможность бросить вызов павловской школе и в то же время избежать обвинений в «идеализме» и «витализме», выдвигавшихся против него прежде.
Из статьи В. А. ГЕРОВИЧ
ЧЕЛОВЕКО-МАШИННЫЕ МЕТАФОРЫ В СОВЕТСКОЙ ФИЗИОЛОГИИ
Сам Герович, конечно, тоже интересная фигура, до которой все не доходят руки
🔥4👍3💋1