Оценка когнитивных представлений пользователей

Представьте, что вы находитесь на перекрестке и собираетесь пересечь дорогу. Как часто вы нажимаете кнопку для активации светофора для пешеходов? Ограничиваетесь ли вы однократным нажатием или же нажимаете несколько раз?

Ваше поведение в данной ситуации основывается на личных предположениях о принципах работы устройства, если только вы не обладаете точной информацией о его механизме - например, если вы участвовали в разработке или установке данного светофора.

Те, кто нажимает неоднократно, вероятно полагают, что каждое нажатие увеличивает шанс быстрого изменения сигнала, указывая на повышенный спрос на переход. В то время как люди, нажимающие один раз, могут считать, что система уже зарегистрировала запрос на смену сигнала, и дополнительные попытки в течение того же цикла светофора бессмысленны.

Светофоры, как и множество других устройств, которыми мы пользуемся ежедневно, не всегда дают нам полное представление о своём функционировании. В этих условиях складываются определённые убеждения, которые и являются когнитивными моделями.

Рассмотрим подробнее, что представляют собой когнитивные модели и каким образом их можно анализировать в процессе изучения пользовательского опыта.

Что представляют собой когнитивные модели?

В эпоху 90-х, в видеоиграх на консолях вроде Super Nintendo и Genesis люди сталкивались с неполадками при включении. Традиционным решением было вынуть игровой картридж и подуть на контакты. Однако позже выяснилось, что подобные действия могут вызвать конденсацию влаги и нанести устройству вред. Выяснилось, что достаточно просто переустановить картридж для корректного контакта.

Этот пример иллюстрирует две основные характеристики когнитивных моделей.

Во-первых, это убеждения о механизмах работы чего-либо, которые могут быть неполными или даже ошибочными. Не всегда требуется абсолютная точность, особенно в сложных B2B системах, где пользователю не нужно глубокое понимание всех процессов. Главное, чтобы когнитивная модель была достаточно верной для достижения целей пользователя, даже если она лишь приближенно отражает реальность или информационно ей соответствует.

Во-вторых, когнитивные модели влияют на то, как мы воспринимаем обратную связь от системы, и, следовательно, на принятие решений и действия. Понимание и синхронизация системы с когнитивными моделями пользователей может значительно улучшить пользовательский опыт.

Хотя у каждого пользователя когнитивные модели индивидуальны, в группах пользователей часто прослеживаются общие черты или тенденции. Возвращаясь к примеру со светофором, мы можем разделить пользователей на тех, кто нажимает один раз, и тех, кто делает это многократно, но при детальном анализе обнаружим различия в деталях их представлений. Определение общих моделей среди пользователей помогает вносить коррективы в дизайн.

Когнитивные модели подлежат изменениям и адаптируются под влиянием опыта. Исследование в области человеческих факторов, проведённое Роджером Шваневельдтом, показало, что ментальные конструкции у новичков и опытных пилотов истребителей различаются: у новичков они более разнообразны, у опытных - более схожи.

Такая изменчивость может быть полезной: благодаря обучению или интуитивно понятному дизайну, когнитивные модели пользователей со временем улучшаются и становятся точнее.

Методики оценки и интерпретации ментальных моделей

Имеется множество способов оценить внутренние представления пользователей, и каждый из них имеет свои достоинства.

Метод «говорящей головы» дает возможность наблюдать за мыслительными процессами пользователей во время их взаимодействия с интерфейсом. Комментарии испытуемых помогают обнаружить разрыв между их ожиданиями и реальным функционированием системы, раскрывая основы их ментальных конструкций. Этот метод, который использовался Якобом Нильсеном, предусматривает, что ведущий исследования регулярно стимулирует участников делиться своими размышлениями и предположениями во время тестирования на удобство использования. В процессе нескольких сессий у испытуемых часто проявляются одни и те же ключевые моменты в их ментальных концепциях.

Другой метод, который рекомендует Никки Андерсон-Станьер, — это ретроспективное собеседование. Здесь участников просит вспомнить свой предыдущий опыт и описать свои мысли, проблемные моменты, ожидания и цели. Такой подход особенно ценен в ситуациях, когда стимулы недоступны или когда опыт охватывает несколько каналов и его трудно воспроизвести в условиях тестирования.

Также вы можете предложить участникам серию гипотетических вопросов. В исследовании Стивена Пэйна, посвященном банковским автоматам, использовался именно этот метод: участников просили предсказать исходы на основе разнообразных входных данных. Благодаря этим вопросам он выявил значительные различия в представлениях участников о данных, сохраненных на банковских картах.

Метод попарного сравнения для оценки схожести предполагает фиксацию всех возможных вариантов взаимодействия и оценку каждой пары участниками на шкале близости. К примеру, при изучении ментальных моделей Photoshop, вы могли бы рассмотреть такие элементы, как «слой», «размытие», «смешивание» и т. д. Но чем больше элементов вы добавляете, тем больше рискуете перегрузить участников. Если для 5 элементов требуется всего 10 сравнений, то для 15 элементов число сравнений увеличивается до 105! В результате получается матрица, демонстрирующая относительную степень связи каждой пары.

Метод сортировки карточек предлагает альтернативный взгляд, группируя элементы по принципу схожести, что делает его подходящим для ситуаций, где предполагается наличие различных категорий. Это упрощает сбор данных в условиях сложных систем с множеством компонентов, предоставляя участникам более контролируемую задачу.

Сети Pathfinder полезны для анализа и визуализации отношений. Этот метод математически удаляет слабосвязанные идеи, выделяя ключевые. Полученная диаграмма позволяет легко сравнивать ментальные модели разных групп пользователей. Помимо этого, метод предоставляет статистические данные о схожести и надежности, что может быть полезно для отслеживания изменений со временем. Однако следует учесть, что, несмотря на доступность инструментов анализа, они больше не поддерживаются, что может создать трудности для исследователей.

Какой метод измерения предпочтительнее?

Точность и полнота понимания ментальных моделей пользователей зависят от целей вашего исследования. Для экспресс-исследований юзабилити, направленных на быструю корректировку дизайна, могут подойти более простые методы, такие как «говорящая голова» или ретроспективные интервью.

В то же время более глубокие методы лучше подходят для изучения сложных систем с множеством переменных или в ситуациях, где высок риск ошибочных представлений. В отличие от методов «говорящей головы» и ретроспективных интервью, более формализованные подходы требуют тщательной подготовки и настройки. Например, случайные наблюдения за ментальными моделями могут быть сделаны в ходе обсуждения других исследовательских вопросов, но вы не сможете получить попарные оценки схожести, не разработав специальное исследование для этой цели.

Для изучения динамики изменений со временем существуют передовые техники, например, сетевой анализ PathFinder, которые позволяют статистически сравнивать данные в разные моменты времени. Однако для их применения требуются специализированные технические знания.

Важно также учитывать ожидаемые результаты исследования. Процесс мыслей вслух может выявить многие элементы ментальных моделей пользователей, достаточные для создания одного слайда в презентации, однако более глубокие методы, фиксирующие входные и выходные данные, позволяют создавать схемы и графики, которые легче воспринимаются.

Методы оценки ментальных моделей различаются по степени полноты

Можно представить, что эволюция от простых методов, таких как «мысли вслух», к более сложным представляет собой переход к более полноценному анализу ментальных моделей. В то время как простые методы отражают отдельные аспекты, более продвинутые учитывают большее количество факторов для создания обширного образа.

Выводы

Ментальные модели представляют собой предположения пользователей о механизмах работы систем, основанные на их представлениях, а не на реальных данных, что влияет на их взаимодействие с системой и толкование ее работы.

Методы оценки варьируются от простых, таких как «мысли вслух» и интервью с возвращением назад, до более сложных, включая анализ близости, классификацию по карточкам и сетевой анализ PathFinder. Простые методы позволяют быстро получить информацию, в то время как сложные предоставляют детальный анализ для стратегических целей. Выбор метода зависит от задач исследования, необходимости точности и желаемого типа результатов, будь то блок-схемы или другие визуализации.

Понимание ментальных моделей критически важно для создания интерфейсов, удобных для пользователя, соответствия дизайна ожиданиям пользователей и улучшения общей юзабилити продукта.

Ещё одна идея...

Защита пользовательских исследований с помощью «дубинки Крэбтри»

Обосновывая уникальность пользовательских исследований по сравнению с другими средствами получения знаний, такими как аналитика данных или маркетинговые исследования, мы часто выделяем наш комплексный подход. Можно столкнуться с разъяснениями высокоуровневых исследовательских концепций, таких как триангуляция, и использованием сложных метафор, например, о спутниках GPS.

Основой наших ценностей в выявлении существенных закономерностей является фундаментальная черта человеческой психики: стремление наводить порядок в беспорядке. Примером может служить явление парейдолии, когда мы видим лицо в безжизненном объекте, таком как облака или розетка. Мы склонны искать скрытый смысл даже в случайном шуме.

Надо сказать, что способность распознавать лица глубоко укоренена в наших нейронных сетях. Но мы также склонны искать логику в бессмысленных данных или аргументах. Этот принцип описан в книге «Дубинка Крэбтри», которая утверждает, что человеческий разум способен найти логичное объяснение для любого набора данных, даже если они кажутся противоречивыми. Это напоминание о нашей способности обманывать себя, что можно преодолеть с помощью корректного исследования.

Так что в следующий раз, когда вам предстоит защищать работу UX-исследователя, вспомните о лицах в облаках и «дубинке Крэбтри» как примерах нашей склонности к поиску закономерностей там, где их нет, подчеркивая важность тщательных исследований с использованием различных методов для выявления реальных инсайтов.