Учебно-методические материалы для студентов кафедры АСОИУ

Учебные программы » Проектирование человеко-машинных интерфейсов » Дополнительные материалы

Это продолжение статьи Г. Фишера.

Моделирование пользователей в человеко-машинном взаимодействии

Оценка перспектив развития

Решение проблем многофункциональных приложений. Поскольку сложность коммерческих многофункциональных приложений возрастает и, как видно, все больше компьютерных помощников (агентов, советников, инструкторов и рецензентов) появляется в широкодоступных коммерческих приложениях, анализ и понимание того, как люди учатся, выполняют совместную деятельность и работают с многофункциональными приложениями и над ними, представит нам новые требования к проектированию эффективных компонентов моделирования пользователей. Как было показано выше, задачи, поддерживаемые такими приложениями, широки, а пользователи не знают всех программных возможностей, которые могли бы помочь им как в целом, так и в некоторых задачах, которые они, возможно, никогда не пытались решить. В любых многофункциональных приложениях имеются функции для задач, выполняемых пользователями слишком редко, чтобы делать эти функции стоящими для изучения ими, и достаточно сложные, такие, что требуется повторно изучать, как применять их, каждый раз, когда пользователи пытаются выполнить определённую задачу. Большинство пользователей не хочет становиться техническими экспертами путём теоретического изучения большого числа функций, представляемых многофункциональными приложениями, — они всего лишь хотят, чтобы их задачи были выполнены. Активная помощь и рецензирование, которые представляют информацию, релевантную текущей задаче, и соотносят ее с компетентностью и имеющимися знаниями конкретного пользователя, являются важными компонентами, которые позволяют пользователям использовать всю силу многофункциональных приложений.

Коммерческие приложения: MS IntelliSense. Компания Microsoft начала со своих программных компонентов IntelliSense (впервые появившихся в MS Office 97), чтобы решить проблемы многофункциональных приложений в собственных приложениях. Как кратко упоминалось ранее, «Tip of the Day» («Совет дня») — это возможность, которая пыталась познакомить пользователей с функциональностью D4 (см. рис. 4). Несмотря на возможность наткнуться на релевантную информацию, большинство пользователей находят эту функцию скорее раздражающей, чем полезной (и, следовательно, многие люди отключают её, если знают как это сделать), потому что понятие «вбрасывается» им в облике, оторванном от контекста. Другие возможности IntelliSense были основаны на проекте Lumiere [Горвиц и др., 1998], который использовал байесовские модели пользователей, чтобы делать выводы о потребности пользователя, принимая во внимание его опыт, действия и запросы.

Другие компоненты коммерческой системы, действующие как рецензенты, такие как инструменты проверки орфографии и грамматики, можно было сделать значительно более полезными, путём связывания их с моделью пользователя. Существуют многочисленные программные компоненты, которые пытаются «понять» контекст действий конечного пользователя или распознать намерение пользователя и либо сгенерировать правильный ответ (напр., автокоррекция ошибок), либо предложить помощь мастеров (напр., для создания факсов или писем).

В дополнение к этим адаптивным компонентам эти системы содержат многочисленные возможности для адаптации (такие, как компоненты настройки и установки предпочтений), которые поддерживают персонализацию программного обеспечения, разрешая пользователям управлять тем, как ведёт себя приложение. Многие из многофункциональных приложений также позволяют пользователям создавать дополнительные функции, поддерживая программирование с помощью макросов и встроенных языков (легко программируемых или сценарных).

Будущие проблемы

Моделирование пользователей в человеко-машинном взаимодействии встречается со множеством интересных проблем, среди которых:

Увеличение отдачи от моделирования пользователей. Мало что может быть получено, если для того, чтобы достичь минимальных улучшений в практичности и полезности применяются дорогостоящие средства (например, наши практические исследования показали, что немногие пользователи, даже подготовленные ученые-компьютерщики, используют преимущества адаптивных механизмов макрокоманд MS Word). Выгодность или полезность когнитивных артефактов может быть охарактеризована как частное в отношении «стоимость/усилия». Чтобы повысить отдачу, мы имеем две опции: (1) увеличить стоимость, демонстрируя, что будущие системы, полагающиеся на модели пользователей, являются более практичными и более полезными, или (2) уменьшить усилия, связанные с созданием модели пользователя (например, применяя в своих интересах данные об использовании).

Разница между моделированием пользователей и моделированием задач. Во многих случаях мы не заинтересованы в моделировании пользователей в любом общем смысле, кроме производительности пользователя и его фоновых знаниях в отношении задач из определённой области (см. рис. 6). В этом случае адекватная модель пользователя может быть ограничена небольшим набором пользовательских признаков, связанных с конкретной задачей.

Поддержка различных методов моделирования. Многие подходы к моделированию пользователей потерпели неудачу из-за того, что они слишком сильно полагались на один определённый метод. Существует доказательство [Томас, 1996], что существенная поддержка может быть получена путём интеграции моделирования (напр., компонентов спецификации, опросников) с неявным моделированием (напр., анализом производительности пользователя, выполняющего задачу; выявлением происхождения знаний и интересов, основанных на предыдущих взаимодействиях) [Касс, 1991]. Это усовершенствованное объединение может быть в дальнейшем улучшено путём опроса пользователей (иначе, чем открытые системы, такие, как многофункциональные приложения и среды проектирования), чтобы решить специфичные проблемы, в которых выделение задачи управляется определёнными потребностями компонента моделирования пользователей.

Действия с моделями пользователей, содержащими неверную, устаревшую или неадекватную информацию. Модели пользователей представляют мир, который находится снаружи вычислительного окружения. Отображение внешней информации (особенно, если мы полагаемся на подразумеваемое, а не наблюдаемое поведение) на внутреннюю модель может быть неправильным, чтобы с него начинать. Но даже при условии, что оно является адекватным представлением в какой-то момент времени, оно может стать устаревшим при внешних изменениях, о которых модель не знает [Аллен, 1997]. Как, когда и кем может быть выявлена ошибочная модель пользователя? Кто будет иметь полномочия и знания, чтобы изменить такую модель и какие технические средства будут способны сделать такое?

Разработка критериев для оценки адекватности моделирования пользователей в различных предметных областях. Если предположить, что моделирование пользователей является полезным в одних предметных областях и бесполезно в других, то по каким критериям мы должны различать такие области?

Захват наибольшего контекста. Сачмэн [Сачмэн, 1987] убедительно доказывает, что «взаимодействие между людьми и компьютерами требует, по сути, такую же интерпретативную работу, которая характеризует взаимодействие между людьми, но с фундаментально отличающимися ресурсами, доступными для участников. В поиске разумной обоснованности действий и событий люди могут использовать лингвистические, невербальные и дедуктивные ресурсы, которые для компьютеров, в большинстве случаев, являются недоступными и непонимаемыми». Здесь возникают интересные вопросы: (1) Как мы можем захватить наибольший (зачастую неявный) контекст того, что делают пользователи (особенно за пределами прямого взаимодействия с компьютерной системой)? (2) Как мы можем увеличить «богатство ресурсов», доступных для компьютерных программ, пытающихся моделировать пользователей, чтобы понять (что им говорят об их пользователях) и сделать выводы из того, что они наблюдают при работе пользователей (внутри и снаружи компьютерной среды) [Горвиц и др., 1999]?

Повсеместная компьютеризация [Вейзер, 1993], встроенные коммуникации [Ривез, 1993] и данные об использовании [Хилл и др., 1992] делают попытку уменьшить излишнее разделение компьютерных артефактов из представляющих физические объекты и из обсуждений, окружающих их (такое разделение создало компьютерные окружения, которые являются «глухими, слепыми и парализованными агентами» [Бобров, 1991]). История и шаблоны взаимодействия документируют то, как артефакты были разработаны и какие действия и содействия были выполнены отдельными пользователями. Косвенная (или таки обстоятельная???) индексация [Болт, 1984], например, является мощным методом поиска, применяемым сотрудниками-людьми (??? human collaborators) , который позволяет пользователям запоминать события с точки зрения того, что они сделали, не обязательно с точки зрения того, что произошло с объектами.

Моделирование пользователей и управление. Следствием любого разумного поведения систем является то, что агенты (люди и компьютеры) могут делать ошибочные предположения и выполнять скрытые изменения, которые пользователям не нравятся. Современным системам часто не хватает возможности или, по меньшей мере, прозрачности для пользователей, чтобы они могли отключить эти «разумные» функции, и, таким образом, получить больше, чем помощь. Как утверждалось выше, системы, даже разумные, осведомлены лишь о части общего процесса решения проблемы, через который проходят их партнеры-люди [Холлан, 1990], и не могут разделить непонимание ситуации или состояние решения проблемы с человеком [Сачмэн, 1987]. Эти недостатки умных систем являются неприемлемыми в совместных человеко-машинных системах, служащих интеллектуальными агентами, таких как авиационные бортовые компьютеры, в то время, как в многофункциональных приложениях типа текстовых процессоров, они могут быть всего лишь надоедливыми. Биллингс [Биллингс, 1991] убедительно доказывает, что в компьютеризованной кабине пилота каждый интеллектуальный агент в человеко-машинной системе должен обладать знаниями о намерении и обоснованности определённых действий других агентов. Чтобы обойти эти недостатки, интеллектуальные системы должны представлять гибкие инструменты [Фишер, 1993b], которые не ущемляют пользователей, а наделяют их полномочиями, давая контроль над повседневными задачами [Кэй, 2000]. Имеются ситуации, в которых автоматизация и интеллектуальность желательны для нас (напр., немногие люди пожелают компилировать свои программы самостоятельно), но решение о том, что должно быть автоматизировано и что не должно быть под управлением людей, находится под влиянием системы [Шнейдерман и Маес, 1997]. (- but the decision as to what should be automated and what not should be under the control of the people affected by the system)

Конфиденциальность и модели пользователя. Мы живем в мире, где все больше и больше событий имеют место и отслеживаются в некоторой компьютерной среде и записываются в модель пользователя, назовём лишь несколько примеров: телефонные карты, дисконтные карты супермаркетов, заказы электронных книг в онлайн-магазинах, посещённые веб-сайты, активные бейджи, которые носят люди [Харпер и др., 1992]. Множество организаций собирают модели пользователей или наше поведение и действия — и существует большая опасность возможного злоупотребления этой информацией. Главной проблемой будет поиск способов избежать злоупотреблений, либо путём полного запрета на сбор информации компаниями, либо поиском способов, в которых частные пользователи имеют контроль над этими моделями.

Выводы

Конечная цель моделирования пользователей в том, что это должно быть сделано на пользу пользователей. Последнее исследование показало, что довольно часто существует разница между моделированием определённых аспектов работы и поведения пользователей и применением этих знаний для выгоды пользователей. Моделирование пользователей, особенно его вклад и значимость в будущие коллаборативные человеко-машинные системы, прошло длинный и извилистый путь [Фишер, 1999]. Это справедливо не только для прошлого, но и для будущего. Впереди нас ждут много интересных и сложных проблем: как понимать компромиссы, перспективы и подводные камни (1) между адаптивными и адаптируемыми системами, (2) между технологиями доставки информации («push») и доступа к ней («pull»), (3) между представлениями контекстуализированной информации и интуитивной прозорливостью и (4) тем, как переместиться из наших современных настольных сред в веб-окружение. Хочется надеяться, этот путь приведёт нас к новым идеям и понятиям в проектировании будущих человеко-ориентированных систем, поддерживаемых соответствующими методами моделирования пользователей.

Читать с начала: Моделирование пользователей в человеко-машинном взаимодействии.

Полный текст статьи здесь.

Анатольев А.Г., 27.12.2016

Постоянный адрес этой страницы:

↑ В начало страницы