Восторг, голосовые ассистенты на ChatGPT и цензура
В работе исследуется влияние модерации на получение пользователями удовольствия от диалоговых систем ИИ. В то время как недавние достижения в языковых моделях (LLM) привели к появлению высокоэффективных диалоговых ИИ, которые все чаще используются в реальных условиях, растет общественная озабоченность по поводу безопасности ИИ и необходимости модерировать системы для поощрения безопасного языка и предотвращения вреда. Однако некоторые пользователи утверждают, что современные подходы к модерации ограничивают технологию, ставят под угрозу свободу выражения мнений и ограничивают ценность технологии. Возможно, что модерация не обязательно умаляет удовольствие пользователя. Жесткая модерация, похоже, имеет пагубный эффект, но модели, которые модерируются, чтобы быть более безопасными, могут улучшить взаимодействие с пользователем. Исследование показало, что за счет развертывания различных диалоговых ИИ на платформе Chai удержание пользователей может даже увеличиться с уровнем модерации и безопасным дизайном системы.
https://www.chai-research.com/
В разговорах между ИИ и человеком небезопасный контент может исходить как от человека, так и от разговорного ИИ. Если реакция человека идентифицируется как вредная, системы обычно возвращают ни к чему не обязывающие безопасные ответы или пытаются сменить субъекта. Однако злонамеренные пользователи также могут создавать необнаруживаемые подсказки со стороны противника , где, например, тщательно продуманный пользовательский ввод может запустить модель для создания оскорбительного контента.
Восприимчивость диалоговых ИИ к состязательности — открытая область исследований. При рассмотрении сгенерированных диалоговых ответов ИИ в литературе были предложены различные подходы для снижения риска создания небезопасного контента. Эти подходы можно разделить на три основные категории. Первый подход — это курирование данных, когда модели обучаются на безопасных данных, чтобы снизить вероятность создания вредоносного контента. Однако такие недостаточно открытые модели с трудом реагируют на оскорбительный пользовательский контент, а также восприимчивы к враждебным подсказкам. В качестве альтернативы или в дополнение к обработке данных можно ввести уровень безопасности с помощью системы обнаружения, которые могут идентифицировать сгенерированные системой небезопасные ответы и отклонить их. Наконец, набор методов исследует контролируемую генерацию, при которой модель обучается генерировать выходные данные при определенных условиях, предлагая пользователю/разработчику определенный уровень контроля над агрессивностью разговорной речи.
В исследовании авторы показывают, что модерация даже повышает метрики восторга при модерации и безопасности контента
В работе исследуется влияние модерации на получение пользователями удовольствия от диалоговых систем ИИ. В то время как недавние достижения в языковых моделях (LLM) привели к появлению высокоэффективных диалоговых ИИ, которые все чаще используются в реальных условиях, растет общественная озабоченность по поводу безопасности ИИ и необходимости модерировать системы для поощрения безопасного языка и предотвращения вреда. Однако некоторые пользователи утверждают, что современные подходы к модерации ограничивают технологию, ставят под угрозу свободу выражения мнений и ограничивают ценность технологии. Возможно, что модерация не обязательно умаляет удовольствие пользователя. Жесткая модерация, похоже, имеет пагубный эффект, но модели, которые модерируются, чтобы быть более безопасными, могут улучшить взаимодействие с пользователем. Исследование показало, что за счет развертывания различных диалоговых ИИ на платформе Chai удержание пользователей может даже увеличиться с уровнем модерации и безопасным дизайном системы.
https://www.chai-research.com/
В разговорах между ИИ и человеком небезопасный контент может исходить как от человека, так и от разговорного ИИ. Если реакция человека идентифицируется как вредная, системы обычно возвращают ни к чему не обязывающие безопасные ответы или пытаются сменить субъекта. Однако злонамеренные пользователи также могут создавать необнаруживаемые подсказки со стороны противника , где, например, тщательно продуманный пользовательский ввод может запустить модель для создания оскорбительного контента.
Восприимчивость диалоговых ИИ к состязательности — открытая область исследований. При рассмотрении сгенерированных диалоговых ответов ИИ в литературе были предложены различные подходы для снижения риска создания небезопасного контента. Эти подходы можно разделить на три основные категории. Первый подход — это курирование данных, когда модели обучаются на безопасных данных, чтобы снизить вероятность создания вредоносного контента. Однако такие недостаточно открытые модели с трудом реагируют на оскорбительный пользовательский контент, а также восприимчивы к враждебным подсказкам. В качестве альтернативы или в дополнение к обработке данных можно ввести уровень безопасности с помощью системы обнаружения, которые могут идентифицировать сгенерированные системой небезопасные ответы и отклонить их. Наконец, набор методов исследует контролируемую генерацию, при которой модель обучается генерировать выходные данные при определенных условиях, предлагая пользователю/разработчику определенный уровень контроля над агрессивностью разговорной речи.
В исследовании авторы показывают, что модерация даже повышает метрики восторга при модерации и безопасности контента
💋3😐2❤1👍1
Странные интерфейсы и диаграммы. Уринодиаграммы Средних веков
До нас дошло много деревянных уроскопических таблиц, сочетающих колбы с мочой и цветными описаниями: они изготавливались отдельно и служили цели быть шпаргалкой или учебником. Сами средневековые рукописи, описывая мочу, демонстрируют широкий спектр цветов и консистенций, от зелени капусты до блюд
Интерес к такому рода вещам был вызван главным образом тем, что уроскопия — исследование мочи с целью диагностики и прогноза — была одним из самых ценных навыков врача.
Некоторые авторы манускриптов весьма изобретательны в описании цветов: в сборнике конца пятнадцатого века один образец описывается как «зеленый, как капуста».
Подобные сравнения со знакомыми взглядами вероятно, были предназначены для того, чтобы помочь практикующим врачам различать очень похожие цвета и компенсировать недостатки диаграмм, украшение которых иногда было больше связано с наличием пигментов, чем с научной точностью.
До нас дошло много деревянных уроскопических таблиц, сочетающих колбы с мочой и цветными описаниями: они изготавливались отдельно и служили цели быть шпаргалкой или учебником. Сами средневековые рукописи, описывая мочу, демонстрируют широкий спектр цветов и консистенций, от зелени капусты до блюд
Интерес к такому рода вещам был вызван главным образом тем, что уроскопия — исследование мочи с целью диагностики и прогноза — была одним из самых ценных навыков врача.
Некоторые авторы манускриптов весьма изобретательны в описании цветов: в сборнике конца пятнадцатого века один образец описывается как «зеленый, как капуста».
Подобные сравнения со знакомыми взглядами вероятно, были предназначены для того, чтобы помочь практикующим врачам различать очень похожие цвета и компенсировать недостатки диаграмм, украшение которых иногда было больше связано с наличием пигментов, чем с научной точностью.
🔥6👍1💋1
Удобочитаемость в СССР
Проектирование первых операторских пультов требовало тестирования шрифтов и другой архитектоники букв с точки зрения восприятия оператора.
В конечном итоге, в советской литературе успешным считали именно стиль под литерой г).
Начертание Ландсделла использовалось даже на АЭС и опературе для диспетчерских узлов. Цифры Лансделла, довольно четко распадаются на две группы: цифры 1, 3, 5 и 7 имеют малую затушеванную площадь, а 2, 4, 6, 8, 9, 0 - большую. Таким образом, различение отдельных цифр производится наблюдателем внутри двух подалфавитов, состоящих из четырех и шести знаков.
Проектирование первых операторских пультов требовало тестирования шрифтов и другой архитектоники букв с точки зрения восприятия оператора.
В конечном итоге, в советской литературе успешным считали именно стиль под литерой г).
Начертание Ландсделла использовалось даже на АЭС и опературе для диспетчерских узлов. Цифры Лансделла, довольно четко распадаются на две группы: цифры 1, 3, 5 и 7 имеют малую затушеванную площадь, а 2, 4, 6, 8, 9, 0 - большую. Таким образом, различение отдельных цифр производится наблюдателем внутри двух подалфавитов, состоящих из четырех и шести знаков.
👍8💋1
UX и AI
Визуальный promt -инжиниринг
Визуальные промты Landing AI — это инновационный подход, который использует промты - текстовые подсказки, используемые в таких приложениях, как ChatGPT, но уже для компьютерного зрения. Всего несколькими щелчками мыши вы можете преобразовать немаркированный набор данных в развернутую модель за считанные минуты. Это приводит к значительному упрощению, ускорению и удобству рабочего процесса для применения компьютерного зрения.
Визуальный промтинг делает обучение похожим на обучение живого человека - как я понимаю, это что-то среднее между обучением без учителя и способом задать на уровне ввода петлю обратной связи для нейросети, которая будет распознавать сущности. Интересно, может ли это быть и новым способом работы с LLM - показывать им визуально, что ты имеешь ввиду: это сразу решит многие проблемы недостатка сенсорной информации у языковой модели
https://app.landing.ai/
Как это работает? Заходишь и показываешь слой, который надо разметить на картинке нейросети и она уже проставляет нужную аннотацию. Машинное зрение из коробки.
Выглядит очень перспективно.
Визуальный promt -инжиниринг
Визуальные промты Landing AI — это инновационный подход, который использует промты - текстовые подсказки, используемые в таких приложениях, как ChatGPT, но уже для компьютерного зрения. Всего несколькими щелчками мыши вы можете преобразовать немаркированный набор данных в развернутую модель за считанные минуты. Это приводит к значительному упрощению, ускорению и удобству рабочего процесса для применения компьютерного зрения.
Визуальный промтинг делает обучение похожим на обучение живого человека - как я понимаю, это что-то среднее между обучением без учителя и способом задать на уровне ввода петлю обратной связи для нейросети, которая будет распознавать сущности. Интересно, может ли это быть и новым способом работы с LLM - показывать им визуально, что ты имеешь ввиду: это сразу решит многие проблемы недостатка сенсорной информации у языковой модели
https://app.landing.ai/
Как это работает? Заходишь и показываешь слой, который надо разметить на картинке нейросети и она уже проставляет нужную аннотацию. Машинное зрение из коробки.
Выглядит очень перспективно.
💋2
Как возникла HCI? Excel
Некоторое время назад я писал о Ричарде Броуди, человеке, который был создателем первых версий текстового редактора Word (мы во многом пожинаем плоды его видения и решений при использовании даже современных текстовых редакторов). А как возник Excel?
Знакомьтесь, Даниэль Бриклин, отец основатель такого жанра ПО как табличный процессор. Будучи студентом гарвардской бизнес-школы он уже давно мечтал разработать программу для помощи в построении бизнес-моделей, но представление таблицы пришло в голову при посещении аудитории с обычной доской. Один из преподавателей школы сделал небольшую ошибку в начале расчётов и был вынужден вручную исправлять цифры в финансовой модели, занимавшей огромную доску. Бриклин отвлёкся от лекции и стал мечтать о чём-то вроде калькулятора с шариком на нижней поверхности, «как у мышки», и большим дисплеем, на котором можно было бы поиграть с результатами вычислений.
Скоро Бриклин решил опробовать свою идею на практике: он хотел создать реальный продукт, с тем чтобы начать его продажи после завершения обучения. Поучаствовать в создании кода первой простой электронной таблицы Бриклин пригласил своего приятеля-программиста Боба Франкстона. Эта программа позволяла пользователям создавать таблицу с интерактивным интерфейсом, напоминающим текстовый процессор, добавлять формулы и автоматически пересчитывать их, тем самым решая проблему, с которой Бриклин столкнулся на гарвардской лекции
Так возникла программа VisiCalc — прадедушка Excel, который был изначально программой для Mac. На самом деле VisiCalc был жутко неудобен и породил целый сонм клонов-таблиц, так что в конце концов на рынке победило позднее корпоративное решение.
Некоторое время назад я писал о Ричарде Броуди, человеке, который был создателем первых версий текстового редактора Word (мы во многом пожинаем плоды его видения и решений при использовании даже современных текстовых редакторов). А как возник Excel?
Знакомьтесь, Даниэль Бриклин, отец основатель такого жанра ПО как табличный процессор. Будучи студентом гарвардской бизнес-школы он уже давно мечтал разработать программу для помощи в построении бизнес-моделей, но представление таблицы пришло в голову при посещении аудитории с обычной доской. Один из преподавателей школы сделал небольшую ошибку в начале расчётов и был вынужден вручную исправлять цифры в финансовой модели, занимавшей огромную доску. Бриклин отвлёкся от лекции и стал мечтать о чём-то вроде калькулятора с шариком на нижней поверхности, «как у мышки», и большим дисплеем, на котором можно было бы поиграть с результатами вычислений.
Скоро Бриклин решил опробовать свою идею на практике: он хотел создать реальный продукт, с тем чтобы начать его продажи после завершения обучения. Поучаствовать в создании кода первой простой электронной таблицы Бриклин пригласил своего приятеля-программиста Боба Франкстона. Эта программа позволяла пользователям создавать таблицу с интерактивным интерфейсом, напоминающим текстовый процессор, добавлять формулы и автоматически пересчитывать их, тем самым решая проблему, с которой Бриклин столкнулся на гарвардской лекции
Так возникла программа VisiCalc — прадедушка Excel, который был изначально программой для Mac. На самом деле VisiCalc был жутко неудобен и породил целый сонм клонов-таблиц, так что в конце концов на рынке победило позднее корпоративное решение.
👍4💋3❤2🔥1
Как оценивать AI? Завесой неведения
Одним из экспериментальных подходов к проектированию на большом числе данных и групп людей может быть использование мысленного эксперимента Роулза. Сюжет «завеса неведения» такой: представьте, что вы оказались в мире, где почему-то никто, включая вас, ничего не знает о себе: свой достаток, положение в обществе, физическую силу. Иными словами, над вами навис занавес неведения. Скоро он спадет, и вы все узнаете, а пока – вам нужно договориться друг с другом, по каким правилам вы будете жить.
Вы прописываете роли, практики, законы и мораль по отношению к каждой группе людей, сегменту, полу или расе. "Демиург" законов и норм этики должен быть готов к тому, что окажется в нормируемом им обществе кем угодно.
Это, конечно, касается и ИИ. Насколько теория Роулза продуктивна для аналитики новых технологий: надо ли описывать реальные оценки и моральные суждения людей или вводить правила экспертов? Различия в ценностях, интересах и точках зрения существующие в обществе, указывают на необходимость справедливого процесса, который может помочь определить соответствующие принципы для ИИ в масштабах всего общества.
Эксперимент такого рода был реализован группой исследователей в виде игры - кажется, это была веселая ферма. Участникам сказали, что они были случайным образом выбраны из своей группы, чтобы выбрать принцип, регулирующий поведение ИИ-помощника, таким образом определяя, кого ИИ-помощник будет поддерживать.
Затем участники узнали о двух принципах, которым может следовать помощник ИИ. Один принцип соответствовал максимизации общего урожая группы (принцип максимизации). Другой принцип соответствовал максимизации минимального результата для группы, т. е. помощи наиболее неблагополучному члену группы (приоритетный принцип).
Затем завеса поднималась и смотрели насколько изменились результаты группы и участника лично, если самым слабым звеном был респондент. Изменение оценок сравнивалось с контрольной группой без дизайна завесы неведения.
В целом, завеса показывает достаточно разные результаты до и после и работает, выдавая статзначимые результаты сравнения людей, которые выбирают принципы ИИ до того, как поймут, что это касается только их.
https://www.pnas.org/doi/10.1073/pnas.2213709120?fbclid=IwAR1KoCL5o7VBv2OxEdrJSwdbTSkE2dsGsD6FoWRAd1TNG_Ze-7lLaqOr_B0
Возникают, конечно, вопросы применения этой истории
Одним из экспериментальных подходов к проектированию на большом числе данных и групп людей может быть использование мысленного эксперимента Роулза. Сюжет «завеса неведения» такой: представьте, что вы оказались в мире, где почему-то никто, включая вас, ничего не знает о себе: свой достаток, положение в обществе, физическую силу. Иными словами, над вами навис занавес неведения. Скоро он спадет, и вы все узнаете, а пока – вам нужно договориться друг с другом, по каким правилам вы будете жить.
Вы прописываете роли, практики, законы и мораль по отношению к каждой группе людей, сегменту, полу или расе. "Демиург" законов и норм этики должен быть готов к тому, что окажется в нормируемом им обществе кем угодно.
Это, конечно, касается и ИИ. Насколько теория Роулза продуктивна для аналитики новых технологий: надо ли описывать реальные оценки и моральные суждения людей или вводить правила экспертов? Различия в ценностях, интересах и точках зрения существующие в обществе, указывают на необходимость справедливого процесса, который может помочь определить соответствующие принципы для ИИ в масштабах всего общества.
Эксперимент такого рода был реализован группой исследователей в виде игры - кажется, это была веселая ферма. Участникам сказали, что они были случайным образом выбраны из своей группы, чтобы выбрать принцип, регулирующий поведение ИИ-помощника, таким образом определяя, кого ИИ-помощник будет поддерживать.
Затем участники узнали о двух принципах, которым может следовать помощник ИИ. Один принцип соответствовал максимизации общего урожая группы (принцип максимизации). Другой принцип соответствовал максимизации минимального результата для группы, т. е. помощи наиболее неблагополучному члену группы (приоритетный принцип).
Затем завеса поднималась и смотрели насколько изменились результаты группы и участника лично, если самым слабым звеном был респондент. Изменение оценок сравнивалось с контрольной группой без дизайна завесы неведения.
В целом, завеса показывает достаточно разные результаты до и после и работает, выдавая статзначимые результаты сравнения людей, которые выбирают принципы ИИ до того, как поймут, что это касается только их.
https://www.pnas.org/doi/10.1073/pnas.2213709120?fbclid=IwAR1KoCL5o7VBv2OxEdrJSwdbTSkE2dsGsD6FoWRAd1TNG_Ze-7lLaqOr_B0
Возникают, конечно, вопросы применения этой истории
PNAS
Using the Veil of Ignorance to align AI systems with principles of justice | Proceedings of the National Academy of Sciences
The philosopher John Rawls proposed the Veil of Ignorance (VoI) as a thought experiment
to identify fair principles for governing a society. Here, ...
to identify fair principles for governing a society. Here, ...
💋2👍1
Закон Фиттса, сам Фиттс и некоторые основные моменты его главной работы
Существует большая легенда вокруг популярного в дизайне закона Фиттса: думаю, что оно вызвано главным образом тем, что закон Фиттса не очень-то равен его работам и тем положениям, которые он описывал в своих статьях. Напомню, что закон Фиттса в популярном изложении звучит как, что время, необходимое человеку, чтобы переместить курсор на цель — например, на элемент интерфейса, зависит от расстояния до цели, разделенного на ее размер. Давайте откроем саму статью “The information capacity of the human motor system in controlling the amplitude of movement” за 1954 год и попробуем разобратся, что тут так и не так.
Итак, Фиттс пишет:
Строго говоря, мы не можем изучать двигательную система человека в поведенческом
уровне в отрыве от связанных сенсорных механизмов. Мы можем только проанализировать поведение всей рецепторно-нервно-эффекторная система. Двигательная система в данном случае определяется как включающая визуальное и
проприоцептивные петли обратной связи, которые разрешить S следить за своей деятельностью.
Ок, такой бихевиоризм. Что дальше?
Информационная емкость двигательной системы определяется ее способностью производить последовательно один класс движений из числа нескольких альтернативных классов движения. Чем больше количество альтернативных классов, тем больше информационная емкость особых типов ответа. Понятие о фиксированной мощности передачи информации моторной системы предполагает способ количественно связать амплитуду, продолжительность и изменчивость двигательные реакции. Концепция вводит гипотезу о том, что в случае повторения движения фиксированной средней амплитуды учащаются, то в среднем каждое движение может дать меньше информация, и изменчивость движения увеличится на указанную величину.
Эксперимент, который вошел почти во все книжки:
На доске размещены две чувствительных полоски — мишени. При касании специальным пером одной из этих полосок фиксируется «попадание в цель». Участник эксперимента быстро поочерёдно касается пером то одной, то второй полоски. Изменяя расстояние между полосками и ширину каждой из них и замеряя время, Фиттс вывел зависимость:
Среднее количество допущенных ошибок в этой задаче было мало, всего 1,2% с
более легкий стилус и 1,3% с более тяжелый.
Хоба, оказывается, что эксперимент с двумя стилусами скорее ничего не показал.
Второй эксперимент оказался успешнее.
Аппарат для передачи дисков. Задача состояла в том, чтобы перебросить восемь шайб по одной с правого пальца на левый. И использовались отверстия шириной 1 дюйм и полтора дюйма. Здесь уже пошли дела лучше: Было небольшое (6%) уменьшение времени на движение во втором сете из 16 попыток с размером дырок побольше.
Третий эксперимент. Он заключался в переносе штифтов из одного набора отверстий в другой. Кроме того, требовались захватывающие и отпускающие движения пальцев.
А как звучит вывод? Достаточно сложно для понимания, но я и не психолог:
Темп выполнения всех исследованных заданий равномерно возрастал при уменьшении амплитуды движений и расширении пределов переносимости. Эти результаты качественно согласуются с предсказаниями гипотезы. Чтобы сравнить результаты с количественным предсказанием, что информационный вывод двигательной системы человека в любом конкретном типе задачи относительно постоянен в диапазоне требований к амплитуде и точности, необходим индекс сложности, который будет указывать минимальную информацию, необходимую для выполнения задания.
Существует большая легенда вокруг популярного в дизайне закона Фиттса: думаю, что оно вызвано главным образом тем, что закон Фиттса не очень-то равен его работам и тем положениям, которые он описывал в своих статьях. Напомню, что закон Фиттса в популярном изложении звучит как, что время, необходимое человеку, чтобы переместить курсор на цель — например, на элемент интерфейса, зависит от расстояния до цели, разделенного на ее размер. Давайте откроем саму статью “The information capacity of the human motor system in controlling the amplitude of movement” за 1954 год и попробуем разобратся, что тут так и не так.
Итак, Фиттс пишет:
Строго говоря, мы не можем изучать двигательную система человека в поведенческом
уровне в отрыве от связанных сенсорных механизмов. Мы можем только проанализировать поведение всей рецепторно-нервно-эффекторная система. Двигательная система в данном случае определяется как включающая визуальное и
проприоцептивные петли обратной связи, которые разрешить S следить за своей деятельностью.
Ок, такой бихевиоризм. Что дальше?
Информационная емкость двигательной системы определяется ее способностью производить последовательно один класс движений из числа нескольких альтернативных классов движения. Чем больше количество альтернативных классов, тем больше информационная емкость особых типов ответа. Понятие о фиксированной мощности передачи информации моторной системы предполагает способ количественно связать амплитуду, продолжительность и изменчивость двигательные реакции. Концепция вводит гипотезу о том, что в случае повторения движения фиксированной средней амплитуды учащаются, то в среднем каждое движение может дать меньше информация, и изменчивость движения увеличится на указанную величину.
Эксперимент, который вошел почти во все книжки:
На доске размещены две чувствительных полоски — мишени. При касании специальным пером одной из этих полосок фиксируется «попадание в цель». Участник эксперимента быстро поочерёдно касается пером то одной, то второй полоски. Изменяя расстояние между полосками и ширину каждой из них и замеряя время, Фиттс вывел зависимость:
Среднее количество допущенных ошибок в этой задаче было мало, всего 1,2% с
более легкий стилус и 1,3% с более тяжелый.
Хоба, оказывается, что эксперимент с двумя стилусами скорее ничего не показал.
Второй эксперимент оказался успешнее.
Аппарат для передачи дисков. Задача состояла в том, чтобы перебросить восемь шайб по одной с правого пальца на левый. И использовались отверстия шириной 1 дюйм и полтора дюйма. Здесь уже пошли дела лучше: Было небольшое (6%) уменьшение времени на движение во втором сете из 16 попыток с размером дырок побольше.
Третий эксперимент. Он заключался в переносе штифтов из одного набора отверстий в другой. Кроме того, требовались захватывающие и отпускающие движения пальцев.
А как звучит вывод? Достаточно сложно для понимания, но я и не психолог:
Темп выполнения всех исследованных заданий равномерно возрастал при уменьшении амплитуды движений и расширении пределов переносимости. Эти результаты качественно согласуются с предсказаниями гипотезы. Чтобы сравнить результаты с количественным предсказанием, что информационный вывод двигательной системы человека в любом конкретном типе задачи относительно постоянен в диапазоне требований к амплитуде и точности, необходим индекс сложности, который будет указывать минимальную информацию, необходимую для выполнения задания.
👍4💋2
Ну и наконец:
Стоит оценивать изменчивости как функции продолжительности ответа, используя некоторые понятия теории информации. Предлагается индекс трудности движения в предположении, что средняя амплитуда, средняя продолжительность и вариабельность амплитуды последовательных движений связаны способом, предложенным теорией информации. Основное обоснование состоит в том, что минимальное количество информации, необходимой для создания движения, имеющего определенную среднюю амплитуду плюс или минус определенный допуск (переменная ошибка), пропорционально логарифму отношения допуска к возможному диапазону амплитуд.
Никогда не верьте сайтам с популярной психологией для UX, короче.
Стоит оценивать изменчивости как функции продолжительности ответа, используя некоторые понятия теории информации. Предлагается индекс трудности движения в предположении, что средняя амплитуда, средняя продолжительность и вариабельность амплитуды последовательных движений связаны способом, предложенным теорией информации. Основное обоснование состоит в том, что минимальное количество информации, необходимой для создания движения, имеющего определенную среднюю амплитуду плюс или минус определенный допуск (переменная ошибка), пропорционально логарифму отношения допуска к возможному диапазону амплитуд.
Никогда не верьте сайтам с популярной психологией для UX, короче.
👍3💋2
Советские интерфейсы. Ритм интерфейса
Кроме симметрии и асимметрии важную роль в экспериментах по проектированию панелей интерфейсов ТЭЦ играет ритм и число пауз в графическом интерфейсе пользователя: ритмические акценты расположения элементов интерфейса являются предметом интереса еще и потому, что позволяют осмыслить вторую часть выражения “техническая эстетика”, предполагая реальное существование эстетических критериев — прежде всего, здесь интересно сравнение с музыкальной теорией.
Для ритма в интерфейсе используются следующие ограничения: нечетность числа элементов для восприятия интерфейсов как более “ритмичных”: ощущение ритма при этом, по замыслу авторов, должно быть создано не только и не столько расположением элементов на приборной доске, но и при выполнении действий оператора при взаимодействии с диспетчерским пультом и выполнения ряда задач. “Отличие от музыкального произведения в том, что СОИ может читаться с левого или правого конца”, но ритмичность действий оператора еще зависит от того как остановлен ритм, т.е. как заканчивается ряд элементов интерфейса
Что использовалось для работы с ритмом?
1) увеличение интервалов между элементами
2) усиление акцента на центральных элементах интерфейса
3) включение в крайние группы инородных предметов, крупных табло-регистраторов и так далее
Все это служит не только увеличению эстетического содержания, но и облегчению восприятия элементов на приборной панели.
На картинках описание экспериментов проектировщиков ТЭЦ-21
Кроме симметрии и асимметрии важную роль в экспериментах по проектированию панелей интерфейсов ТЭЦ играет ритм и число пауз в графическом интерфейсе пользователя: ритмические акценты расположения элементов интерфейса являются предметом интереса еще и потому, что позволяют осмыслить вторую часть выражения “техническая эстетика”, предполагая реальное существование эстетических критериев — прежде всего, здесь интересно сравнение с музыкальной теорией.
Для ритма в интерфейсе используются следующие ограничения: нечетность числа элементов для восприятия интерфейсов как более “ритмичных”: ощущение ритма при этом, по замыслу авторов, должно быть создано не только и не столько расположением элементов на приборной доске, но и при выполнении действий оператора при взаимодействии с диспетчерским пультом и выполнения ряда задач. “Отличие от музыкального произведения в том, что СОИ может читаться с левого или правого конца”, но ритмичность действий оператора еще зависит от того как остановлен ритм, т.е. как заканчивается ряд элементов интерфейса
Что использовалось для работы с ритмом?
1) увеличение интервалов между элементами
2) усиление акцента на центральных элементах интерфейса
3) включение в крайние группы инородных предметов, крупных табло-регистраторов и так далее
Все это служит не только увеличению эстетического содержания, но и облегчению восприятия элементов на приборной панели.
На картинках описание экспериментов проектировщиков ТЭЦ-21
🔥6👍2💋1
Словарь юного HCI и менеджмент знаний. Спираль знаний Нонака и Такеучи
Отвлечемся пока от роботов и взаимодействия с роботами и поговорим о такой вещи как «скрытые» или «неявные» знания, практики и ритуалы, которые переходят от сотрудника компании к сотруднику. В 1995 году Икуджиро Нонака и Хиротака Такеучи, исследователи управления знаниями в японских компаниях, предложили модель перехода видов знания и назвали ее спиралью знаний. Идея модели заключается в том, что организационное знание создается и распространяется путем социального взаимодействия его явной и неявной составляющих. Это взаимодействие создатели модели назвали трансформацией знания.
Нонака и Такеучи четыре способа создания знаний (социализацию, экстернализацию, комбинацию и интернализацию). Эта модель приобрела широкую популярность в ряде работ по менеджменту знаний. Главное, что такой подход позволял иначе объяснять успех японских компаний и компаний, которые готовы встать на японский стиль управления — хотя кейрецу и отличались компетентностью, жесткой иерархией, доступом к дешевым кредитам или ресурсам или уникальными тесными взаимоотношениями с подрядчиками и партнерами, главный секрет по мнению авторов кроется в том, что любая японская организация создавала организационное знание и была своеобразной фабрикой знаний и навыков.
Здесь я позволю себе небольшой пересказ из интернета о классификации, положенной в основе спирали знаний.
Существуют 4 способа такой трансформации:
Переход неявного знания в неявное – это социализация. Так учатся дети в любом коллективе. Они присматриваются и быстро перенимают принятые правила игры и нормы поведения (хотя в явном виде им далеко не всегда объясняют, что принято в этой группе).
1. Переход неявного знания в явное – экстернализация (изнутри наружу). То самое «вытягивание» неявного знания путем саморефлексии, работы с коучем или фасилитатором. Например, когда начинаешь понимать, что у тебя что-то получается не случайно, а при соблюдении ряда условий. Именно этот способ трансформации знаний является ключом к решению проблем и созданию прорывных инноваций. Многие инструменты 6 сигм, ТОС, бережливого производства работают с неявным знанием с целью его экстернализации.
2. Переход явного знания в явное – комбинация. Типичные примеры – небольшие инновации и перенос лучших практик. Когда владелец кафе подсмотрел в дорогом ресторане, что прохладным летним вечером на террасу посетителям выносят пледы, и на следующий день пошел покупать пледы для своего кафе.
3. Переход явного в неявное – интернализация (снаружи внутрь). Примером является процесс наработки опыта. Когда человек постепенно обучается мастерству, поначалу каждый шаг дается с трудом и осознанно контролируется. Постепенно навыки оттачиваются, и контроль над определенной частью работы уходит в подсознание. Через какое-то время мастер забывает, почему он делает так, а не иначе – просто делает и все. И получает стабильно высокий результат.
Откуда же берется спираль в этой модели? Создание организационного знания – это непрерывное взаимодействие неявного и явного знания через различные формы трансформации.
В классической японской культуре менеджмента есть глубокое недоверие к формализованным знаниям, знаниям, которые выражены только в цифрах: если их нельзя проверить на уровне ментальных моделей рядового сотрудника, учесть его предчувствия и догадки, то можно ли доверять таким знаниям?
Для японской терминологии описания бизнеса характерно использование метафор: эти метафоры и аналогии должны быть указаны на всем производственном цикле, в маркетинговых материалах, использоваться во время планерок менеджеров и в общении дизайнеров. Зачем? Метафоры переводят явное знание в неявное и наоборот, а ваш пользователь сначала понимает метафору, а уже потом рассматривает ваш продукт.
Отвлечемся пока от роботов и взаимодействия с роботами и поговорим о такой вещи как «скрытые» или «неявные» знания, практики и ритуалы, которые переходят от сотрудника компании к сотруднику. В 1995 году Икуджиро Нонака и Хиротака Такеучи, исследователи управления знаниями в японских компаниях, предложили модель перехода видов знания и назвали ее спиралью знаний. Идея модели заключается в том, что организационное знание создается и распространяется путем социального взаимодействия его явной и неявной составляющих. Это взаимодействие создатели модели назвали трансформацией знания.
Нонака и Такеучи четыре способа создания знаний (социализацию, экстернализацию, комбинацию и интернализацию). Эта модель приобрела широкую популярность в ряде работ по менеджменту знаний. Главное, что такой подход позволял иначе объяснять успех японских компаний и компаний, которые готовы встать на японский стиль управления — хотя кейрецу и отличались компетентностью, жесткой иерархией, доступом к дешевым кредитам или ресурсам или уникальными тесными взаимоотношениями с подрядчиками и партнерами, главный секрет по мнению авторов кроется в том, что любая японская организация создавала организационное знание и была своеобразной фабрикой знаний и навыков.
Здесь я позволю себе небольшой пересказ из интернета о классификации, положенной в основе спирали знаний.
Существуют 4 способа такой трансформации:
Переход неявного знания в неявное – это социализация. Так учатся дети в любом коллективе. Они присматриваются и быстро перенимают принятые правила игры и нормы поведения (хотя в явном виде им далеко не всегда объясняют, что принято в этой группе).
1. Переход неявного знания в явное – экстернализация (изнутри наружу). То самое «вытягивание» неявного знания путем саморефлексии, работы с коучем или фасилитатором. Например, когда начинаешь понимать, что у тебя что-то получается не случайно, а при соблюдении ряда условий. Именно этот способ трансформации знаний является ключом к решению проблем и созданию прорывных инноваций. Многие инструменты 6 сигм, ТОС, бережливого производства работают с неявным знанием с целью его экстернализации.
2. Переход явного знания в явное – комбинация. Типичные примеры – небольшие инновации и перенос лучших практик. Когда владелец кафе подсмотрел в дорогом ресторане, что прохладным летним вечером на террасу посетителям выносят пледы, и на следующий день пошел покупать пледы для своего кафе.
3. Переход явного в неявное – интернализация (снаружи внутрь). Примером является процесс наработки опыта. Когда человек постепенно обучается мастерству, поначалу каждый шаг дается с трудом и осознанно контролируется. Постепенно навыки оттачиваются, и контроль над определенной частью работы уходит в подсознание. Через какое-то время мастер забывает, почему он делает так, а не иначе – просто делает и все. И получает стабильно высокий результат.
Откуда же берется спираль в этой модели? Создание организационного знания – это непрерывное взаимодействие неявного и явного знания через различные формы трансформации.
В классической японской культуре менеджмента есть глубокое недоверие к формализованным знаниям, знаниям, которые выражены только в цифрах: если их нельзя проверить на уровне ментальных моделей рядового сотрудника, учесть его предчувствия и догадки, то можно ли доверять таким знаниям?
Для японской терминологии описания бизнеса характерно использование метафор: эти метафоры и аналогии должны быть указаны на всем производственном цикле, в маркетинговых материалах, использоваться во время планерок менеджеров и в общении дизайнеров. Зачем? Метафоры переводят явное знание в неявное и наоборот, а ваш пользователь сначала понимает метафору, а уже потом рассматривает ваш продукт.
👍2❤1💋1