Parece que te atrae el diseño. Parece que no estás muy entusiasmado con las pruebas de la efectividad del diseño. Esto es muy común y si tuviera un dólar por cada vez que alguien escribiera “necesita un estudio de usuario” en una revisión de HCI, sería un hombre rico. Los estudios de usuarios son difíciles, pero son clave para saber si nuestras hipótesis subyacentes sobre cómo funcionarán nuestros diseños son válidas.
Déjame darte un ejemplo de mi propio trabajo.
Hace bastante tiempo, estaba enamorado del trabajo de Edward Tufte. Una idea de particular interés es su teoría de data-ink, que establece:
Una gran parte de la tinta en un gráfico debe presentar información de datos, la tinta cambia a medida que cambian los datos. Data-ink es el núcleo no borrable de un gráfico, la tinta no redundante dispuesta en respuesta a la variación en los números representados. (La visualización visual de cuantitativa
Data, 1983)
Esta es una idea atractiva para los diseñadores, especialmente cuando se combina con su axioma de “sobre todo mostrar los datos”. Esencialmente, cuando realice un diseño, para mayor claridad y legibilidad, elimine cualquier tinta que no esté relacionada directamente con los datos. Esta tinta a veces se llama Carta de chatarra y se ha implicado en otra idea de Tufte llamada “factor de mentira” de una tabla, que generalmente se presenta como algo para evitar.
Sin embargo, creo que a veces hay un valor más allá de mostrar los datos de forma clara y legible. Normalmente presentamos datos para contar una historia; para convencer a alguien de nuestra propia visión de por qué algo debería ser verdad. Si bien es probable que sea una mala idea mentir acerca de lo que dicen los datos, debemos reconocer que la forma en que presentamos esos datos (de hecho, qué datos elegimos) siempre tiene como objetivo contar esa historia. Decir lo contrario es falso y peligroso.
Con ese fin, mis colegas y yo nos preguntamos si había más en la historia de data-ink y la relación data-ink. En particular, nos preguntamos qué pasaría si presentáramos información de la forma en que Nigel Holmes (el artista gráfico) hace sus dibujos.
(¿Reproducido de basura útil?)
Lo que tenemos aquí son dos diseños, ambos fundados en hipótesis interesantes sobre lo que es importante para las personas cuando ven datos, pero de los cuales no sabemos casi nada.
¿Es uno de estos más fácil de leer que el otro?
¿Es uno de ellos más rápido de entender?
¿Es uno de ellos más memorable?
Hasta nuestro estudio, la gente siempre había asumido que la teoría de Tufte era correcta: la segunda gráfica sería más fácil de leer, se interpretaría con mayor precisión y es probablemente una forma “mejor” de presentar los datos (aunque estoy seguro de que muchas personas discutirán sobre qué significa “mejor” en este contexto).
Nos tomó tres años hacer el estudio. Hice dos versiones y luego mi colega, el excelente Scott Bateman, hizo una que funcionó. En otras palabras, durante dos años, realicé estudios de usuarios que no lograron concretar la diferencia real entre estos gráficos. Encontramos muchas diferencias, pero era difícil decir si estábamos viendo los efectos primarios o secundarios. También estábamos luchando para entender cómo hacer un seguimiento de los errores de interpretación y qué tiempos de demora eran apropiados para la recuperación, qué recordatorio era importante y cómo no hacer preguntas importantes, cómo puntuar los resultados y … bueno, entiendes la idea.
Después de dos años y medio, nos topamos con la idea del seguimiento ocular para reforzar los resultados de nuestro cuestionario y lo cerramos.
Aquí está la conclusión del artículo:
“Encontramos que la precisión de la gente al describir los gráficos embellecidos no fue peor que para los gráficos simples, y que su recuperación después de un intervalo de dos a tres semanas fue significativamente mejor. Además, los participantes prefirieron los gráficos embellecidos. Aunque somos cautelosos acerca de Al proponer recomendaciones de diseño específicas, parece claro que hay más que aprender sobre los efectos de los diferentes tipos de embellecimiento visual en los gráficos. Nuestros resultados cuestionan algunas de las premisas del enfoque minimalista del diseño de gráficos, y plantean problemas para los diseñadores sobre cómo los gráficos Están diseñados y utilizados en diferentes publicaciones y diferentes contextos “.
Interesante, ¿eh? Todo un campo de visualización se basa en la claridad de la presentación de los datos, pero parece que la respuesta es mucho más complicada. Scott hizo un trabajo tan bueno al escribirlo que ganamos un premio al mejor artículo en la 28ª Conferencia ACM sobre Factores Humanos en Sistemas de Computación.
Por supuesto, nuestras conclusiones no dejaron de tener sus críticas ( http://andrewgelman.com/2010/05// ), aunque uno de mis ídolos hizo una revisión muy positiva ( https://eagereyes.org/criticism/ …). También se ha replicado con éxito, aunque en conjuntos de datos más grandes ( http://sitemaker.umich.edu/cente …).
El punto de mi historia es el siguiente: lo que estás aprendiendo ahora va al núcleo de HCI. Quizás la presentación no sea tan buena o el tema no sea interesante, pero la capacidad de PROBAR nuestros diseños con personas reales y generar evidencia con respaldo estadístico de su éxito (o fracaso) es una diferencia clave entre HCI y el diseño. O, para el caso, el art.
Si esto no es interesante, entonces, probablemente tienes razón. HCI no es para ti como área de estudio principal. Sin embargo, dados sus intereses, probablemente pueda estudiar uno de los campos relacionados y aún estar presente en las conferencias de HCI. ¡Nos encantaría tenerte!
