Mengenal Learnability Lebih Dekat

Learnability adalah salah satu dari lima komponen dari usability. Menguji kemampuan belajar sangat berharga untuk aplikasi kompleks dan sistem yang sering diakses pengguna. meskipun mengetahui seberapa cepat pengguna dapat menyesuaikan diri dengan antarmuka Anda sangat berharga bahkan untuk sistem sederhana yang objektif.

Learnability mempertimbangkan betapa mudahnya bagi pengguna untuk menyelesaikan suatu tugas saat pertama kali mereka menemukan antarmuka dan berapa banyak pengulangan yang diperlukan bagi mereka untuk menjadi efisien dalam tugas itu.

Dalam studi kemampuan belajar, kita ingin menghasilkan kurva belajar, yang mengungkapkan perubahan longitudinal dari aspek kuantitatif perilaku manusia. Dengan data dari kurva pembelajaran, kita dapat mengidentifikasi berapa lama yang dibutuhkan pengguna untuk mencapai saturasi - dataran tinggi dalam data yang kami bagikan yang memberi tahu kita bahwa pengguna telah mempelajari antarmuka sebanyak mungkin.

Misalnya, katakanlah kita sedang mendesain ulang aplikasi cadangan file perusahaan yang dimaksudkan untuk dijalankan oleh administrator TI secara teratur. Kita berasumsi pengguna akan cukup sering menggunakan aplikasi ini sehingga mereka akan naik ke kurva belajar itu. Untuk aplikasi seperti itu, sangat penting bagi pengguna untuk dapat menyelesaikan pekerjaan mereka secepat mungkin. Dalam skenario ini, studi yang dapat dipelajari akan menentukan seberapa cepat administrator belajar menjalankan cadangan secara efisien. Kita merekrut beberapa pengguna representatif dan mengundang mereka ke lab. Kemudian kita meminta mereka untuk melakukan pencadangan dan mengukur berapa lama waktu yang diperlukan untuk pertama kalinya. Selanjutnya, kita meminta mereka untuk kembali ke lab dan melakukan tugas untuk yang kedua kalinya - lagi, mengukur waktu penyelesaian tugas mereka. Proses ini berulang beberapa kali. Hasil penelitian kita akan menjadi kurva belajar yang memplot waktu tugas lebih dari sejumlah percobaan.

Ada 3 aspek berbeda dari kemampuan belajar, yang masing-masing penting untuk berbagai jenis pengguna:

Pembelajaran penggunaan pertama: Seberapa mudah untuk menggunakan desain saat pertama kali Anda mencoba? Aspek kemampuan belajar ini menarik bagi para pengguna yang hanya akan melakukan tugas sekali. Pengguna ini tidak akan mengalami kemajuan dalam kurva pembelajaran, sehingga mereka tidak peduli bagaimana tampilannya.
Curamnya kurva belajar: Seberapa cepat orang menjadi lebih baik dengan penggunaan desain yang berulang? Aspek belajar ini sangat penting bagi pengguna yang akan menggunakan desain beberapa kali, meskipun mereka tidak akan menggunakannya secara berlebihan. Jika orang merasa bahwa mereka mengalami kemajuan dan menjadi lebih baik dan lebih baik dalam menggunakan sistem Anda, mereka akan termotivasi untuk mematuhinya. (Dan sebaliknya, jika orang merasa itu tidak menjadi lebih baik, tidak peduli seberapa keras mereka berusaha, mereka akan mulai mencari solusi yang lebih baik.)

Efisiensi dataran tinggi: Seberapa tinggi produktivitas yang dapat dicapai pengguna dengan antarmuka ini, begitu mereka telah sepenuhnya belajar cara menggunakannya? Aspek ini sangat penting bagi orang-orang dengan kebutuhan yang sering dan tahan lama untuk menggunakan sistem - misalnya, ketika itu merupakan alat utama untuk tugas sehari-hari yang penting.
Idealnya, tentu saja, sistem Anda harus berjalan dengan baik pada ketiga aspek. Namun, di dunia nyata, pengorbanan desain sering diperlukan, dan Anda harus membentuk kurva belajar untuk melayani sebagian besar pengguna yang memiliki nilai bisnis tertinggi.

Kepentingan relatif dari dimensi-dimensi ini juga tergantung pada tahapan dalam kehidupan pengguna. Pengguna baru ingin dapat mempelajari sistem dengan cepat dan mencapai titik kinerja (dataran tinggi) optimal sesegera mungkin, tetapi pengguna ahli ingin dataran rendah serendah (mis., Waktu tugas optimal sesingkat) mungkin.

Terkadang atribut yang berbeda dari kemampuan belajar ini dapat menarik desain ke arah yang berbeda. Misalnya, sistem yang dapat dipelajari tidak selalu efisien. Kembali ke contoh kita, mari kita asumsikan bahwa cadangan dilakukan melalui alur kerja wizard langkah demi langkah dengan banyak instruksi dan penjelasan. Sistem ini mungkin sangat bisa dipelajari: pengguna mungkin dapat melakukan tugas secepat mungkin bahkan ketika mereka menyelesaikannya untuk pertama kalinya. Tetapi kurva akan cukup rata: mereka tidak akan dapat melakukannya lebih cepat untuk kedua kalinya, karena mereka harus melalui layar yang sama dan menjawab pertanyaan yang sama. Saat pengguna mahir dalam antarmuka, desain ini akan terasa seperti berpegangan tangan dan tidak efisien untuk penggunaan berulang. (Karena alasan inilah kami merekomendasikan penerapan akselerator, atau proses pintas, untuk pengguna ahli.) Desainer harus dengan hati-hati menyeimbangkan kemampuan belajar dan efisiensi.

Kemampuan belajar yang tinggi berkontribusi terhadap kegunaan. Ini menghasilkan onboarding sistem cepat yang diterjemahkan menjadi biaya pelatihan yang rendah. Selain itu, kemampuan belajar yang baik dapat menghasilkan kepuasan yang tinggi karena pengguna akan merasa yakin dengan kemampuan mereka.

Jika sistem Anda dan tugas-tugas yang sesuai rumit dan yang sering diakses pengguna, produk Anda mungkin merupakan kasus yang bagus untuk dipelajari. Studi keterjangkauan memakan waktu dan anggaran, jadi jangan melemparkannya dengan sembarangan kepada para pemangku kepentingan. Tidak masuk akal untuk mengukur kemampuan belajar untuk tugas-tugas yang jarang sekali diselesaikan pengguna atau satu kali (misalnya, mendaftar untuk layanan atau mengajukan pajak tahunan) karena pengguna kemungkinan besar akan berperilaku seperti pengguna baru setiap kali mereka menghadapi tugas. Dalam kasus ini, tes kegunaan standar akan lebih cocok dan lebih hemat biaya daripada studi kemampuan belajar.

Menjalankan Studi Kemampuan Belajar
Dalam studi pembelajaran, kita fokus pada pengumpulan metrik, itulah sebabnya kami beralih ke metode penelitian kuantitatif. Studi semacam ini membutuhkan tugas yang terfokus dan eksperimen yang terkontrol, dan oleh karena itu pengujian kegunaan kuantitatif paling cocok untuk mempelajari kemampuan belajar sistem.

Peserta
Dalam menjalankan jenis studi ini, kita mencoba menentukan seberapa mudah orang mempelajari antarmuka kami. Oleh karena itu, penting untuk mengumpulkan peserta dengan sedikit atau tanpa pengalaman menggunakan sistem yang akan mereka uji.

Salah satu pertimbangan dalam pengujian kemampuan belajar adalah pengalaman sebelumnya dengan sistem yang serupa. Pengalaman sebelumnya dapat membantu pengguna (misalnya, karena mereka mungkin sudah terbiasa dengan konvensi domain) atau mungkin memperlambatnya (misalnya, karena mereka mungkin menderita perubahan keengganan). Namun, data ini masih berharga, terutama ketika meluncurkan produk baru dengan tujuan untuk mencuri pelanggan dari produk yang sudah ada. Jika berlaku, rekrut peserta yang tidak memiliki pengalaman sistem yang sama dan peserta dengan pengalaman sistem yang serupa, dan rencanakan untuk membandingkan data yang sesuai dari kedua kelompok.

Adapun studi kuantitatif, kami menyarankan Anda merekrut sejumlah besar peserta (biasanya setidaknya 30-40). Jumlah pastinya akan tergantung pada kompleksitas tugas Anda, dengan tugas yang sangat rumit yang membutuhkan lebih banyak peserta untuk menjelaskan variabilitas data yang secara inheren lebih tinggi, dan tugas yang lebih sederhana yang membutuhkan lebih sedikit peserta.

Bergantung pada sistem Anda, waktu pada tugas mungkin tidak relevan dan karenanya Anda memerlukan metrik yang berbeda. Dalam situasi ini, pertimbangkan untuk mengumpulkan jumlah kesalahan yang dibuat pengguna untuk tugas yang diberikan.

Ingat, kami mencoba merencanakan metrik ini dari waktu ke waktu, jadi kami harus meminta peserta yang sama menyelesaikan tugas yang sama beberapa kali. Kami menyarankan Anda mengulangi uji coba sampai dataran tinggi tercapai. Kurva yang rata menunjukkan bahwa peserta kami telah mempelajari sistem (khusus untuk tugas ini) sebanyak mungkin.

Saat mempertimbangkan uji coba, ada dua pertanyaan yang mungkin Anda tanyakan: berapa banyak uji coba yang harus saya jalankan? Dan seberapa jauh jarak persidangan itu? Jawaban untuk kedua pertanyaan ini tergantung pada keadaan Anda.

Untuk memprediksi jumlah uji coba yang diperlukan bagi pengguna untuk mencapai titik pembelajaran jenuh, pertimbangkan kompleksitas sistem Anda. Sebagai titik awal, pertimbangkan 5-10 uji coba tetapi ketika ragu, rencanakan lebih banyak uji coba daripada yang Anda pikir Anda butuhkan, karena dua alasan: (1) Anda ingin memastikan bahwa Anda telah mencapai kinerja yang stabil dan (2) setelah Anda Sudah mencapai titik kinerja yang stabil, umumnya lebih mudah untuk membatalkan sesi kegunaan daripada menjadwalkan lebih banyak.

Jika Anda bertanya-tanya berapa banyak waktu yang diperlukan antara percobaan, pertimbangkan seberapa sering Anda mengantisipasi pelanggan untuk menggunakan produk dan mencocokkan interval itu sedekat mungkin. Untuk tugas yang dilakukan pengguna setiap hari atau beberapa kali seminggu, Anda dapat melakukan uji coba pada hari-hari berturut-turut. Tetapi untuk tugas yang dilakukan sebulan sekali, Anda mungkin ingin meninggalkan 4 minggu di antara percobaan.

Untuk setiap tugas, cara menghitung rata-rata metrik untuk setiap percobaan dan plot mereka pada grafik garis dengan sumbu berlabel. Dengan memplot data untuk setiap percobaan, Anda akan memperoleh kurva belajar untuk tugas itu.

Setelah Anda melakukan analisis Anda (dan mungkin menemukan bahwa efek uji coba itu signifikan), pertimbangkan gambaran besarnya: Apa kemiringan kurva belajar Anda? Antarmuka yang kurang dapat dipelajari memiliki penurunan yang relatif kecil pada kurva dan mengambil banyak percobaan untuk mencapai titik saturasi. Atau, sistem yang sangat mudah dipelajari memiliki kurva yang curam dan turun dengan cepat dan mencapai titik saturasi setelah pengulangan yang lebih sedikit.

Misalnya, dalam contoh cadangan file asli kami, butuh pengguna 4 percobaan untuk mencapai dataran jenuh dan menjadi efisien. Itu mungkin tampak dapat diterima. Di sisi lain, jika butuh 30 percobaan untuk mencapai titik yang sama, kemampuan belajar kemungkinan akan terlalu rendah.

Juga, pertimbangkan efisiensi akhir: apakah dapat diterima bahwa, setelah pengguna telah belajar bagaimana melakukan tugas, itu akan memakan waktu 10 menit? Jawabannya mungkin tergantung pada apa nomor itu untuk produk pesaing. Jika analisis kompetitif tidak dapat dilakukan, Anda juga dapat membandingkan temuan dengan biaya dan ROI. Jika administrator menghabiskan 10 menit sehari untuk menyelesaikan tugas cadangan secara optimal dan melakukan tugas setiap hari selama satu tahun, ini berarti 3650 menit atau sekitar 60 jam. Dengan biaya $ 100 per jam, itu berarti bahwa perusahaan akan menghabiskan $ 6000 untuk menyelesaikan cadangan. Apakah jumlah itu dapat diterima atau mungkin perlu diturunkan (dengan meningkatkan desain) akan tergantung pada spesifikasi masing-masing produk.

Kemampuan belajar suatu produk memberi tahu kita seberapa cepat pengguna mencapai perilaku optimal dengan produk itu. Penting untuk mengukur kemampuan belajar untuk UI yang sering digunakan secara relatif. Sebuah studi pembelajaran melibatkan pengukuran berulang dari peserta yang sama menyelesaikan tugas yang sama. Hasil dari studi kemampuan belajar adalah kurva belajar yang akan mengungkap berapa banyak pengulangan yang dibutuhkan agar pengguna dapat menyelesaikan tugas dengan efisien.

Bahkan jika Anda tidak melakukan proyek penelitian kemampuan belajar yang lengkap untuk memplot kurva belajar penuh, memikirkan konsep-konsep ini akan membantu Anda membuat keputusan trade-off untuk merancang produk yang menargetkan pelanggan terpenting Anda.

https://www.google.com/amp/s/whatis.techtarget.com/definition/learnability%3famp=1

https://en.m.wikipedia.org/wiki/Learnability

https://www.nngroup.com/articles/measure-learnability/

Related posts:

Qual o primeiro lugar online em que você faz uma pesquisa? Pensou no Google? Agora imagine várias outras pessoas fazendo a mesma ação quando querem saber um assunto, ir a algum lugar, fazer o que…

With the rising cost of user acquisition, never has considering the full Player Experience been so critical to success. Here are a few quick tips to get you started.

The Edge in Amsterdam is no normal workplace. It is generally considered to be one of the greenest and most sustainable offices on the planet, a truly smart building teeming with technology that is…