Меню

Human computer interaction HCI что это такое

Human-computer interaction (HCI): что это такое

Human-computer interaction (HCI) — это область науки, направленная на создание и усовершенствование компьютерных систем, используемых людьми в интерактивном режиме.

О целях, задачах и областях применения HCI будет рассказано в данной статье.

human-arm-touching-robotic-arm-over-geometric-diagrams-551988091-571958065f9b58857d72386d.jpg – фото 1

Где применяется HCI и какие задачи решает

Основные сферы применения human-computer interaction (HCI) — это IT (в области разработки сервисов, сайтов, приложений и других web-продуктов) и промышленный дизайн (в создании различных интерактивных товаров, например, мобильных телефонов или ноутбуков).

К основным задачам HCI относятся:

проектирование интерфейсов, максимально удобных для конкретной целевой аудитории, имеющих высокие показатели обучаемости и эффективности;

создание и внедрение интерфейсов, имеющих простые программные составляющие, информативные библиотеки и логичные алгоритмы;

характеристика и сравнение интерфейсов, предназначенных для различных целевых аудиторий;

разработка новых методов взаимодействия пользователей с интерфейсами;

описательное и прогнозное моделирование по создаваемым продуктам;

теоретическое обоснование человеко-компьютерного взаимодействия.

Решение всех этих задач имеет общую цель — создание компьютерной системы с максимальным пониманием ожиданий и когнитивных способностей человека. Эта система называется человеко-компьютерным интерфейсом.

Computerworld_Online_lickl_(5024).jpg – фото 2

Человеко-компьютерный интерфейс — виды и принципы работы

Существует несколько разновидностей человеко-компьютерных интерфейсов:

интерфейсы ввода-вывода — средства для взаимодействия пользователей с программами или устройствами;

интерфейсы пользователя — программы, дающие человеку возможность работать с продуктом или устройством;

внешние и внутренние интерфейсы — пользовательские интерфейсы, в работе которых задействована графика;

интеллектуальные интерфейсы — работающие по принципу интуитивного взаимодействия пользователя с системой;

человеко-машинные интерфейсы, предназначенные для взаимодействия пользователей с различной техникой (компьютерами, ноутбуками, смартфонами).

При этом работа пользователя с человеко-машинным интерфейсом может проводиться в виде:

речевого взаимодействия — голосовых команд и оповещений;

сенсомоторного поля — кнопок, сенсорных панелей и других устройств управления;

ввода текстовых команд в специальные поля (например, в строки поиска).

ЦРК БИ (ЦЕНТР РАЗВИТИЯ КОМПЕТЕНЦИЙ В БИЗНЕС-ИНФОРМАТИКЕ) НИУ ВШЭ приглашает всех желающих на курсы Human-computer interaction для получения знаний и навыков, необходимых для работы в области взаимодействия человека с компьютером и связанных с искусственным интеллектом, машинным обучением, робото- и электротехникой. Также обучение на этих курсах поможет нашим слушателям углубить знания о создании концепций, интерфейсных технологиях, алгоритмах данных и моделировании.

Записаться на курсы Human-computer interaction можно на нашем сайте.

Источник



ML+HCI: что исследуют на стыке машинного обучения и человеко-компьютерного взаимодействия

Многие убеждены, что область Human Computer Interaction (HCI или человеко-компьютерное взаимодействие) сводится только к проектированию сайтов или приложений, а основная задача специалиста — удовлетворить пользователей, увеличивая на несколько пикселей кнопку лайка. В посте мы хотим показать, что это совсем не так, и рассказать, что происходит в HCI на стыке с исследованиями машинного обучения и искусственного интеллекта. Возможно, это позволит читателям посмотреть на эту область с новой для себя стороны.

Для обзора мы взяли труды конференции CHI: Conference on Human Factors in Computing Systems за 10 лет, и с помощью NLP и анализа сетей социтирования посмотрели на темы и области на пересечении дисциплин.

В России особенно силен фокус на прикладных задачах проектирования UX. Многие события, которые помогали росту HCI за рубежом, у нас не произошли: не появилось iSchools, ушли из науки многие специалисты, занимавшиеся близкими аспектами инженерной психологии, и т. д. В результате профессия возникала заново, отталкиваясь от прикладных задач и исследований. Один из результатов этого виден даже сейчас — это крайне низкая представленность российских работ по HCI на ключевых конференциях.

Но и за пределами России HCI развивался очень по-разному, фокусируясь на множестве тем и направлений. На магистерской программе «Информационные системы и взаимодействие человек-компьютер» в Питерской Вышке мы, в том числе, обсуждаем — со студентами, коллегами, выпускниками схожих специальностей европейских университетов, партнерами, которые помогают развивать программу, — что же относится к области человеко-компьютерного взаимодействия. И эти обсуждения показывают разнородность направления, в котором у каждого специалиста своя, неполная, картина области.

Время от времени мы слышим вопросы, как это направление связано (и связано ли вообще) с машинным обучением и анализом данных. Чтобы ответить на них, мы обратились к исследованиям последних лет, представленным на конференции CHI.

В первую очередь мы расскажем, что происходит в таких областях, как xAI и iML (eXplainable Artificial Intelligence и Interpretable Machine Learning) со стороны интерфейсов и пользователей, а также как в HCI изучают когнитивные аспекты работы специалистов data science, и приведем примеры интересных работ последних лет в каждой области.

xAI и iML

Методы машинного обучения интенсивно развиваются и — что важнее с точки зрения обсуждаемой области — активно внедряются в автоматизированное принятие решений. Поэтому исследователи все чаще обсуждают вопросы: как пользователи, не являющиеся специалистами в машинном обучении, взаимодействуют с системами, где подобные алгоритмы применяются? Один из важных вопросов такого взаимодействия: как сделать, чтобы пользователи доверяли решениям, принятым на основе моделей? Поэтому с каждым годом все более горячей становится тематика интерпретируемого машинного обучения (Interpretable Machine Learning — iML) и объяснимого искусственного интеллекта (eXplainable Artificial Intelligence — XAI).

При этом, если на таких конференциях, как NeurIPS, ICML, IJCAI, KDD, обсуждают сами алгоритмы и средства iML и XAI, на CHI в фокусе оказываются несколько тем, связанных с особенностями дизайна и опытом использования этих систем. Например, на CHI-2020 этой тематике были посвящены сразу несколько секций, включая «AI/ML & seeing through the black box» и «Coping with AI: not agAIn!». Но и до появления отдельных секций таких работ было достаточно много. Мы выделили в них четыре направления.

Дизайн интерпретирующих систем для решения прикладных задач

Первое направление — это дизайн систем на основе алгоритмов интерпретируемости в различных прикладных задачах: медицинских, социальных и т. д. Такие работы возникают в очень разных сферах. Например, работа на CHI-2020 CheXplain: Enabling Physicians to Explore and Understand Data-Driven, AI-Enabled Medical Imaging Analysis описывает систему, которая помогает врачам исследовать и объяснять результаты рентгенографии органов грудной клетки. Она предлагает дополнительные текстовые и визуальные пояснения, а также снимки с таким же и противоположным результатом (поддерживающие и противоречащие примеры). Если система предсказывает, что на рентгенографии видно заболевание, то покажет два примера. Первый, поддерживающий, пример — это снимок легких другого пациента, у которого подтверждено это же заболевание. Второй, противоречащий, пример — это снимок, на котором заболевания нет, то есть снимок легких здорового человека. Основная идея — сократить очевидные ошибки и уменьшить число обращений к сторонним специалистам в простых случаях, чтобы ставить диагноз быстрее.

CheXpert: автоматизированное выделение областей + примеры (unlikely vs definitely)

Разработка систем для исследования моделей машинного обучения

Второе направление — разработка систем, которые помогают интерактивно сравнивать или объединять несколько методов и алгоритмов. Например, в работе Silva: Interactively Assessing Machine Learning Fairness Using Causality на CHI-2020 была представлена система, которая строит на данных пользователя несколько моделей машинного обучения и предоставляет возможность их последующего анализа. Анализ включает построение причинно-следственного графа между переменными и вычисление ряда метрик, оценивающих не только точность, но и честность (fairness) модели (Statistical Parity Difference, Equal Opportunity Difference, Average Odds Difference, Disparate Impact, Theil Index), что помогает находить перекосы в предсказаниях.

Читайте также:  Атомны к рделі рылысын ай а тайтын былыстар

Silva: граф связей между переменными + графики для сравнения метрик честности + цветовое выделение влиятельных переменных в каждой группе

Общие вопросы интерпретируемости моделей

Третье направление — обсуждение подходов к задаче интерпретируемости моделей в целом. Чаще всего это обзоры, критика подходов и открытые вопросы: например, что понимать под «интерпретируемостью». Здесь хотелось бы отметить обзор на CHI-2018 Trends and Trajectories for Explainable, Accountable and Intelligible Systems: An HCI Research Agenda, в котором авторы рассмотрели 289 основных работ, посвященных объяснениям в искусственном интеллекте, и 12 412 публикаций, цитирующих их. С помощью сетевого анализа и тематического моделирования они выделили четыре ключевых направления исследований 1) Intelligent and Ambient (I&A) Systems, 2) Explainable AI: Fair, Accountable, and Transparent (FAT) algorithms and Interpretable Machine Learning (iML), 3) Theories of Explanations: Causality & Cognitive Psychology, 4) Interactivity and Learnability. Кроме того, авторы описали основные тренды исследований: интерактивное обучение и взаимодействие с системой.

Пользовательские исследования

Наконец, четвертое направление — это пользовательские исследования алгоритмов и систем, интерпретирующих модели машинного обучения. Другими словами, это исследования о том, становятся ли на практике новые системы понятнее и прозрачнее, какие сложности возникают у пользователей при работе с интерпретирующими, а не исходными моделями, как определить, используют ли систему так, как планировалось (или для нее нашли новое применение — может быть, некорректное), каковы потребности пользователей и предлагают ли им разработчики то, что действительно нужно.

Инструментов и алгоритмов интерпретации появилось очень много, поэтому возникает вопрос: как понять, какой же алгоритм выбрать? В работе Questioning the AI: Informing Design Practices for Explainable AI User Experiences как раз обсуждаются вопросы мотивации использования объясняющих алгоритмов и выделяются проблемы, которые при всем многообразии методов еще не решены в достаточной степени. Авторы приходят к неожиданному выводу: большинство существующих методов построены так, что отвечают на вопрос «почему» («почему у меня такой результат»), в то время как пользователям для принятия решений нужен еще и ответ на вопрос «почему нет» («почему не другой»), а иногда — «что сделать, чтобы результат изменился».

В работе говорится также о том, что пользователям нужно понимать, каковы границы применимости методов, какие у них есть ограничения — и это нужно явно внедрять в предлагаемые инструменты. Более ярко эта проблема показана в статье Interpreting Interpretability: Understanding Data Scientists’ Use of Interpretability Tools for Machine Learning. Авторы провели небольшой эксперимент со специалистами в области машинного обучения: показали им результаты работы нескольких популярных инструментов для интерпретации моделей машинного обучения и предложили ответить на вопросы, связанные с принятием решения на основе этих результатов. Оказалось, что даже специалисты слишком доверяют подобным моделям и не относятся к результатам критически. Как любой инструмент, объясняющие модели можно использовать неправильно. При разработке инструментария важно учитывать это, привлекая накопленные знания (или специалистов) в области человеко-компьютерного взаимодействия, чтобы учитывать особенности и потребности потенциальных пользователей.

Data Science, Notebooks, Visualization

Еще одна интересная область HCI посвящена анализу когнитивных аспектов работы с данными. В последнее время в науке поднимается вопрос о том, как «степени свободы» исследователя — особенности сбора данных, дизайна экспериментов и выбора методов анализа — влияют на результаты исследований и их воспроизводимость. Хотя основная часть обсуждений и критики связана с психологией и социальными науками, многие проблемы касаются и надежности выводов в работе аналитиков данных в целом, а также сложностей при донесении этих выводов потребителям анализа.

Поэтому предметом этой области HCI становится разработка новых способов визуализации неопределенности в предсказаниях моделей, создание систем для сравнения анализа, проведенного разными способами, а также анализ работы аналитиков с инструментами, например с Jupyter notebooks.

Визуализация неопределенности

Визуализация неопределенности — одна из особенностей, которые отличают научную графику от презентационной и бизнес-визуализации. Довольно долго ключевым в последних считался принцип минималистичности и фокуса на основных трендах. Однако это приводит к чрезмерной уверенности пользователей в точечной оценке величины или прогноза, что может быть критичным, особенно, если мы должны сравнивать прогнозы с разной степенью неопределенности. Работа Uncertainty Displays Using Quantile Dotplots or CDFs Improve Transit Decision-Making анализирует, насколько способы визуализации неопределенности в предсказании для точечных графиков и кумулятивных функций распределения помогают пользователям принимать более рациональные решения на примере задачи оценки времени прибытия автобуса по данным мобильного приложения. Что особенно приятно, один из авторов поддерживает пакет ggdist для R с различными вариантами визуализации неопределенности.

Примеры визуализации неопределенности (https://mjskay.github.io/ggdist/)

Однако часто встречаются и задачи визуализации возможных альтернатив, например, для последовательностей действий пользователя в веб-аналитике или аналитике приложений. Работа Visualizing Uncertainty and Alternatives in Event Sequence Predictions анализирует, насколько графическое представление альтернатив на основе модели Time-Aware Recurrent Neural Network (TRNN) помогает экспертам принимать решения и доверять им.

Сравнение моделей

Не менее важный, чем визуализация неопределенности, аспект работы аналитиков — сравнение того, как — часто скрытый — выбор исследователем разных подходов к моделированию на всех его этапах может вести к различным результатам анализа. В психологии и социальных науках набирает популярность предварительная регистрация дизайна исследования и четкое разделение эксплораторных и конфирматорных исследований. Однако в задачах, где исследование в большей степени основано на данных, альтернативой могут стать инструменты, позволяющие оценить скрытые риски анализа за счет сравнения моделей. Работа Increasing the Transparency of Research Papers with Explorable Multiverse Analyses предлагает использовать интерактивную визуализацию нескольких подходов к анализу в статьях. По сути, статья превращается в интерактивное приложение, где читатель может оценить, что изменится в результатах и выводах, если будет применен другой подход. Это кажется полезной идеей и для практической аналитики.

Работа с инструментами организации и анализа данных

Последний блок работ связан с исследованием того, как аналитики работают с системами, подобными Jupyter Notebooks, которые стали популярным инструментом организации анализа данных. Статья Exploration and Explanation in Computational Notebooks анализирует противоречия между исследовательскими и объясняющими целями, изучая найденные на Github интерактивные документы, а в Managing Messes in Computational Notebooks авторы анализируют, как эволюционируют заметки, части кода и визуализации в итеративном процессе работы аналитиков, и предлагают возможные дополнения в инструменты, чтобы поддерживать этот процесс. Наконец, уже на CHI 2020 основные проблемы аналитиков на всех этапах работы, от загрузки данных до передачи модели в продакшн, а также идеи по улучшению инструментов обобщены в статье What’s Wrong with Computational Notebooks? Pain Points, Needs, and Design Opportunities.

Преобразование структуры отчетов на основе логов выполнения (https://microsoft.github.io/gather/)

Подводя итог

Завершая часть обсуждения «чем же занимаются в HCI» и «зачем специалисту в HCI знать машинное обучение», хотелось бы еще раз отметить общий вывод из мотивации и результатов этих исследований. Как только в системе появляется человек, это сразу приводит к возникновению ряда дополнительных вопросов: как упростить взаимодействие с системой и избежать ошибок, как пользователь меняет систему, отличается ли реальное использование от запланированного. Как следствие, нужны те, кто понимает, как устроен процесс проектирования систем с искусственным интеллектом, и знают, как учесть человеческий фактор.

Читайте также:  Симптомы ларингоспазма у взрослых

Всему этому мы учим на магистерской программе «Информационные системы и взаимодействие человек-компьютер». Если вы интересуетесь исследованиями в области HCI — заглядывайте на огонек (сейчас как раз началась приемная кампания). Или следите за нашим блогом: мы еще расскажем о проектах, над которыми студенты работали в этом году.

Источник

Human computer interaction тест

26. ___ are unintentional while ___ occur through conscious deliberation.

  • Slips, mistakes ✔
  • Errors, slips
  • Mistakes, errors
  • Mistakes, slips

27. What is the main strength of the Problem Space Framework as a model of human problem solving?

  • It operates within the constraints of the human processing system ✔
  • It explains what is involved in insight
  • It allows ill-defined problems to be solved
  • None

28. ___ is the process of selecting things to concentrate on, at a point in time, from the range of possibilities available.

  • Perception and recognition
  • Attention ✔
  • Learning
  • None

29. Interpretation inquiry, according to Beyer and Holtzblatt, is based on a master-apprentice model learning.

  • True
  • False ✔

30. The persona is not an actual user of the product, but is indirectly affected by it and its use refers to ___ persona.

  • Primary
  • Secondary
  • Served ✔
  • Negative

31. ___ is a powerful, multipurpose design toll that helps overcome several problems that currently plague the development of digital products.

  • Scenario
  • Persona ✔
  • Prototype
  • None

32. The difference between the intentions and allowable actions is the:

  • Gulf of Execution ✔
  • Gulf of Evaluation
  • Both
  • None

33. Attention is the process of selecting things to concentrate on, at a point in time, from the range of:

  • Possibilities available ✔
  • Time Available
  • None

34. The goals of HCI are:

  • Usability and User Experience ✔
  • Learnability and Comfort
  • Tasks and Goals

35. WYSIWYG stands for ___

  • Where you see is where you get
  • What you see is what you get ✔
  • When you see it when you get

36. ___ is proportional to the amplitude of the sound.

  • Pitch
  • Loudness ✔
  • Timber
  • None

37. Persona is not context specific, so it can be reused easily.

  • True
  • False ✔

38. ___ are individual and isolated regions within display that can be selected by the user to invoke specific operations.

  • Buttons ✔
  • Pointers
  • Menus
  • Windows

39. User personas that are not primary or secondary are ___ personas.

  • Served
  • Negative
  • Customer
  • Supplemental ✔

40. Which of the following is the comparison of what happened in the world with what we wanted to happen?

  • Action
  • Evaluation ✔
  • Execution
  • None

41. The size and shape of a compact disk, is a type of ___ constraint.

  • Physical ✔
  • Logical
  • Cultural
  • None

42. ___ research can tell you about what, how, many and why in rich, multivariate detail.

  • Quantitative
  • Qualitative ✔
  • SME
  • None

43. Which of the given statements correctly defines effectiveness in terms of one of the usability goals?

  • It is a very general goal and refers to how good a system at doing what it is suppose to do. ✔
  • It refers to the way a system supports users in carrying out their tasks.
  • It involves protecting the users from dangerous conditions.
  • It involves protecting the users from undesired situations

44. Which of the following is not a secondary color?

  • Green
  • Orange
  • Purple
  • Blue ✔

45. Which of the following requires less cognitive effort than others?

  • Listening ✔
  • Speaking
  • Hearing
  • None

46. We are deficient in our development ___, not in our development ___(respectively)

  • Process, Tools ✔
  • Tools, Process
  • Tools, Methodology
  • None

47. Which of the following is not true regarding «cones» ?

  • A type of receptor in eye
  • More sensitive to light ✔
  • Different types of cones are sensitive to different wavelengths of the light
  • Eye has approximately 6 million cones

48. Which of the following does not count as one of the advantages of computers?

  • Computers are enabling new discoveries
  • Leading to efficiencies
  • Making our life convenient
  • Depending so much on computers may give fatal results ✔

49. The gulf of execution refers to ___

  • The user’s difficulty in understanding the feedback from the system
  • The system’s difficulty in processing information in the output language
  • The system’s difficulty in converting an input expression into the correct system state transition ✔
  • The user’s difficulty in formulating and articulating an intention to the system

50. Which of the following is not true?

  • Utility refers to the functioning of a system
  • Usability is concerned with making systems easy to use
  • Usability is concerned with adding complexity to the the system ✔
  • Poorly designed computer system can be extremely annoying to users

51. Which of the following is not one of the primary colors?

  • Red
  • Yellow
  • Blue
  • Green ✔

52. Which of the following is concerned primarily with understanding human behavior and the mental processes that underlie it?

  • Psychology ✔
  • Sociology
  • Statistics
  • Computer Science

53. Human beings interact with outside world, using their

  • input channels
  • output channels
  • sense of sight
  • All of the given ✔

54. ___ refers to the relationship between controls and their effects in the world.

  • Visibility
  • Affordance
  • Mapping ✔
  • None

55. ___ plays a role to bridge up the gap between the interfaces of machines and human understanding.

  • Human Computer Interaction ✔
  • Software Engineering
  • Human Computer Interfaces
  • None

56. ___ is a very general goal of Usability and refers to how good a system at doing what it is supposed to do.

  • Effectiveness ✔
  • Efficiency
  • Utility
  • Safety

57. ___ is what goes on in out heads when we carry out our everyday activities?

  • Cognition ✔
  • Learnability
  • Memorability
  • None

58. ___ is the process by which we use the knowledge we have to draw conclusions or infer something new about the domain of interest.

  • Decision making
  • Reasoning ✔
  • Problem Solving
  • None

59. ___ research helps us understand the domain, context and constraints of a product in different, more useful ways than ___ research do.

  • Qualitative, Quantitative ✔
  • Quantitative, Qualitative
  • Qualitative, Deductive
  • None
Читайте также:  Уберутся за вас топ 6 роботов пылесосов с отличным качеством уборки

60. In an organization individuals may keep their own records, or there may be local gurus. This statement concerns with ___

  • Paper work and computer work
  • Spatial and temporal organizations
  • Organizational memory ✔
  • None

61. Using icons on the desktop to represent operations is a type of ___ constraint.

  • Physical
  • Logical
  • Cultural ✔
  • None

62. ___ is a term used to refer to an attribute of an object that allows people to know how to use it.

  • Visibility
  • Affordance ✔
  • Constraint
  • None

63. ___ minimizes errors.

  • Affordance
  • Visibility ✔
  • Constraints
  • None

64. The persona’s needs are sufficiently unique to require a distinct interface form and behavior is ___ type of Persona.

  • Primary ✔
  • Secondary
  • Supplement
  • Negative

65. A ___ is usually a collection of icons those are reminiscent of the purpose of the various modes.

  • Button
  • Pointer
  • Palette ✔
  • Title bar

66. During ___ phase, usage and workflow patterns discovered through ___ of the field research and interviews are synthesized into domain and user models.

  • Modeling, analysis ✔
  • Analysis, modeling
  • Testing, modeling
  • Testing, analysis

67. Waterfall model is basically a ___ model in which each step must be completed before the next step can be started:

  • Incremental
  • Linear ✔
  • Iterative
  • Analytical

68. Models are used in design to

  • Generate the design
  • Evaluate the design
  • Generate and Evaluate the design y✔
  • None

69. What is a semantic network?

  • A model of long-term memory ✔
  • A record of our memory of events
  • The part of the brain which allows us to remember things
  • A mechanism for improving memory

70. Which are the most significant senses for the average person when it comes to interacting with a computer?

  • Sight and hearing
  • Hearing, touch, and smell
  • Hearing and touch
  • Sight, hearing and touch ✔

71. ___ refers to the way a system supports users in carrying out their tasks.

  • Efficiency ✔
  • Effectiveness
  • Utility
  • None

72. ___ are GUIs that consists of electronic counterparts to physical objects in the real world to match the knowledge requirements of users.

  • User Interaction Models
  • Conceptual Models
  • Interface Metaphors ✔
  • None

73. ___ language tends to be grammatical while ___ language is often Ungrammatical

  • Written, spoken ✔
  • Spoken, written
  • Verbal, non-verbal
  • None

74. Aspect gives us hints and tips about using and creating user interface idioms.

  • Strategic
  • Tactical ✔
  • Efficient
  • Reliable

75. The usability engineering life-cycle was proposed by ___

  • Deborah Mayhew ✔
  • Webster
  • Barry Boehm
  • Hartson

76. GOMS stands for:

  • Goals, operation, methods, and selection rules ✔
  • Goals, objects, models and selection rules
  • Goals, operations, methods, and state rules
  • Goals, operations, models and state rules

77. Ali is looking at how interface designers went about their work. He identified two different modes of activity: one is ___ and other is ___

  • Analytic mode, Synthetic mode ✔
  • Evaluation mode, testing mode
  • Analyze mode, feedback mode
  • Implementation mode, task mode

78. Drive a vehicle while holding a conversation with a passenger is the example of ___

  • Focused Attention
  • Voluntary Attention
  • Involuntary attention
  • Divided Attention ✔

79. ___ are dragged down from the title at the top of the screen.

  • Pull Down Menus ✔
  • Main Menus
  • Icons
  • Buttons

80. When you engaged in a conversation you are more attentive what the other person is saying. It is called?

  • Focused Attention ✔
  • Voluntary Attention
  • Involuntary Attention
  • Divided Attention

81. Which of the following is/are the main component(s) of color?

Источник

Introduction to Human-Computer Interaction & Design Principles

Human-computer interaction (HCI) is the study of designing, implementing, and evaluating the interactive interfaces used by humans and computers. People who specialize in HCI think about how to design and implement computer systems that satisfy human users.

HCI has always been a part of technology and design, but it is on the rise as technology becomes more integrated with our daily lives. HCI is a vital skill for any developer, product manager, or designer who wants to design for the future.

Today, we will introduce you to HCI and explore its fundamental design principles, models, and processes.

This guide at a glance:

Learn how to implement user-centered design

Take a deep dive into HCI and learn how to designs fantastic user experiences. You’ll learn the rules behind good design and start building interactive interfaces.

What is Human-Computer Interaction (HCI)?

HCI is the study of the interaction between humans and computers, particularly as it pertains to the design of technology. HCI overlaps user-centered design, UI, and UX to create intuitive products and technologies.

People who specialize in HCI think about how to design and implement computer systems that satisfy human users. Most research in this field aims to improve human–computer interaction by improving how an interface is used and understood by humans.

HCI is interdisciplinary, meaning it combines research methods and tools from computer science, behavioral science, design, and media studies.

HCI helps to make interfaces that increase productivity, enhance user experience, and reduce risks in safety-critical systems. Poorly designed machines lead to many unexpected problems, sometimes just user frustration, but sometimes, chaotic disasters.

This is why HCI is on the rise. As we become more dependent on technologies, even just the Internet or smartphones, HCI has become a key part of designing tools that can be used efficiently and safely on a daily basis.

Uses and applications of HCI

HCI is a broad field that reaches almost every industry. It often overlaps with areas like user-centered design (UCD), user interface (UI) design, and user experience (UX) design. Some consider HCI to be the forerunner to UX design.

Research applications in this field focus on:

  • How to design improved computer interfaces that are optimized for particular qualities, such as learnability, findability, and usability.
  • How to evaluate and compare different interfaces in terms of their usability
  • How to determine if a user is human or computer
  • How to study the sociocultural implications of human-computer interactions

The most notable industries that rely on HCI are:

  • Virtual and Augmented Reality, and others
  • Ubiquitous and Context-Sensitive Computing
  • Healthcare technologies
  • Education-based technologies
  • Security and cybersecurity
  • Voice User interfaces and speed recognition technologies

More companies around the world are implementing HCI research and principles into their development processes, and its already in use by companies like Google and Nintendo. Researchers show how technologies like the Smartwatch, 3D printers, Voice Search Apps, and more, all apply HCI design principles.

Источник

Adblock
detector