Носимые устройства, работающие на энергии человеческого тела, человек как самостоятельная батарейка. Проводником электричества служит человеческая кожа. Интересно звучит и умные татуировки в этой связи, хотя и отдает вархаммером

The Future Interfaces Group (FIG) is an interdisciplinary research laboratory within the Human-Computer Interaction Institute at Carnegie Mellon University. We create new sensing and interface technologies that aim to make interactions between humans and computers more fluid, intuitive, and powerful. These efforts often lie in emerging use modalities, such as wearable computing, touch interfaces and gestural interaction.


https://www.youtube.com/watch?v=5PEN04-jyCU&ab_channel=FutureInterfacesGroup

https://www.youtube.com/watch?v=gi56CEKdBYY&ab_channel=FutureInterfacesGroup

Как увеличить производительность и экономическую эффективность UX-исследователя? Эвристики, демонология и нейросети

Очень долго готовил эту публикацию, но важно в ней, пожалуй, то, что любой человек может теперь развернуть и проверить на бесплатной нейросети с распознаванием изображений

https://habr.com/ru/companies/rostelecom/articles/881358/

Статья о практиках проектирования и способах использовать эвристики и другие данные при анализе макетов и реально работающих интерфейсов: прямое влияние на производительность труда проектировщика, косвенное влияние на многое другое, автоматизация некоторых аспектов труда юзабилити-специалиста.

Часто мы сталкиваемся со сложными и непростыми решениями, вопросами и практиками, каждая из которых требует восприятия UX как своеобразного способа увеличить производительность труда дизайнеров и разработчиков, экономить время и оптимизировать затраты в деньгах.

Как улучшить и сделать опыт взаимодействия пользователей не просто максимально комфортным, но и создать определенную практику постоянного увеличения производительности труда?

Любопытно, что на страницах "Технической эстетики" есть хронологически первая публикация по нашему кругу тем - и публикация эта принадлежит Геллерштейну!

Это буквально генеалогическое родство советских психотехников и советских же эргономистов позволяет сделать вывод о том, что опыт пользователя, инженерная психология и другие дисциплины из спектра HCI были исторически связаны с работами психотехников 20ых годов. Итак, о чем писал Геллерштейн?

То, что человек не может овладеть разными машинами с одинаковой легкостью по сравнению с современными техническими системами, очевидно для каждого. В этом отношении показательным примером может служить рулевое управление судном. Человек, впервые севший на ее корму, не сразу усваивает правила управления и часто сбивается, потому что движение руля налево достигает поворота носа судна в противоположную сторону. Вот почему так необходимо изучение тех условий, при которых управление осуществлялось бы безошибочно.

В этот момент почти признания Соломону Геллерштейну уже 67 лет, через три года его не станет. В заключении он видит большую междисциплинарную картину действий по созданию того, что так и не стало советским UX

Парадокс технологии безопасности транспортных средств.

Согласно отчету AAA Foundation for Traffic Safety, если передовые системы помощи водителю (ADAS) будут установлены на всех транспортных средствах, это потенциально может предотвратить более 2,7 миллиона аварий, 1,1 миллиона травм и почти 9500 смертей ежегодно. Тем не менее, он также предупреждает, что многие водители не знают о текущих ограничениях безопасности. Согласно опросу, проведенному Национальным советом безопасности в 2017 году, более 30 процентов респондентов ошибочно полагали, что их автомобили настолько продвинуты, что «моя машина в значительной степени ездит сама по себе». Тем не менее, согласно тому же опросу, 37 процентов респондентов, которые водили автомобили с такими функциями, как мониторинг слепых зон и предупреждение о выходе из полосы движения, сообщили, что отключали их, потому что это «сбивало с толку», «раздражало» или выдавало «слишком много ложных срабатываний».

Многие водители уже возложили ответственность за поддержание активного контроля над своими автомобилями на эти системы, что подчеркивает проблему — чрезмерная зависимость от технологий без надлежащих знаний или обучения. Основываясь на приведенной выше статистике, видно, что водители не знают о том, что запускает эти системы, как реагировать после запуска и о повышенных уровнях риска при активации технологии.

Еще более тревожным является тот факт, что во многих случаях водители считают, что системы их транспортных средств имеют функции безопасности, которые на самом деле не установлены.

Отчет 2022 года удален, кстати, но зато много ссылок осталось в сети
https://www.drivingdynamics.com/driver-safety-news/vehicle-safety-technology-over-reliance

А нам 6 лет! С днем рождения, Цифровой геноцид. Традиционный юбилейный пост на канале

Сегодня день Луперкалий, древнеримский праздник очищения и плодородия. В этот день римские патриции приносили в жертву животных, пьянствовали и исполняли религиозные мистерии. Прошли годы, римский языческий праздник сменил христианский день романтической или куртуазной любви (интересно, писали ли об этом Мишель Фуко?), маркетологи сделали из мистерий культ консюмеризма для потребления сердец, шоколада и ювелирки. Омерзительно, правда?

Шесть лет назад я сидел на работе и грустил. Но меня посетила одна идея, которая оказалась несколько плодотворнее, чем я думал вначале. В этот день я создал проект «Цифровой геноцид» — проект о HCI, интерфейсах и цифровой антропологии пользователя. Я был одинок, грустен, зол, много пил и предавался мизантропии. Что ж, теперь вы можете наблюдать все эти явления в прямом эфире. Луперкалии - это хороший выбор для начала чего-то нового, подумал я, а судя по подписчикам и читателям боги плодородия не обошли начинание стороной.

У нас есть вообще чат: нажмите на кнопку Diskuss или обсудить и напишите свои идеи, пожелания и мыли о развитии канала. А еще сегодня будет поле комментирования, куда вы тоже можете сбросить свое пожелание о канале.

Всем хороших Луперкалий!

Итак, на прошедшем AI Action Summit 2025 LeCun предлагает отказаться от:

1) генеративных моделей в пользу архитектур совместного внедрения(надо разбираться, не знаю что это)
2) вероятностных моделей для моделей на основе энергии - energy-based models;
3) контрастных методов для регуляризованных методов; и
4) обучения с подкреплением (RL) как основного подхода к управлению с прогнозированием моделей (MPC).

Он предлагает использовать RL только в качестве корректирующей меры, когда MPC терпит неудачу. Наиболее спорным является его утверждение, что LLM не являются путем к ИИ человеческого уровня, утверждая, что им не хватает истинного рассуждения и понимания, и вместо этого они являются сложными сопоставителями образов. Общее послание Лекуна заключается в отходе от генеративных моделей, вероятностных подходов, контрастного обучения и сильной зависимости от RL к представлениям на основе внедрения, моделям на основе энергии, регуляризации и управлению с прогнозированием моделей, с упором на создание моделей, которые могут действительно учиться, рассуждать и понимать мир.

https://www.youtube.com/watch?v=xnFmnU0Pp-8&ab_channel=DSAIbyDr.OsbertTay

В прошлом именно он указывал, что основная проблема внедрения ЛЛМ - это "заземление", чтобы уменьшать галлюцинации при внедрении в реальные работы, и , на мой взгляд, оказался прав.

Цифровой геноцид ревью: Что нового в UX? Гонзо-новости UX и HCI статей в январе

Bridging HCI and AI Research for the Evaluation of Conversational SE Assistants
https://arxiv.org/html/2502.07956v1

Поскольку большие языковые модели (LLM) все чаще применяются в программной инженерии, в последнее время в форме разговорных помощников, обеспечение соответствия этих технологий потребностям разработчиков имеет важное значение. Ограничения традиционных методов оценки инструментов на основе LLM, ориентированных на человека, в масштабе повышают потребность в автоматической оценке.

Исследования пользователей являются дорогостоящими, трудоемкими и сложными для масштабирования. Инструменты разработки на основе LLM, и в частности разговорные помощники, страдают от отсутствия надежных методов оценки . LLM очень чувствительны к формулировке своих промтов или инструкций, и проектирование инструмента на основе LLM требует много «инженерии промтов” для достижения желаемой функциональности

Высокая стоимость исследований пользователей привела к появлению альтернативного метода оценки в области HCI: В подходах LLM-as-a-Judge LLM используется в качестве «судьи», заменяя реальных людей для автоматической оценки текстов, сгенерированных LLM. LLM-as-a-Judge все чаще используется практиками для оценки инструментов на основе LLM, специфичных для предметной области, и может быть полезен также в различных задачах разработки.

В общем-то в статье обсуждаются искусственные пользователи на основе нейронок и предлагается сравнить с методом LLM-as-a-Judge. Предполагается даже объединение этих двух методов
Недавно исследователи изучали использование LLM для имитации людей и генерации синтетических исследовательских данных. Хямяляйнен и др. обнаружили, что GPT-3 способен производить реалистичные качественные данные, существенно перекрывающиеся с данными, генерируемыми людьми, и даже дающие дополнительные идеи. Имитированные LLM-взаимодействия пользователей оказались реалистичными и полезными для оценки эффектов выбора дизайна во время прототипирования платформ социальных сетей. Сян и др. использовали LLM для имитации взаимодействия пользователя с интерфейсом и обнаружили, что это полезно для выявления пограничных случаев, генерируя значительное количество отзывов об удобстве использования, не идентифицированных пользователями-людьми. Эти исследования показывают, что имитированные пользователи могут быть использованы для качественной аналитики (R4), как позволяя дизайнерам проверять взаимодействия, так и напрямую генерируя обратную связь. ….При использовании имитированных пользователей с широким спектром персон дизайнеры могут поддерживать разнообразие, выявляя ошибки инклюзивности [30] (R2). Искусственные пользователи используются для оценок таких же искусственных рабочих ответов ЛЛМ в виде копилотов или прототипов интерфейсов. Кроме того, это дает хорошие возможности для инклюзии (Еще раз - это про взаимодействие с рабочими ассистентами и агентами на ИИ, не коммерческие исследования пользователей - прим. мое)

Но пока не ясно удастся ли получать количественные данные таким образом и есть ограничения этого метода

Чжэн и др. ввели термин «LLM-as-a-Judge», ссылаясь на подходы, в которых LLM используются в качестве «судей» для оценки текстов, созданных LLM. Эти подходы существуют в нескольких формах, включая оценку одного результата LLM или выбор лучшего из пары результатов . Эти суждения могут быть сделаны на основе набора критериев, что означает, что LLM-as-a-Judge может быть использован для предоставления широкого спектра количественных показателей (R3). Оценка, предоставляемая подходами LLM-as-a-Judge, часто хорошо согласуется с человеческими суждениями, в том числе для различных задач SE . В дополнение к их высокой масштабируемости и низкой стоимости по сравнению с человеческой оценкой, это привело к тому, что LLM-as-a-Judge все чаще используется на практике для оценки инструментов на основе LLM .

Кроме того, судьям LLM может быть поручено предоставить объяснение своей оценки

Этапы, предполагаемые автором:
1) Создание взаимодействий между помощником, копилотом и имитируемым пользователем
2) Создание качественной обратной связи по взаимодействию
3) Использование LLM-as-a-Judge для количественной оценки на основе персоны и критериев оценки.

Обратите внимание, что мы не намерены заменять этот метод экспертным анализом или исследованиями пользователей. Скорее, мы ожидаем, что он дополнит процесс проектирования, позволяя проводить быструю оценку во время создания прототипа и увеличивая объем оценки с реальными пользователями.

Ок, как это работает?
а) Для SE-асистентов можно определить несколько типов пользователей:
Junior Developer (мало опыта, спрашивает базовые вещи, копипастит код).
Senior Developer (ищет глубину, сложные технические решения).
Tech Lead/Architect (задает архитектурные вопросы, хочет системных решений).
Эти персоны могут быть заданы вручную или сгенерированы LLM (например, с разными параметрами знаний, опыта, целей).

б) Моделирование диалогов
Искусственные персоны взаимодействуют с SE-ассистентом, формируя сценарии использования.
Диалоги фиксируются в формате вопрос → ответ LLM → реакция искусственной персоны.
Реакция может быть сгенерирована заранее или сама использовать LLM для симуляции реакции пользователя (например, оценить удовлетворенность, задать уточняющий вопрос и т. д.).

в) Оценка через LLM-as-a-Judge
LLM (например, GPT-4) анализирует ответ SE-ассистента и поведение искусственной персоны.
Выносит оценки по заданным критериям, например:
Точность ответа (правильность с точки зрения SE)
Полнота (охват всех аспектов вопроса)
Уместность (соответствие уровню пользователя)
Ясность (насколько ответ понятен)
Полезность в контексте задачи пользователя
Можно использовать шкалирование (например, от 1 до 5) или бинарную систему (OK/не OK).

4)Автоматический анализ и обратная связь
Собранные оценки агрегируются для выявления проблемных областей.
Искусственные персоны дают текстовую обратную связь (можно сгенерировать через LLM).
Анализируются шаблоны ошибок SE-ассистента (например, слишком поверхностные ответы для senior-разработчиков).

Редко когда что-то рекламирую, но интересный стартап от студентов. Особенно если учесть, что Microsoft Visio уходит с российского рынка и должно быть рано или поздно заменено отечественными продуктами, также как и большинство рисовалок схем и UML

Gigamapping

Дизайн сталкивается с постоянно растущими вызовами из все более сложного мира. Создание значимого дизайна означает преодоление этих вызовов и выход на новые, важные области дизайна, где дизайн может играть решающую роль.

Гигакартирование — это сверхобширное картирование в нескольких слоях и масштабах с целью изучения отношений между, казалось бы, отдельными категориями, что позволяет критически оценивать границы концепций и структур систем. Gigamaps — это системные карты, которые как облегчают ранние этапы сложного проектного исследования, так и предоставляют артефакты окончательной формы для размышления или внедрения в социальные и технические системы.

https://systemsorienteddesign.net/gigamap-exemplars/