Anscombe’s Quartet

Set of four distinct data sets constructed by a statistician Francin Anscombe in 1973. All four sets have almost the same statistical observations, included mean, variance, correlation and number of elements (11), however they have different distributions which results in distinguishments in plotting on the graph.

Lightbox

Although particular points on the graph of each set are not corresponding, each dataset produces the same statistical properties and is represented with the similar linear function. This quartet model is used to show importance of data visualization and plotting datasets on the graph. Even though each dataset generate similar statistical properties, in fact it looks different on the graph. Thus, datasets should be firstly analyzed graphically, before performing relationship analyse and interpretation.

It is not exactly known how Francinc Anscombe constructed this model, however nowadays there are more models with similar properties, which is identical statistics and dissimilar graphics.

[1] Matejka, J., Fitzmarice, G., (2017). Same Stats, Different Graphs: Generating Datasets with Varied Appearance and Identical Statistics through Simulated Annealing

[2] VL 11-02 | Advanced Topics in HCI: Data Visualization, HCI SoSe 2021

Interactive Intelligent Systems

An intelligent system is based on artificial Intelligence. Interactive intelligent systems include humans as an actor which interact with these intelligent systems. To have an interaction between an intelligent system and a human we often need a graphical user interface (GUI).

To design Interactive intelligent systems we have to combine two design paradigms. The first paradigm is the “focus on interaction design” the second is “focus on algorithm design”. The combination is called “computer collaboration design”. It is defined as: “The focus is on both, algorithms and human, thus, the goal is to enable a collaboration that consider the “best” of both”[1].

Resource:

[1] HCI-11-01 Advanced Topics in Human-Computer Interaction, p. 3-5, https://blogs.fu-berlin.de/hci1-sose2021/lu-11-advanced-topics-in-human-computer-interaction/ , visited 04.07.2021 08.30 am

Data Visualization in General

Ziele von Datenvisualisierung

Das Ziel von Datenvisualisierung besteht darin, Daten so darzustellen, dass ein Mensch fähig ist, in ihnen Muster, Trends, Korrelationen oder Anomalien zu erkennen. Hierdurch sollen neue Erkenntnisse gewonnen werden können.[1]

Einsatz von Datenvisualisierung

Visualisierungen müssen allerdings sehr bewusst erstellt werden. Es ist wichtig zu verstehen, wie der Zusammenhang zwischen den Informationen, die Visualisiert werden und den Erkenntnissen die der Mensch daraus gewinnt ist. Ein besseres Design für die Visualisierung hilft Menschen dabei, besser zu kommunizieren und die Daten im Endeffekt zu verstehen. Beispiele für Designentscheidungen für die Darstellung von Daten, die zu Missverständnissen führen können sind Getting Over the Rainbow, Problems With 3D, Data on the Move und Show, Don’t Tell.

[1]: Frei übersetzt nach HCI-11-02 Advanced Topics in HCI: Data Visualization, Seite 2

Quelle: HCI-11-02 Advanced Topics in HCI: Data Visualization, S. 2,5,7. https://blogs.fu-berlin.de/hci1-sose2021/lu-11-advanced-topics-in-human-computer-interaction/, abgerufen 02.07.2021 um 14:00 Uhr

Reflective Design

Reflective Design (Sengers et al., 2005) is a design paradigma based on the slow technology movement, which porposes „A design agenda for technology aimed at reflection and moments of mental rest rather than efficiency in performance[1]“. Reflective design emphasizes the socialtechnological elements in a product design, which doesn’t only mean to design a product with pure focus on high efficiency as well as effectivity, but also to design a product which assist the users to proactively interact with product/system while using it.

Sengers et al. (2005) defines reflective design as „a practice which combines analysis of the ways in which technologies reflect and perpetuate unconscious cultural assumptions, with design, building, and evaluation of new computing devices that reflect alternative possibilities“[2].

Reflective Design provides a framework for reconsidering the design that allows designers to rethink and examine their preassumptions about the systems they create, their design principles regarding target users as well as the social impact of chosen technologies. It also provides a toolkit that enables the users to be part of this reflective process.

Principles of Reflective Design [2]:

(1) Designers should use reflection to uncover and alter the limitations of design practice;

(2) Designers should use reflection to re-understand their own role in the technology design process;

(3) Designers should support users in reflecting on their lives;

(4) Technology should support skepticism about and reinterpretation of its own working;

(5) Reflection is not a separate activity from action but is folded into it as an integral part of experience;

(6) Dialogic engagement between designers and users through technology can enhance reflection.

Reflective Design Strategies [2]:

(1) Provide for interpretive flexibility;

(2) Give users license to participate;

(3) Provide dynamic feedback to users;

(4) Inspire rich feedback from users;

(5) Build technology as a probe;

(6) Invert metaphors and cross boundaries.

References:

[1] VL 11-3_HCI_Advanced_Topics_Reflective_Technologies, Page 5, HCI SoSe 2021, access at 23:39, 02.Jul.2021

[2]Sengers, P., Boehner, K., David, S., & Kaye, J. J. (2005, August). Reflective design. In Proceedings of the 4th decennial conference on Critical computing: between sense and sensibility (pp. 49-58).

Dark Patterns

Beim Dark Pattern geht es um ein Benutzerschnittstelle-Design, das es versucht, NutzerInnen dazu zu bringen, Aktionen auszuführen, die sie eigentlich gar nicht wollen. Die Idee dahinter ist es, dass man es leicht macht, in eine Situation hineinzukommen, aber sehr schwer, wieder herauszukommen.

Hauptsächlich wird beim Dark Pattern das Wissen über menschliches Verhalten ausgenutzt, um trügerische Funktionalitäten zu implementieren, die gegen das Gute Interesse bei BenutzerInnen wirkt. Es gibt eine Reihe mit verschiedenen Arten von Dark Patterns wie Confirmshaming, Misdirection, Bait-and-switch, etc.

Beispiel über Dark Pattern: Eine entsprechende Mitgliedschaft bei Amazon ist sehr leicht abzuschließen. Die Frage, wie man sein Amazon-Konto später löscht, ist eine interessante Frage, wo man die Antwort nur schwer bekommen kann.

A/B testing

Also known as simple controlled experiment, bucket testing, controlled online experiments or split-run testing. In an experiment like this we have 2 groups and in the simplest version just one variant is different. That`s an user experience research methodology.
In the last years large companies started to use this like LinkedIn, Facebook, Google, Microsoft and Instagram.
Multivariate or multinomial testing is the version where more than 2 versions get tested together in parallel.
Observational, quasi-experimental or other non-experimental situations are unvalid for simple A/B tests.
Two-sample hypothesis tests are appropriate for this.

Each group get’s a different software

Likert-Skala

It is easy for the respondent to evaluate and respond to complex questions since they have a range to choose from, being closer to what they think and how they feel.

Heloise Montini

Die Likert-Skala ist ein Verfahren zur Messung persönlicher Einstellungen. Die Skalen bestehen aus mehreren Items vom Likert-Typ. Diese sind Aussagen, denen die Befragten auf einer vorgegebenen mehrstufigen Antwortskala mehr oder weniger stark zustimmen oder die sie ablehnen können. Die Punktwerte der einzelnen Antworten werden ungewichtet addiert und ergeben so den Wert der Skala. Die Bezeichnung Likert-Skala ist nicht zu verwechseln mit der Antwortskala eines einzelnen Items vom Likert-Typ.

Beispiel einer Likert-Skala

Grundidee

Man interessiert sich für die Einstellung der Versuchsperson, ein bestimmtes Objekt betreffend. Alle dazugehörigen Items werden als strikt positive oder negative Aussagen formuliert. Der Likert-Skala liegt die Überlegung zu Grunde, dass die Versuchsperson die Aussage eines einzelnen Items umso mehr ablehnt, je weiter ihre Einstellung von der Formulierung des Items abweicht. In der Gesamtheit werden dann die Antworten auf den Grad der Einstellung abgebildet. In der konkreten Ausführung eines Fragebogens bilden die Antwortmöglichkeiten für ein Item den Grad der Zustimmung oder Ablehnung der befragten Person zur Aussage des Items ab. Die möglichen Antworten sind als natürliche Zahlen kodiert und aufsteigend angeordnet.

Skalenniveau

Antworten auf die einzelnen Items einer Likert-Skala sind formal ordinal- beziehungsweise rangskaliert.

Weiteres Beispiel einer Likert-Skala

Das Ergebnis für ein Likert-Skala-Item kann daher durch den Median oder Modus als Lageparameter zusammengefasst werden. Darüber, ob man auch den Mittelwert verwenden darf, gibt es unterschiedliche Auffassungen.

Rensis Likert

geboren: 5. August 1903 in Cheyenne, Wyoming;

gestorben: 3. September 1981 in Ann Arbor, Michigan

Likert studierte an der University of Michigan und der Columbia University. Er ist Gründer des Institute for Social Research an der University of Michigan. 1960 wurde er in die American Academy of Arts and Sciences gewählt.

Quellen

Internal validity, external validity und reliability

Bei der Durchführung von Usability Studie oder Experiment geht es vor allem darum, die Ursache-Wirkungs-Beziehung zu ermitteln. Das bedeutet, wenn man das User-Interface geändert oder Design gestaltet hat und zum späteren Zeitpunkt wissen möchte, ob das zu dem von ihm bezweckten Verhalten bei den NutzerInnen führt.

Um die Evidenz der Schlussfolgerungen zu bewerten, muss man sich drei Faktoren zuwenden:

  1. External validity

Bei der externen Gültigkeit geht es darum, in welchem Maß kann man die Ergebnisse einer bestimmten Studie verallgemeinern. Hierbei spielt es eine wichtige Rolle, wo die Studie durchgeführt wurde. Man sollte hier in der Lage sein, dass die gleichen Ergebnisse bei Wiederholung der Durchführung einer Studie erzielt werden. Egal, ob mit dem gleichen oder anderen Setting, Lab oder auch in der realen Welt.

  1. Internal validity

Bei der internen Gültigkeit geht es darum, dass man sich sicher sein, dass die erzielten Ergebnisse letztlich auf die Benutzeroberfläche (auf ein verändertes visuelles Design oder ein verändertes Interaktionsdesign) zurückzuführen sind. Man sollte auch feststellen, dass nicht ein anderer Faktor letztlich zu den Veränderungen oder Ergebnissen geführt hat.

  1. Reliability

Die Zuverlässigkeit der Ergebnisse bedeutet, dass wenn man den Test und die Beobachtung wiederholt, dann gelangt man immer wieder zu den gleichen Ergebnisse.

Remote Usability Testing

Compared to traditional in-lab usability testing, remote usability testing is an alternative to get rid of those on-site limitations, such as the lack of representative end-users, the expense of testing, time management problem, and the lack of a proper simulation of the users‘ true environment settings. Remoste usability testing can be usually categorized into synchronous (moderated) and asynchronous (un-moderated) testing.

Synchronous remote usability testing is operated in real time, with the evaluator being spatially detached from the participants. Synchronous testing is also called „live“ or „collaborative“ remote evaluation, is a usability evaluation method that possesses a great deal of similarity to traditional in-lab usability evaluation. This testing enables actual users to take part in the process from their natural environments, using their personal computers to keep the test conditions natural. The benefits of synchronous remote testing are the ability to obtain data from actual users in their normal environment, and reducing inconvenience for participants as there is no need for them to travel to a lab or test centre. Limitations related to the Internet and telecommunications (poor bandwidth/delays) represent some of the disadvantages of this method. Typical synchronous remote usability testing forms may include video call, screen sharing etc.

Asynchronous remote testing is done by detaching the evaluators both temporally and spatially from the participants, it splits the user from the evaluator in terms of location and time. Compared to synchronous testing, asynchronous testing may reach a larger user sample sizes, which would offer a true representation of the users. A more natural test surroundings could offset the testing bias that may occur from a lab, which often leads to participants feeling pressured that can affect the accuracy of usability results. However, this testing is narrow in scope as it doesn’t include observational data and recordings of sudden verbal data. This lack of testing data scope may limit the validity and accuracy of the results, which will lessen the chances of discovering usability problems. Typical asynchronous remote usability testing forms may include Auto-logging, user-reported critical incidents (UCI), unstructured problem reporting, etc.

References:

  1. Alghamdi, AHMED S., et al. „A comparative study of synchronous and asynchronous remote usability testing methods.“ International Review of Basic and Applied Sciences 1.3 (2013): 61-97.
  2. https://www.uxmatters.com/mt/archives/2010/01/unmoderated-remote-usability-testing-good-or-evil.php

Parametrisches Design

Die Grundlage für Parametrisches Design ist die Erzeugung von Geometrien anhand von Anfangsparametern und der Beziehung, die sie zueinander haben.

Um ein spezielles Design zu erzeugen, werden bestimmte Variablen und Algorithmen verwendet. Zwischen diesen unterschiedlichen Parametern können Beziehungen bestehen. Je nach Anfangsparametern kann eine große Bandbreite an Möglichkeiten erforscht werden.

Parametrisches Design ist von grundlegender Bedeutung, für diejenigen, die den Aufwand für die Erstellung und Prüfung von Designvarianten minimieren möchten.

Im Zuge der integrierten Produktentwicklung wurde es notwendig, zu einer umfassenderen Produktrepräsentation im Rechner zu gelangen. Insbesondere bei einem Concurrent-Engineering-Prozess sollten Änderungen schnell und einfach umsetzbar sein. Um diese Forderungen erfüllen und dem Entwerfer ein möglichst intuitiv zu nutzendes Modellierungssystem zur Verfügung stellen zu können, wurden ab Anfang der siebziger Jahre parametrische CAD-Systeme für den Maschinen- und Fahrzeugbau entwickelt. Der Grund dafür ist, dass viele Produkte und Einzelteile in diesen Bereichen Variationen von Grundtypen und -elementen darstellen.

Quelle: http://parametric-van-conversion.de/was-ist-parametrisches-design/ (20.6.2021)

Im Rahmen von Software Engineering werden beim Parametrischen Design den Softwareentwicklern, also Informatiker:innen, Programmier*innen, Designern usw. durch Machine Learning ausgewählte Alternativen vorgeschlagen, aus denen dann gewählt werden kann. Die Datengrundlage für die Auswahl können eben die Definition von Fokusgruppen, Parametern in Personas (das haben wir bisher noch nicht behandelt) sowie quantitative Daten aus Usability Tests sein.

Quelle: LU #9 – Evaluating Techniques II, Folie 11 + Video der VL zu dieser Folie