Одно удовольствие рекомендовать такие каналы как @TheStol Потому что весь контент там — это столы и атмосферные рабочие пространства творческих людей, а что самое главное — с названиями всех предметов, и мой отдельный UX-респект за то что эти названия написаны моноспейс-разметкой и копируются просто по тапу, чтоб потом гуглить.

С прошлого раза когда я о нём писал, канал вырос как качественно, так и количественно (очень рад что автор его не забросил ❤️). Я уже собрал себе большой мудборд из столов с которыми пойду к своим местным кулибиным делать реплики, хотя в целом уже определил то что хочу от стола (и кстати советую реально сохранить в закладки или подписаться, потому что по требованию ериров всяких через короткое время рекламный пост нужно удалять).

Реклама ИП Ракимов А. Р. ИНН: 025005339310 erid: 2VtzquYcDAd

Спустя полтора года вышла бета https://filepilot.tech/

Сам не пробовал (что-то подсознательно трясусь ВДРУГ ВИРУС ЭТО ЖЕ ВИНДОВС), но выглядит всё более чем сладко и охуенно.
Если кто-то рискнёт напишите хоть как оно.

Мне в гта 6 такое заверните

Демка ремейка готики 1 вышла.
Надежд и хайпа никакого не испытываю (видео геймплея было кринжовым), но уже пошел устанавливать.

Богатый год на рпг. Киндомкам 2, Clair Obscur: Expedition 33, Atomfall, ремейк готики, Clockwork Revolution, Titan Quest II, Path of Exile 2, Crimson Desert, Exodus, Solasta 2, Heroes: olden era. Надеюсь хотя бы половина из них не будет таким мусором как калowed.

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

Хоба
Сказал бы мне в школе, что буду в физтехе что-то вести, вот бы удивился, конечно.

Это не китайская магия, это
"Основные типы емкостей в городской квартире" на страницах "Технической эстетики" первой половины 60ых годов

Во-первых, это красиво

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/

Что нового в UX? ACT-R for UX and Human Factor

ACT-R (Adaptive Control of Thought-Rational), когнитивная архитектура, используемая для моделирования человеческого мышления и поведения. В контексте UX (опыт пользователя) и исследований человеческих факторов этот подход выделяется своей способностью не просто наблюдать за поведением пользователей, а предсказывать его, основываясь на понимании когнитивных процессов.

Как и другие влиятельные когнитивные архитектуры (включая Soar, CLARION и EPIC), теория ACT-R имеет вычислительную реализацию в виде интерпретатора специального языка кодирования. Сам интерпретатор написан на Common Lisp и может быть загружен в любой из дистрибутивов языка Common Lisp.
https://en.wikipedia.org/wiki/Cognitive_architecture

Существует два типа модулей:
1) Перцептивно-моторные модули, которые отвечают за интерфейс с реальным миром (т. е. с симуляцией реального мира). Наиболее развитыми перцептивно-моторными модулями в ACT-R являются визуальные и мануальные модули.
2) Модули памяти: В ACT-R существует два типа модулей памяти: Декларативная память, состоящая из фактов, таких как Вашингтон, округ Колумбия, является столицей Соединенных Штатов, Франция является страной в Европе или 2+3=5
Процедурная память, состоящая из продукций. Продукции представляют собой знания о том, как мы что-то делаем: например, знания о том, как набирать букву «Q» на клавиатуре, о том, как водить машину или о том, как выполнять сложение.

При чем тут UX?

Моделирование когнитивных процессов: ACT-R анализирует, как пользователи воспринимают информацию, используют память и принимают решения. Например, он может показать, как нагрузка на память влияет на скорость реакции.
Предсказание поведения: Метод симулирует, как пользователи будут взаимодействовать с интерфейсом, учитывая их когнитивные особенности. Это позволяет выявить потенциальные проблемы (например, слишком высокая когнитивная нагрузка) еще на этапе проектирования.
Учет индивидуальных различий: ACT-R может моделировать поведение разных типов пользователей — от новичков до экспертов, — что помогает создавать интерфейсы, подходящие для широкой аудитории.

Такие когнитивные архитектуры могут предсказывать ошибки при взаимодействии с интерфейсом
https://github.com/Bahareh-Jozranjbar/ACT-R-ML-for-Game-UX/blob/main/README.md

Вообще, Bahareh Jozranjbar крутая судя по всему, но надо тестить мб это просто GOMS на стероидах из R