Forwarded from Цифровой геноцид
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).
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).
Forwarded from Цифровой геноцид
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
Forwarded from блоксхемы.рф
⚡️ Наш проект блоксхемы.рф готов! Во время обучения каждый из нас сталкивался с проблемой создания блоксхем вручную. Инструмент, созданный нашими руками, позволяет создавать блоксхемы в разы быстрее.
👨💻 Мы предлагаем возможность создания блоксхем из любого программного кода. Также для всех предусмотрены пробные генерации в целях ознакомления с нашим инструментом.
💡 Каждый из вас может стать нашим партнером. Приводя друга, ты получаешь 40% с первой его транзакции. Пользуйтесь и делитесь сайтом с друзьями!
🎯 Генерируйте и создавайте с нами!
👍 Блоксхемы.рф
👨💻 Мы предлагаем возможность создания блоксхем из любого программного кода. Также для всех предусмотрены пробные генерации в целях ознакомления с нашим инструментом.
💡 Каждый из вас может стать нашим партнером. Приводя друга, ты получаешь 40% с первой его транзакции. Пользуйтесь и делитесь сайтом с друзьями!
🎯 Генерируйте и создавайте с нами!
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Цифровой геноцид
Хоба
Сказал бы мне в школе, что буду в физтехе что-то вести, вот бы удивился, конечно.
Сказал бы мне в школе, что буду в физтехе что-то вести, вот бы удивился, конечно.
Forwarded from Цифровой геноцид
Это не китайская магия, это
"Основные типы емкостей в городской квартире" на страницах "Технической эстетики" первой половины 60ых годов
Во-первых, это красиво
"Основные типы емкостей в городской квартире" на страницах "Технической эстетики" первой половины 60ых годов
Во-первых, это красиво
Forwarded from Цифровой геноцид
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/
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/
Systems Oriented Design
Gigamap Exemplars
Systems Oriented Design | These gigamap exemplars are organised into three main groups: content maps, functional maps, and structural maps.
Forwarded from Цифровой геноцид
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
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