Perceção, cognição e modelos preditivos

Num formulário, quatro campos próximos de um título parecem pertencer ao mesmo grupo. Uma mensagem colocada longe do campo errado pode passar despercebida. O desenho muda o esforço necessário para perceber e usar a informação.

Organização percetiva

A Gestalt, corrente da psicologia que estuda como organizamos o que vemos, descreve tendências de organização percetiva: a proximidade agrupa elementos próximos; a semelhança agrupa formas parecidas; a continuidade favorece linhas e alinhamentos; a região comum agrupa elementos dentro de uma fronteira; a relação figura-fundo distingue o objeto em foco do contexto.

A proximidade pode contradizer a hierarquia quando uma etiqueta fica mais perto do campo anterior e parece descrevê-lo; a figura compara os dois casos. Um destaque só por cor falha quando a cor não é distinguível, por isso acrescenta texto, forma ou posição, e confirma o contraste.

Atenção e memória

A atenção é limitada e seletiva: uma pessoa concentrada no objetivo pode não reparar numa alteração fora da zona que está a observar. Distrações e mudanças de tarefa têm custos, por isso não assumimos que cada mensagem exibida foi lida.

A memória de trabalho mantém e manipula informação durante a tarefa. A capacidade depende do material, da experiência, do agrupamento e da tarefa, por isso o conhecido $7\pm2$ de Miller não é uma regra universal para o número de itens num menu.

Chunking agrupa elementos em unidades com significado. Um código organizado em grupos pode ser mais fácil de conferir, mas agrupar oito campos em dois blocos não elimina a necessidade de preencher oito campos. O benefício é organizar e orientar a tarefa.

Na figura, as datas ajudam quem as reconhece; para outra pessoa podem ser apenas dois grupos de quatro dígitos.

Reconhecimento usa pistas presentes, como opções visíveis; recordação exige recuperar informação sem essas pistas, como um código mostrado no ecrã anterior. Uma lista demasiado grande também pode dificultar a procura: reduzir recordação não significa mostrar todas as opções de uma vez.

Lei de Fitts

Para uma tarefa de apontar, uma formulação comum é:

$$MT=a+b\log_2\left(1+\frac{D}{W}\right).$$

$MT$ é o tempo previsto de movimento. $D$ é a distância da posição inicial ao centro do alvo. $W$ é a largura do alvo na direção do movimento. $D$ e $W$ usam a mesma unidade. $a$ e $b$ dependem de medições da pessoa, dispositivo e tarefa.

O quociente $D/W$ exprime a dificuldade geométrica: dobrar a distância com a mesma largura aumenta o índice, enquanto dobrar a largura com a mesma distância o reduz. O logaritmo traduz rendimentos decrescentes: cada duplicação da largura ajuda menos do que a anterior.

Com $a=0{,}1$ s, $b=0{,}2$ s e $D=240$ px, comparamos larguras mantendo a pessoa, o dispositivo e os parâmetros do modelo.

Largura W (px)	D/W	Índice $\log_2(1+D/W)$	MT previsto (s)
20	12	3,700	0,840
40	6	2,807	0,661
80	3	2,000	0,500
160	1,5	1,322	0,364

Para W=40 px, o índice é $\log_2(1+240/40)=\log_2(7)\approx2{,}807$. Substituímos esse índice na previsão:

$$MT=0{,}1+0{,}2\times2{,}807\approx0{,}661\ \text{s}.$$

Ao duplicar a largura para 80 px, o índice passa a $\log_2(4)=2$ e $MT=0{,}1+0{,}2\times2=0{,}5$ s, uma redução prevista de cerca de 0,161 s; a tabela mostra que duplicações sucessivas não retiram sempre o mesmo tempo.

A conta trata do movimento, não do tempo para descobrir o alvo, compreender a etiqueta ou concluir todo o fluxo, e não aplica automaticamente os mesmos parâmetros a rato, toque e olhar.

Hick-Hyman e escolha

Para alternativas equiprováveis e condições adequadas, o tempo de escolha segue $T=a+b\log_2(n+1)$, onde $n$ é o número de alternativas. Com $a=0{,}2$ s e $b=0{,}15$ s, três alternativas dão $0{,}2+0{,}15\times\log_2(4)=0{,}5$ s. Com sete, o mesmo modelo dá $0{,}2+0{,}15\times\log_2(8)=0{,}65$ s.

Não concluas que todos os menus devem ter três opções. Procura visual, familiaridade e probabilidades diferentes mudam a tarefa. Dividir cinquenta opções em dez submenus de cinco acrescenta uma decisão extra, e a soma dos dois tempos pode exceder a escolha única.

GOMS

GOMS organiza um modelo em objetivos (Goals), operadores (Operators), métodos (Methods) e regras de seleção (Selection rules). Para o objetivo de guardar, um método pode abrir o menu e escolher Guardar; outro pode usar um atalho. Os operadores são as ações elementares, e uma regra de seleção diz em que condição se usa cada método, por exemplo usar o atalho quando é conhecido e está disponível.

A regra não é uma ação adicional nem uma medição de satisfação. Organiza a escolha entre percursos de um utilizador experiente sob as hipóteses do modelo. O KLM abaixo detalha operadores e tempos de um percurso escolhido; não decide sozinho qual método a pessoa descobre ou escolhe.

KLM

O Keystroke-Level Model estima o tempo de uma sequência conhecida de ações de um utilizador experiente, normalmente sem erros. Decompõe a tarefa em operadores como tecla/botão K, apontar P, mudar a mão H, preparação mental M e espera do sistema R.

A preparação mental marca o início de uma unidade de ação: antes de apontar para o campo, a pessoa decide o que vai fazer, por isso a sequência começa com M. A mão começa no rato, por isso o clique inicial não precisa de H; a mudança para o teclado precisa.

Num exemplo com custos dados pelo enunciado, usamos $M=1{,}2$ s, $P=1$ s, $K=0{,}2$ s, $H=0{,}4$ s e $R=0{,}5$ s. Selecionar um campo com o rato, mudar para o teclado, escrever quatro dígitos e confirmar tem a sequência M P K H K K K K K R, com total $1{,}2+1+6(0{,}2)+0{,}4+0{,}5=4{,}3$ s.

Parte do percurso	Operadores	Custo
Preparar, apontar e selecionar o campo	M P K	2,4 s
Passar a mão para o teclado	H	0,4 s
Escrever quatro dígitos e premir Enter	K K K K K	1,0 s
Esperar pela resposta, sem outra ação em paralelo	R	0,5 s

K conta o clique inicial, cada dígito e Enter. R conta apenas a espera que atrasa o percurso; não somamos outra vez tempo de resposta já sobreposto às ações. Os custos são hipóteses do exemplo, não constantes universais.

Indica como colocaste os operadores mentais e que ações contas. Um modelo KLM não demonstra aprendizagem, satisfação ou ausência de erros. Atribuir um M a cada tecla, sem analisar a unidade de ação, muda a previsão sem fundamento.