XSION 2016 跨界創新國際論壇 Day 2 - 人因工程在 UI/UX 的創新發展與應用（人因工程學會）

-

人因工程在 UI/UX 的創新發展與應用

人因工程學會


人因工程是「人與系統的介面技術」，從二次世界大戰始，便嘗試從系統層面解決人的生理或心理問題，包含人體計測（身體、頭臉、手足）、體適能（心肺功能、肌耐力、肌爆發力）、人機互動（眼耳鼻口）、視覺追蹤等。自 1980 年代始，不論是業界或學界，對 Human-centered design 的重視便有跡可循。到了現在，對人體數據的量測更結合了雲端運算，嘗試將各種抽象數據，透過界面設計，考量 information process ，轉化為人可以懂的意義（例如：紅色代表溫度已達危險值）。

人因工程專案分享：


  • 未來戰士 - 數位迷彩，研究迷彩設計在不同環境變數的影響
  • 透過 SEM 系統研究行動遊戲界面開發準則
  • 經濟部小型企業創新研發計劃（SBIR）
  • 智慧型公車站牌設計




Comments

Post a Comment

Popular posts from this blog

【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－生成藝術的創意空間（李怡志）

-
生成藝術的創意空間（李怡志－政治大學新聞學系助理教授）   Generative Art 生成藝術是什麼？這是一個已經存在很久的概念，從 1963 年就有人做圖像，在討論生成藝術時，需要先討論人類在生成藝術的時候的思考方式： Precise Aesthetics Process by Designers →  Ideation / Execution / Appreciation 三者很靠近且重疊 但若是 Precise Aesthetics Process by Non-Designers →  Ideation, Execution, Appreciation 三者是獨立的 生成圖像的特性，Randomness, Unpreditorable 是重點。目前產出的作品，有幾種對人類可分類的價值類型：Self-expression, Serendipity (偶遇) , Surprise（可以激發人類的想像力）, Evolutional（對 prompt 的指令是逐漸逼近）。 Ways of Seeing - AI  生成圖像的背後也是大型模型，要看 meta-data 是如何整合。AI 對文字的理解有非常多面，我們需要知道如何運作，才知道如何下指令。可以嘗試搭配 ChatGPT 產出的 prompt 再倒給 Midjourney 繪圖，可以完全 break normal rules，做出架空的東西。 Non-Generative Process 是從開放到收斂的模型，當 Concept Sketch 定義好，路徑就會瞬間收斂。 (News) Infographics Project Procedure: Prepare > Investigation > Design > Final Work 人類傳統的 Level of Sketches: Research (What to Sketches) Information Elements Concept Sketch Layout Sketch Real Size Sketch Final Work  人類傳統在進行設計，從草稿到完稿的距離非常的接近。 AI Generative Process （李怡志總結） Variate (小的變異) Randomize (寫了 prompt 後會出現一些
Read more

ProductTank Taipei #12 - 大型組織的產品管理與協作

-
Image
難得提早到現場，開了電腦正在準備，突然發現 Peter 正在遠端連線，抓圖時才發現，原來人在荷蘭的 Peter 今天是遠端分享，算是很特別的經驗。 Celine 「裸辭」上一份工作後，輾轉到了中國的攜程工作。直接破題的 Celine 以攜程旅遊網的首頁為例，告知頁面信息的排序，事實上並不只是考慮使用者的閱讀習慣與興趣，而是依據組織內部的角力，哪個組織收付的佣金夠多，排序就會提前，例如：酒店、機票、旅遊等區塊，就會有所上下排序調整。 Celine 的工作是後端的靜態信息組。攜程分為垂直式、水平式分工，垂直式分工意指從後端信息整合、API 接口到前台的 App UI 呈現和實作，水平式分工則指當重要功能需要整合時，便需要拉出平行橫跨並進的規劃作法。 在大公司工作讓 Celine 覺得任務非常複雜，例如做「需求調研」時，若功能橫跨各信息組或功能組，則一個需求便是牽一髮動全身，需要橫跨各組做繁複的溝通，甚至要召開【需求澄清會】，遭受各組的炮轟，最後再回去重寫。 若想要做一個扁平的東西，仍然需要跟開發努力爭取資源，並跟各部門 PK 優先，甚至談好資源之後，若開發部門有緊急事件，仍會不告知值接插隊延後需求實作，而為了功能，測試資源也是稀缺資源要透過血淋淋的爭取。 很多事情即使講很多次，還是會有人聽不懂！ Celine 分享開發產品時的四個主要步驟： 需求調研 需求評審 開發測試 優化迭代 理想的狀況是這樣的： 需求調研 - 開發、內部/外部訪談、PRD 撰寫 需求評審 - 內部評審、外部評審 開發測試 - 敏捷開發、測試 優化迭代 - 投訴處理、收集需求 現實中是這樣： 需求調研 - 查出接口的所有調用方、調研開發可行性、召開 N 遍 需求澄清會、梳理業務流程 需求評審 - 到 N 個部門講 N 遍 需求、跟各部門 PK 優先級、預先爭取測試資源 開發測試 - 講 N 遍 需求、確認開發負責人、開發功能微調、跨部門溝通 優化迭代 - 跨部門講 N 遍 需求、修 bug、運營流程優化、用戶反饋整理 Celine 接著分享攜程內部常用的操作方式： 盡量找到大部分的調用方（stakeholder） 項目管理工具（JIRA-cp4 + Teambetion, Lengoo, etc.） 但其實
Read more

【2023 應用心理學與實務研討會】AI 都不 AI 了 - 由 AI 生成到 AI 思維－ChatGPT 的解析與挑戰（陳縕儂）

-
ChatGPT 的解析與挑戰（陳縕儂－台灣大學資訊工程學系副教授） 陳縕儂用了一張 Midjourney 的生成圖做為開場，形塑出一位潮流女孩的工作環境，除了自己的電腦和周邊鍵盤外，螢幕上投映著「ChatGPT」的大字，試圖描繪出未來大家的工作想像圖 - 除了自己的工作內容之外，ChatGPT 可能常伴左右在協助各種任務。 AI & ML 首先定義 AI 這個字，我們現在看到的生成式 AI，是偏向 Synthesizing 的類型。而達成 AI 的方法有很多種，Machine learning (ML) 就是其中一種手段，並非所有的 AI 都需要應用 Machine learning，只是近期最熱門的 AI 是透過 ML 達成的 AI。 大家最常看到的 LINE 聊天機器人，其實內部沒有什麼 ML，只是確實是有很多模組的 AI。 Machine Learning 的訓練，陳縕儂用了一些例子：Looking for a Function      Task: predicting positive or negative given a product review 套用一些規則，讓機器自己去學習，把「輸入」變成「輸出」，Given a large amount of data, the machine learns what to output (後半句沒看清楚)。 「在訓練機器學習之前，首先需要有人工學習（工人智慧）」，需要提供非常大量的資料和資訊才能讓機器去運算出預期中的輸出 f(x)。 人類的學習能力金字塔，知識建構，是從低階知識到高階知識（請想像底下是一個金字塔，有底層的 Low-order thinking skills 到高階的知識） Learning Pyramid (Bloom's Taxonomy, 2001) Create (Use information to create some thing new) Evaluate (Examine information and make judgments) Analyze (Take apart the known and identify relationships) Apply (Use information in a new but similiar situation)
Read more