アプリトラッカースタディとのユーザーインタラクション
この研究は、AppTrackerモバイルアプリのユーザー行動を調査してるよ。
― 1 分で読む
この研究は、AppTrackerっていうモバイルアプリが人々とどう関わってるかを見てるんだ。このアプリは、iPhoneやiPadでのアプリ使用をトラッキングするのを手伝ってくれる。目的は、ユーザーがこのアプリとどう関わるかを探って、その結果に基づいてアプリのデザインを改善することなんだ。
背景
モバイルアプリは特定のユーザーのニーズに合わせて作られることが多いけど、デザイナーは人々がどう使うかを予想するんだ。でも、実際の使用は予想とは大きく違うことがある。ユーザーは、アプリを使った期間、使い方の目的、その時の気分などの要因で、デザイナーが予想しなかった方法でアプリと関わることがあるんだ。そのせいで、ユーザーの関わり方は、ユーザー同士でも同じユーザーでも時間とともに変わることがある。
方法
AppTrackerとのユーザーの関わりを研究するために、研究者たちは新しいコンピュータ手法を使って、機械学習や統計分析などの異なるテクニックを組み合わせたんだ。リアルなユーザーからデータを集めるために、二つの6ヶ月間の期間で情報を収集した。
研究者たちは、通常のタスクやメトリックについて先入観を持たずに、ユーザーの関わりパターンに基づいてデータをグループ化したんだ。
研究中には、ユーザーがアプリ内をどうナビゲートしたかや、どの機能を使ったかを記録するユーザーの関わりがログとして記録された。この情報は、最初の日、最初の週、最初の3ヶ月の使用など、さまざまな時間枠で分類された。この分類のおかげで、ユーザーがアプリに慣れていくにつれて関わり方が変わるかどうかを見ることができたんだ。
研究デザイン
AppTrackerはバックグラウンドで動作して、ユーザーがデバイスで起動するアプリをすべて記録する。デバイスがロックされたり解除されたりした時もログを取れる。ユーザーは、アプリが生成するさまざまなチャートや統計を通じて、自分のアプリ使用を確認できる。AppTrackerのメインメニューは階層メニューに整理されていて、ユーザーは使用状況に関するさまざまなレポートを見つけるためにナビゲートできる。
この研究では、アクティビティをログに記録し、そのデータを分析することで、ユーザーがAppTrackerとどう関わったかを調べた。機械学習のアルゴリズムを使って、ログになったデータのパターンを特定したんだ。
アプリの最初のバージョン、AppTracker1では、ユーザーは主に4つの選択肢を持つメニューを通じて関わった:全体の使用、過去7日間、期間で選択、設定。各選択肢はアプリの使用に関する特定の情報に繋がるんだ。
ユーザーの関わり方
分析を通じて、研究者たちはユーザーがアプリにどのように関わるかの明確なパターンを発見した。使用の初期段階では、ユーザーは多くの機能を探求する傾向があり、さまざまな使用スタイルを示していた。時間が経つにつれて、ユーザーが経験を積むと、彼らの関わり方はより集中していくんだ。
AppTracker1の初期のユーザーは、複数の機能を試し、さまざまな統計を見ていたのに対し、経験豊富なユーザーは自分が最も役立つと思う特定のデータに引き寄せられていった。
研究者たちは、ユーザーの関わり方はユーザーごとに異なることがあり、同じユーザーでも、アプリを使った期間、気分、何をするつもりかによって変わる可能性があることに注意した。
リデザインのためのフィードバックループ
初期研究から得た洞察を基に、チームはユーザーの実際の関わり方にもっと合うようにアプリを再設計した。リデザインの目的は、ユーザーが欲しい情報に素早くアクセスできるようにし、多層のメニューをナビゲートする必要を減らすことだった。
彼らは、より経験豊富なユーザーに観察された2つの主要な使用スタイルを反映する新しいメインメニューの構造を導入した。4つのメニューオプションがあったのが、新しくデザインされたアプリ、AppTracker2では2つのメインオプション:自分のトップアプリとデータを探るになった。この調整は、ユーザー体験をシンプルにし、ユーザーが重要なアプリ使用データを一目で見やすくすることを目指しているんだ。
リデザインの結果
AppTracker2をローンチした後、チームはユーザーが更新されたアプリとどう関わったかのデータを集めた。その結果、新しいデザインがいくつかの点で成功していたことが分かった。ユーザーは探している情報を見つけるのが少ないストレスだと報告した。アプリのリデザインによって、ユーザーは使用統計をすぐに確認できるようになり、多くのユーザーが機能を深く探るのではなく、情報に迅速にアクセスしたいと望んでいたという洞察と合致したんだ。
分析によれば、ユーザーが短い探索的なセッションを持つ可能性が低くなったことが示唆されていて、リデザインによって必要なものを素早く見つけるのが容易になったことを示している。
新しいバージョンのアプリでは、ユーザーがより集中して関わり、余計なナビゲーションなしで自分の好みの使用パターンを守っていることを示唆する結果が出た。
将来のデザインへの影響
この研究の結果は、モバイルアプリのデザイナーにとって重要な教訓を提供している。実際のユーザーの関わりを理解することの重要性を強調するもので、実際のパターンとは異なることがあるからなんだ。ユーザーが実際にアプリとどのように関わっているかを調べることで、デザイナーはユーザーのニーズにもっと効果的に応えられるインターフェースを作成できる。
デザイナーは、同様のデータ収集や分析手法を使って、アプリとの関わりをよりよく理解することを考えるべきだ。これによって、ユーザー体験を改善するための情報に基づいたデザイン決定ができるようになる。
さらに、デザイナーはアプリが予想外の方法で使われる可能性が高いことを意識するべきだ。リアルなユーザーの行動に基づいてデザインを改良していくことが、成功するアプリを開発するために重要なんだ。
結論
まとめると、この研究はユーザーがモバイルアプリにどう関わるか、そしてその関わりが時間とともにどう変わるかに関する貴重な洞察を提供した。高度なコンピュータ手法と実際のユーザーデータを使用することで、研究者たちは異なる関わり方を明らかにし、ユーザーのニーズにより合ったアプリにリデザインできたんだ。
リデザイン後のユーザーの関わりのポジティブな変化は、デザインプロセスにおける実際の使用パターンを評価する重要性を強調している。ユーザーがアプリとどのように関わるかを理解することで、より効果的でユーザーフレンドリーなデザインが生まれ、最終的には全体的なユーザー体験が向上する。
モバイルアプリが進化し続ける中、継続的な研究が、アプリデザインが変化するユーザーのニーズや行動に追いつくために重要になるだろう。この研究の結果は、実際のユーザーデータに基づいた意思決定を導くユーザー中心のアプローチに焦点を当てたモバイルアプリデザインの将来の取り組みの基盤として役立つかもしれない。
タイトル: Probabilistic Formal Modelling to Uncover and Interpret Interaction Styles
概要: We present a study using new computational methods, based on a novel combination of machine learning for inferring admixture hidden Markov models and probabilistic model checking, to uncover interaction styles in a mobile app. These styles are then used to inform a redesign, which is implemented, deployed, and then analysed using the same methods. The data sets are logged user traces, collected over two six-month deployments of each version, involving thousands of users and segmented into different time intervals. The methods do not assume tasks or absolute metrics such as measures of engagement, but uncover the styles through unsupervised inference of clusters and analysis with probabilistic temporal logic. For both versions there was a clear distinction between the styles adopted by users during the first day/week/month of usage, and during the second and third months, a result we had not anticipated.
著者: Oana Andrei, Muffy Calder, Matthew Chalmers, Alistair Morrison
最終更新: 2023-05-01 00:00:00
言語: English
ソースURL: https://arxiv.org/abs/2305.01656
ソースPDF: https://arxiv.org/pdf/2305.01656
ライセンス: https://creativecommons.org/licenses/by/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。