AI-generert brukertesting
Nylig oppdaget jeg en AI-basert eye tracker plugin for Figma, som lar deg teste design for å forutsi hvor brukeres oppmerksomhet sannsynligvis vil gå. Nøyaktigheten er opptil 96 %, og du trenger ikke fysiske deltakere for å teste.
Det høres ganske imponerende ut, ikke sant?
10 kritiske sekunder
Du lurer kanskje på hvorfor du skal bruke et verktøy som Attention Insight – du har vel mer enn nok plugins allerede?
Svaret er enkelt: Fordi brukerne dine ikke vil bli veldig lenge på nettsiden din.
Mange besøkende forlater en nettside etter 10-20 sekunder, men med et tydelig verdiforslag øker sannsynligheten for at du holder på dem lenger. For å fange oppmerksomheten må du kommunisere dette klart og tydelig i løpet av de første sekundene. Skal du få til dette, må designet ditt være optimalisert for oppmerksomhet.
Gjør designet ditt skannbart med AI!
Når vi leser, skanner vi overfladisk og leser bare deler av innholdet, faktisk ikke mer enn 20 – 28 % av teksten. Da sier det seg selv at det blir viktig å optimalisere innholdet for dette lesemønsteret.
Attention Insight hjelper deg med å identifisere designfeil tidligere, slik at du kan få et design som presterer bedre allerede fra start. Dette gjøres ved hjelp av fire funksjoner i plugin-modulet:
- Generere et termografisk kart som viser oppmerksomhet/fokus.
- AOF (Areas of interest), gir deg prosentandelen av oppmerksomheten for et definert interesseområde
- Sammenligne design for ulike versjon (A/B testing)
- Score på designets tydelighet
Eksempel på A/B-test med AI-generert termografisk kart og AOF
En rask gjennomgang av teknologien
En gjennomgang av teknologien bak Attention Insight kan gjøre det enklere å forstå hvordan det kan gjøre designene våre mer effektive.
Eye tracking: Metoden hvor man kartlegger øyets bevegelsesmønster. Her samarbeidet Attention Insight med et neuromarketing-laboratorie som er medlem av International Neuromarketing Science and Business Association (NMSBA).
Datasett: Algoritmen er trent på eye tracking-datasett fra over 70 000 personer. Oppmerksomhetens varighet er fire sekunder, kjønnsfordelingen er 58 % kvinner og 42 % menn, gjennomsnittsalderen er i segmentet 21-30 år og flertallet av deltakerne kommer fra USA og Europa.
Algoritme: Resultatet vi får, er skapt av en dyp læringsalgoritme kalt Convolutional Neural Network (CNN). CNN er et beregningssystem med en arkitektur som simulerer den biologiske hjernen og etterligner måten våre nevronlag fungerer på.
Nøyaktighet: For å vurdere hvor nøyaktig Attention Insight er, ble resultatene av 300 bilder sendt til Massachusetts Institute of Technology (MIT)/ Tuebingen saliency benchmark. Resultatene derfra viste en imponerende nøyaktighet på 90-96 % for termografiske kart på tvers av alle design.
Eksempel på sammenligning av fokuseringskart
Ikke dine virkelige brukere, men en god pekepinn
Å bruke verktøy som dette, spesielt i prosjekter der brukerundersøkelser ikke er inkludert i budsjettet, kan hjelpe deg med å lansere design som presterer bedre fra starten av. Og i fremtiden tror jeg vi vil se flere AI-drevne verktøy som hjelper oss med å ta designbeslutninger.
Men husk ...
Du tester ikke med virkelige personer, derfor bør bruken av denne type verktøy tjene som en indikator og ikke en sannhetskilde. Og helt til slutt; for å få det beste ut av resultatene dine er det viktig å planlegge og strukturere testene dine godt.
