V arzenálu uživatelského výzkumníka není oční kamera žádnou novinkou. Kouzlo heatmap nyní objevili i markeťáci. S nadšeným využíváním oční kamery se masově šíří i řada omylů a mýtů. V kontrastu s nekritickým obdivem laiků si u odborníků na UX vysloužila mírný despekt a opovržení coby povrchní pozlátko. Oba extrémy jsou krátkozraké. Je na čase uvést věci na pravou míru a zbavit oční kameru nánosu bludů.
Zdroj: BOJKO, Aga a ADAMCZYK, Kristin A. More than Just Eye Candy: Top Ten Misconceptions about Eye Tracking.
Se svolením autorek a The User Experience Professionals Association přeložil Adam Fendrych.
Mýtus 1: testování s oční kamerou je lepší než bez ní
Častá a chybná představa je, že jakékoliv testování použitelnosti přinese lepší výsledky, obohatíme-li je o sledování pohybu očí. Prostým propočtem poměru cena – přínosy rychle zjistíme, že oční kamera je leckdy kanón na vrabce.
Při formativním testování použitelnosti je poměr cena – přínosy oční kamery velmi nízký. Většinu problémů v použitelnosti najdeme stejně dobře bez ní. Je-li vaším hlavním cílem zlepšit uživatelskou přívětivost webu, nebo třeba zpřehlednit nápovědu k lékařským přístrojům, sledování očí vám pomůže pramálo.
Oční kamera vám pomůže, když potřebujete zodpovědět konkrétní otázky, které vzešly z předchozího testování – například proč lidé nemohou najít návod k užití na příbalovém letáku. Je velmi užitečná i při sumativním testování, neboť dokáže použitelnost i měřit a kvantifikovat.
Mýtus 2: Oční kamera jsou heatmapy
Řada výzkumníků si neuvědomuje, že vizuální pozornost lze kvantifikovat mnoha způsoby, a za hlavní výstupy oční kamery považují heatmapy. Obrázky samy o sobě přitom nedávají jasnou odpověď na nic, a mohou i za to, že kamera je považována za povrchní nástroj.
I lidé, kteří se pozornost snaží skutečně kvantifikovat, často sledují jednu dvě metriky. Přitom se nabízí široká paleta ukazatelů, a každý pomáhá sledovat jiné kognitivní procesy.
Je důležité analyzovat metriky, které odpovídají na otázky výzkumu. Pokud chcete například zjistit, jaký zájem přitahuje určitý element, sledujte počet fixací oka na elementu, ne délku fixace (ta mimo jiné značí špatnou srozumitelnost) nebo čas do první fixace na element (vyjadřuje nalezitelnost).
Mýtus 3: Výsledky oční kamery lze snadno interpretovat
„Chceme prostě vědět, kam se lidé dívají,“ je typické zadání výzkumu. Vychází z představy, že když zjistíme, kam se uživatelé dívají, budeme vědět, jak rozhraní zlepšit. Dejte manažerům heatmapy a budou vám zobat z ruky. Dříve nebo později ale přijdou na to, že na základě rozložení pozornosti nelze zlepšovat design. Za rohem totiž vždy číhá záludná otázka „Co s tím?“ Oční kamera vám poví, co se děje, ale neřekne, proč se to děje.
Pomozme si příkladem. Upoutávka na nové DVD „21“ uprostřed obrázku 1 přitáhla výrazně víc fixací než ostatní upoutávky. Bylo to proto, že na film proběhla masivní reklamní kampaň a lidi aktuálně víc zajímal? Nebo proto, že jsou na plakátu lidské tváře? Nebo web prodává DVD, a uživatele tudíž nezajímají filmy v kinech a v televizi? Bez systematické přípravy a pečlivého vedení výzkumu je hledání odpovědi na otázku „proč“ pouhou spekulací.
Obrázek 1: Heatmapa reprezentující agregované množství očních fixací 18 účastníků, kteří sledovali nabídku filmů. (Červená barva značí 10+ fixací)
Mýtus 4: Dívat se lze jen jedním způsobem
Kontext (testovací úkol, vstupní informace, časový limit atd.) výrazně ovlivňuje způsob sledování podnětu. Na věci se díváme mnoha různými způsoby. Člověk hledající na stránce konkrétní produkt ji bude pozorovat úplně jinak, než kdyby hledal kontaktní informace. Pokud respondentům nedáme jasné zadání, těžko budeme výsledky smysluplně vyhodnocovat.
Výsledky musíme prezentovat v kontextu, ať jde o data či jejich vizualizaci. K heatmapě s popisem „Takto se uživatelé dívali na stránku“ se lze jedině zeptat „A co řešili za problém?“
Mýtus 5: Uvidíme, co z té oční kamery vyleze
Řadě výzkumů chybí jasné vymezení vztahu sledovaných dat a cílů výzkumu. Výzkumník nasbírá data a vydá se na rybářskou expedici – loví data a snaží se je napasovat na cíle výzkumu. Představme si, že cílem je zjistit, který design je „lepší“. Pokud není dopředu definováno, co znamená „lepší“, výzkumník prostě hledá jakékoliv rozdíly mezi daty, a nutně ovlivňuje výsledek.
Kvůli špatné přípravě při analýze dat často zaznívají stesky, co vše jsme měli udělat jinak. Nakonec možná budete muset provést celý výzkum znovu. Zle přichystaný test také ztěžuje a prodlužuje vyhodnocení, obzvlášť pokud data nemáte rozdělena podle úkolů. Výzkumník si musí předem stanovit začátek a konec každého úkolu a zajistit, aby šlo každý úkol snadno identifikovat a analyzovat zvlášť.
Mýtus 6: Existuje univerzální počet respondentů pro testování s oční kamerou
Možná jste slyšeli, že na testování s oční kamerou potřebujete třicet respondentů. Tak jednoduché to není. Univerzální počet bohužel neexistuje. Stejně jako ve všech výzkumech, i zde záleží na mnoha faktorech, od cílů po scénář testu. Na začátku je nutné rozmyslet, zda chceme porovnat dva různé stavy, nebo zobecnit určitá data na celou populaci. A pokud budeme srovnávat, uvidí každý respondent všechny varianty (within-subject), nebo jen jednu (between-subject)? A jak velký rozdíl by měl výzkum dokázat identifikovat?
Pro čistě kvalitativní výzkum, který data z oční kamery využívá pouze pro dokreslení výsledků, je třicet respondentů více než dost. Stačit bude i pro výzkum uvnitř subjektu (within-subject) s velkými očekávanými rozdíly. Třicet lidí ale nebude stačit pro testování pěti různých designů mezi subjekty, kde navíc očekáváte statisticky významné výsledky.
Mýtus 7: Pohyb oka lze analyzovat sledováním v reálném čase
Někteří výzkumníci si myslí, že není nutné provádět formální analýzu dat. Závěry dělají na základě sledování pohybu očí „v přímém přenosu“.
Problém je, že lidské oko provede několik fixací za vteřinu. Za minutu sledování oka můžete zaznamenat 200-300 bodů! Skutečně není v lidských silách zpracovat a zapamatovat si data za jedno sezení, natož spojit a analyzovat data od několika respondentů.
Roli hraje také subjektivní pohled. Pozorovatelé znají cíle výzkumu a mohou věnovat příliš velkou pozornost sledovaným místům. Mohou také upřednostňovat pohyby očí, které jim dávají smysl, na úkor skutečně reprezentativních.
Videa a sledování v reálném čase jsou užitečné pro dokreslení výsledků, nikoliv pro analýzu. Než učiníme jakékoliv závěry, je nutné data systematicky agregovat.
Mýtus 8: Tečka přesně ukazuje, kam se člověk dívá a co vidí
Když se podíváte na grafické znázornění fixací oka, snadno podlehnete dojmu, že tečka ukazuje, kam přesně se respondent díval.
První věc je, že oční kamery používané v UX jsou méně přesné, než si leckdo myslí. Rozdíl mezi skutečným bodem pohledu a naměřenou hodnotou může často být až jeden centimetr. Odchylka se navíc s délkou testovacího sezení zvyšuje kvůli drobným změnám vzájemné pozice oka, infračervené kamery a sledovaného objektu. Respondent se po nějaké době začne hrbit nebo se mu posune nasazovací modul s kamerou, a problém je na světě. Na obrázku 2 vidíte několik snímků z nasazovací oční kamery. Respondent zjevně čte text na obalu výrobku, křížek znázorňující sledovaný bod však občas ukazuje mimo krabici.
Obrázek 2: Políčka záznamu účastníka, který zkoumá elektronickou chůvičku.
Průsečík os zanačuje místo jeho pohledu.
Oblast fovey (bod nejostřejšího zraku na sítnici) je navíc větší než ukazatel znázorňující fixaci. Například plocha monitoru, kterou vidíme zcela ostře, může klidně být dvakrát větší než plocha našeho palce.
Při analýze dat je nutné vzít v potaz nepřesnost měření a vlastnosti lidského zraku. Pomůže například, když jsou zajímavé oblasti dostatečně velké, abyste zachytili všechny relevantní fixace. Pokud jsou oblasti blízko sebe, musíte počítat s tím, že fixace na rozhraní mohou patřit oběma.
Mýtus 9: Musíme zanalyzovat všechna data
Co se týče zpracování, data z oční kamery se nijak neliší od dat z jiných výzkumných metod. Přesto se málokdo věnuje očištění dat. Pokud zahrnete krajní hodnoty, špatně kalibrované či neúplně měřené účastníky, mohou vám data poskytnout chybný obraz.
Při uživatelském testování je zcela normální vynechat z hodnocení účastníka, který strávil deset minut úkolem, jenž ostatním zabral minutu. Stejně byste měli přistupovat k účastníkovi s podezřele odlišnými pohyby očí. Je možné, že například nepochopil zadání.
Výsledky může ovlivnit i zahrnutí respondentů, které kamera neměřila celou dobu. To, že člověk něco nesleduje, může také něco znamenat. A bez podrobné analýzy záznamů není možné poznat, zda u respondentů chybí fixace, protože zrovna vypadlo měření, nebo protože je daná oblast prostě nezaujala.
Obrázek 3: Pohled účastníka, který se snaží zjistit, zda předplacený telefon umožňuje přístup na web. Červené body ukazují, kdy byly jeho oči relativně v klidu a osoba se soustředila na konkrétní místo obalu.
Mýtus 10: S oční kamerou může pracovat kdokoliv
Výrobci očních kamer se snaží, aby byl jejich hardware i software snadno použitelný. Čím víc lidí s nimi dokáže pracovat, tím víc systémů prodají. Na snadno ovladatelných a efektivních nástrojích není nic špatného. Ale umět ovládat oční kameru neznamená vědět, jak s ní provádět výzkumy. Kvalita výzkumu nespočívá ve správném klikání na tlačítka. Kromě zdravého rozumu je nutná také znalost fungování lidského oka, procesů vizuálního vnímání, předchozích výzkumů, výzkumné metodiky, statistiky a řady dalších věcí.
Pokud dokážeme od ostatních výzkumných metod převzít propracované postupy, nestane se oční kamera nechtěnou hračkou, ale bude i nadále pomáhat nahlížet do kognitivních procesů uživatelů, a zlepšovat tak jejich zážitek.
---
O autorkách:
Aga Bojko – associate director v User Centric Má více než deset let zkušeností s různými druhy očních kamer, které používá pro zkoumání UX aplikací, webů, instruktážních materiálů, příbalových letáků a produktových balení. Vystudovala HCI na univerzitě DePaul a Human Factors na univerzitě v Illinois.
Kristin A. Adamczyk – user experience specialist v User Centric Zaměřuje se na spojení oční kamery s tradičními výzkumnými metodami. Od roku 2006 vedla stovky výzkumných sezení s užitím vzdálených i nasazovacích očních kamer. Vystudovala HCI na univerzitě DePaul.
---
