インタラクションの認知モデル

認知モデルは、人々がインタラクティブシステムを使用する際にどのように知覚し、思考し、行動するかを記述および予測し、アナリストがユーザーをテストする前にタスク時間などのパフォーマンスを推定することを可能にします。

Definition

インタラクションの認知モデルとは、システムを使用する際に人間が関与する知覚、認知、運動プロセスを形式的または定量的に記述したものであり、経験的テストなしにインタラクションを説明し、タスク完了時間などの測定値を予測するために使用されます。

Scope

このトピックでは、インタラクションにおける人間のパフォーマンスの分析モデルについて扱います。具体的には、モデルヒューマンプロセッサ、GOMSファミリー、専門家のタスク時間を予測するためのキーストロークレベルモデル、およびフィッツの法則やヒック・ハイマンの法則などの運動および知覚パフォーマンスの法則が含まれます。これらのモデルが効率をどのように予測し、設計の選択にどのように影響するかについても考察します。ユーザーから収集された経験的指標（ユーザビリティ指標と測定で扱われる）や、ポインティングのデバイスレベルの詳細（入力とインタラクション技術で扱われる）は対象外です。

Core questions

• インターフェースを構築またはテストする前に、タスク完了時間をどのように予測できるか？
• フィッツの法則は、ターゲットを獲得する時間について何を述べているか？
• GOMSファミリーは、タスクを目標、オペレーター、メソッド、選択ルールにどのように分解するか？
• 予測認知モデルの強みと限界は何か？

Key concepts

• モデルヒューマンプロセッサ
• GOMS
• キーストロークレベルモデル
• フィッツの法則
• ヒック・ハイマンの法則
• 予測パフォーマンスモデリング
• 専門家のタスク時間
• オペレーターとメソッド

Key theories

GOMSとキーストロークレベルモデル

GOMSは、熟練したタスクパフォーマンスを目標、オペレーター、メソッド、選択ルールとして分析します。その最も単純な要素であるキーストロークレベルモデルは、キーストローク、ポインティング、精神的準備などの基本的な動作の推定時間を合計することで、専門家の実行時間を予測します。

フィッツの法則

ターゲットへの移動およびターゲットの獲得にかかる時間は、距離とともに増加し、ターゲットサイズとともに減少するという対数関係にあり、設計者にインタラクティブなコントロールのサイズ決定と配置のための定量的な根拠を提供します。

モデルヒューマンプロセッサ

Card、Moran、Newellは、人間を相互作用する知覚、認知、運動プロセッサとしてモデル化し、それぞれに特徴的な容量とサイクル時間を持たせ、インタラクションパフォーマンスの工学的近似の基礎を提供しました。

Clinical relevance

認知モデルにより、設計者はインターフェースの代替案を分析的に比較できます。例えば、どのメニューレイアウトやコントロール配置がより速いかを、すべてのオプションについて研究を行うことなく推定できます。特にフィッツの法則は、グラフィカルインターフェースやタッチインターフェースにおけるターゲットのサイズ決定と配置を導くものとされています。

History

Card、Moran、Newellによる1983年の著書は、1980年に発表されたキーストロークレベルモデルと1954年のフィッツの目標指向運動の法則に基づいて、認知心理学をインターフェース設計に応用しました。GOMSファミリーは後にJohnとKierasによって比較・拡張され、予測モデリングは経験的手法と並んで分析的評価のためのツールとして現在も利用されています。

Key figures

• Stuart K. Card
• Thomas P. Moran
• Allen Newell
• Paul M. Fitts
• Bonnie E. John
• David E. Kieras

Seminal works

• card1983
• card1980
• fitts1954

Frequently asked questions

インターフェース設計においてフィッツの法則はどのように使われますか？

フィッツの法則は、ターゲットの距離とサイズに基づいて、ターゲットを指すのにかかる時間を予測します。設計者はこれを利用して、頻繁に使用されるコントロールを大きくしたり、画面の端や角（効果的にヒットしやすい場所）に配置したりすることで、ポインティング時間と労力を削減します。

予測認知モデルは、ユーザーテストよりもいつ役立ちますか？

キーストロークレベルモデルのような予測モデルは、専門家のパフォーマンス時間をユーザーを募集することなく安価かつ迅速に推定できるため、設計の初期段階や多くの設計バリアントを比較する際に最も有用です。これらは、モデルが単純化している学習、エラー、現実世界の行動を捉えるために依然として必要とされるテストを補完するものです。