DATA INDSAMLING KAP. 7 DATA ANALYSE KAP. 8

Transkript

1 INTERAKTIONSDESIGN KURSUS Q DATA INDSAMLING KAP. 7 DATA ANALYSE KAP. 8 MARIANNE GRAVES PETERSEN ASSOCIATE PROFESSOR AARHUS UNIVERSITY [email protected]

2 Tavs viden er Det brugerne ikke kan fortælle Det brugerne ikke vil fortælle Det rekvirenten af et system allerede ved om de primære brugere

3 Eksempler Affordances of paper

4 Empirical Studies Understanding surfaces of the home

5 Mobile Home Center!!

6 Data opsamling Noter Kamera Lydoptagelse Video

7 Data -> Bearbejdning -> Analyse

8 Data -> Analyse Umiddelbar reaktion vigtigt at fastholde vigtigt at undersøge nærmere mønstre, temaer, critical incidents Detaljeret analyse kvalitativ og/eller kvantitativ teori-baseret analyse Vær objektiv og nøgtern

9 kvalitativ og kvantitativ kvalitativ data kvantitativ data kvalitativ analyse kvantitativ analyse

10 Simpel kvantitativ analyse Gennemsnitsværdi Median Procent Grafiske overblik Number of errors made Internet use Number of errors made Number of errors made User < once a day once a day once a week 2 or 3 times a week once a month Number of errors made User

11 Visualisering af log-data Gestikker modtaget og udført i on-line gaming

12 Web analytics

13 Quantified Self

14 Visualisering af big-data e.g. aaron koblin

15 Simpel kvalitativ analyse Workarounds Temaer, mønstre, kategorier Critical incidents (pos, neg) Historier - konkrete eksempler på udsagn / situationer / observationer

16 Workarounds

17 tænk på et workaround I selv foretager/har foretaget

18 Tænk på et workaround ift. konkret interaktionsdesign Karakteriser problemet i termer af usability, user experience eller design principper

19 Temaer, mønstre

20 Mønstre Affinity diagram

21 Temaer, mønstre Fremgår af data Ramme kan være defineret på forhånd Critical incidents

22 Digital Ethnography

23 Værktøj til at understøtte analyse Excel Google analytics Statistik værktøjer Video-redigering

24 Triangulering Vigtig ift. sikre kvalitet og validitet Triangulering ift. data (tid, sted, person etc.) investigator teori teknik

25 Diskuter valg af data analyse ift. jeres projekt med sidemanden Hvad er målet med jeres undersøgelse Hvordan indsamler I data Hvordan planlægger I at analysere data og hvorfor

26 Teoretiske rammer for kvalitative analyser Detaljeret analyse Større indsigt Forebygge fordomme Tre teori-rammer Grounded Theory Distributed Cognition Activity Theory

27 Grounded Theory Teoriudvikling på baggrund af data Kategorisering af data (kodning) Åben tilgang Teori udspringer af data

28 Distributed Cognition Mennesker og systemer betragtes som et integreret kognitivt system Fokuserer på Samarbejde, informationsflow og - transformation

29 Activity Theory Beskrivelse af menneskelig aktivitet Aktivitet er ramme for analyse

30 Analyser et eksempel med sidemanden: Sidst du brugte din mobiltelefon...

31 Menneskelig aktivitet medieret gennem værktøjer

32 Breakdowns Fokus skifter fra action til operation

33 Hvad var det seneste breakdown du oplevede i brugen af din mobiltelefon? Fokus skifter fra action til operation

34 Konklusioner Konkluder ikke bredere end dataindsamling og analyse rækker Kvalitative og kvantitative data kan indsamles vha interviews, spørgeskemaer og observation Vælg Kvalitative og kvantitative analyser efter hvad I undersøger Teori-rammer kan understøtte mere detaljeret analyse Vælg relevant præsentationsformat

35 Presentation af data analyse diagrammer, billeder, video, statistik etc..

36 Personas Formål Bearbejdning af indsamlet viden om brugerne Udførelse På baggrund af viden om brugerne Visualisering af målgrupper Personbeskrivelse af forskellige brugertyper Navn, alder, familierelationer, interesser hverdagsbeskrivelser Brug gerne billeder til at illustrere personen Fordele Samle og systematisere viden om brugerne Empati Kan bruges aktivt i udviklingsarbejdet

37 It s dirty out there ;-)