Evaluierung von Machine Learning Technologien als User Experience Design Material: Potenziale & negative Implikationen

Durch maschinelles Lernen gestützte Anwendungen und Services übernehmen eine immer entscheidendere Rolle in der Weise, wie Benutzer*innen alltägliche Technologieprodukte und Services erleben, und wie sie mit ihnen interagieren. (Yang, 2021)

Viele der beliebtesten digitalen Produkte, darunter Applikationen von Google, Facebook oder Spotify, nutzen die Technologie, um sowohl das Nutzerverhalten als auch kontextuelle Daten auszuwerten und dadurch personalisierte Empfehlungen zu geben, Spam herauszufiltern oder Reisezeiten vorherzusagen. Maschinelles Lernen hat sich durch diese Möglichkeiten zu einem äußerst effektiven Werkzeug für die Optimierung der Benutzererfahrung entwickelt. (Cerejo & Carvalhais, 2020)

Ungeachtet der rasanten technologischen Fortschritte, herrscht jedoch im Designumfeld noch große Unklarheit darüber, welche Rolle wir als Designschaffende in der fortschreitenden Entwicklung einnehmen können. (Yang, 2017) Forschungserkenntnisse früherer Studien legen nahe, dass User-Experience-Designerinnen sich schwertun zu verstehen, was Machine Learning wirklich ist und wie es funktioniert. (Dove et al., 2017) Darüber hinaus fehlt Designschaffenden häufig ein tiefergehendes Verständnis darüber, welche Möglichkeiten die technologischen Weitenentwicklungen für die User Experience von Applikationen bedeuten und wie man diese effektiv einsetzten könnte. (Yang, 2017)

Die vorliegende Forschungsarbeit konzentrierte sich, neben der intensiven Recherche von state-of-the-art Machine Learning Fähigkeiten und Services, auf die Durchführung und Auswertung von qualitativen Experteninterviews mit UX Designer*innen, welche bereits über mehrjähriger Erfahrung in der Gestaltung von Machine Learning-gestützten Produkten und Dienstleistungen verfügen.

Die im Verlauf der Forschungsarbeit erarbeiteten Erkenntnisse und Resultate vermitteln Designerinnen ein designorientiertes Verständnis über heutige Potenziale und Gefahren von state-of-the-art Machine Learning-Technologien für die User Experience von digitalen Applikationen und Services, wodurch Designer*innen befähigt werden sollen sich tiefergehender mit dem Themenfeld auseinander setzen zu können und ein besseres Verständnis für die Technologie zu entwickeln.

Darüber hinaus erhalten Designschaffende einen umfassenden Überblick über heutige Machine Learning Fähigkeiten sowie Zugriff auf eine Vielzahl von zeitaktuellen Machine-Learning basierten Features und Anwendungen, welche demonstrieren, auf welche Weise heute bereits Machine Learning-Technologie innerhalb Endnutzer Applikationen eingesetzt werden.

Somit möchte die Arbeit Designschaffenden einen alternativen Zugang zu Machine Learning-Technologie ermöglichen, welche die Perspektive von einer technisierten hin zu einer nutzerzentrierten Perspektive einnimmt, wodurch der Fokus stärker auf den Menschen und Nutzer*in von Technologie gelenkt wird.

____

Referenzen

Cerejo, J. & Carvalhais, M. (2020, November). The lens of Anticipatory Design under AI-driven Services. DIGICOM International Conference on Digital Design & Communication. https:// www.researchgate.net/publication/345604784_The_lens_of_Anticipatory_Design_under_AI-driven_Services

Dove, G., Halskov, K., Forlizzi, J. & Zimmerman, J. (2017). UX Design Innovation: Challenges for Working with Machine Learning as a Design Material. Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems, 278–288. https://doi.org/10.1145/3025453.3025739

Yang, Q. (2017). The Role of Design in Creating Machine-Learning-Enhanced User Experience. In The AAAI 2017 Spring Symposium on Designing the User Experience of Machine Learning Systems Technical Report SS-17-04, 406–411. http://aaai.org/ocs/index.php/SSS/SSS17/paper/view/15363

Yang, Q. (2021). AI as an UX design material. https://yangqian.myportfolio.com/machine-learning-as-a-design-material

Abstract (english)

Machine learning-enhanced applications and services are taking on an increasingly critical role in how people experience, and interact with, everyday technology products and services. (Yang, 2021)

Many of the most popular digital products, including applications from Google, Facebook, or Spotify, use the technology to analyse the user behaviour as well as contextual data to provide personalised recommendations, filter out spam, or predict travel times. Through these capabilities, machine learning has become a very effective tool to optimise the user experience. (Cerejo & Carvalhais, 2020)

Regardless of the rapid technological advances, there is still a significant lack of understanding in the design field about what role design creators might play in the evolving technological advancements. (Yang, 2017) Research findings from previous studies indicate that User Experience Designers have difficulties to understand what machine learning really is and how it works. (Dove et al., 2017) Furthermore, design creators often lack a deeper understanding of what the technological advancements could mean for the user experience and how to use them effectively. (Yang, 2017)

Alongside the intensive research of state-of-the-art machine learning capabilities and services, the presented research work focused on conducting and evaluating qualitative expert interviews with UX designers who already had several years of experience in the design of machine learning-enhanced products and services.

The findings of the thesis aim to provide design professionals with a design-oriented understanding of today's potentials and threats of state-of-the-art machine learning technologies for the user experience of digital applications and services, and thereby try to empower designers to develop a deeper understanding of the topic and technology.

In addition, designers will gain a comprehensive overview of today's machine learning capabilities as well as access to a variety of state-of-the-art machine learning-based features and applications that demonstrate the ways in which machine learning technology is already being used today within end-user applications.

The thesis aims to provide designers with an alternative approach to machine learning technology that shifts the perspective from a techno-centric to a user-centric perspective, focusing on the human and enduser of technology and not on the technology itself.