В начале осеннего семестра в Массачусетском технологическом институте я успешно выступил на четвертом заседании аспирантского комитета. Погода в Кембридже была уютной, что отражало атмосферу встречи. Обсуждение было сосредоточено на моем исследовании Дизайн для долговечности (D4L)описательное исследование, исследующее пересечение планирования долголетия, финансового планирования и дизайна услуг. У меня состоялся интересный обмен мнениями с пятью моими советниками и наставниками, каждый из которых представлял разные дисциплины: машиностроение, социальные науки, аэронавтику и космонавтику, архитектуру и городское планирование, а также образование.
Одной из ключевых тем, которые мы углубились, было то, как данные могут повысить убедительность повествования, особенно в описательных исследованиях. Это обсуждение вызвало у меня интерес к изучению того, как использовать три типа данных: номинальные данные (категорические данные, такие как пол и род занятий), порядковые данные (данные, указывающие порядок, такие как уровень образования или диапазон доходов) и масштабные данные (числовые данные, измеряющие суммы или рейтинги, такие как рост или вес), чтобы лучше сформулировать результаты качественного исследования.
Чтобы эффективно реализовать подход, основанный на данных, важно подумать, почему и как мы его применяем. Например, принятие подхода «проектирование в контексте» позволяет нам учитывать различные факторы, влияющие на желаемые результаты, прежде чем собирать и анализировать данные (Брачер, 2024, стр. 250).
В проекте D4L моя цель выходит за рамки простого представления интервью, цитат, результатов опросов и поведенческих данных, которые я собрал от 69 квалифицированных участников. Я стремлюсь создать убедительное повествование, используя подход, основанный на данных и доказательствах, чтобы бросить вызов устоявшимся нормам (Швейцер и др., 2023, стр. 43) и представить, как мы можем намеренно использовать данные и дизайн для отражения, выявления и учитывать желания людей в рамках систем планирования долголетия (рис. 1).
Предлагая концепцию D4L, мы стремились изучить и продемонстрировать сильные корреляции между такими переменными, как пол, доход семьи, инвестиционные активы, образ жизни, личность и род занятий. Такой подход позволяет нам определить ключевые факторы для дальнейшего рассмотрения на каждом сложном этапе процесса разработки услуг по планированию долговечности.
Имея это в виду, я хотел бы поделиться тремя ключевыми выводами, вдохновленными концепцией D4L и основанными на командных обсуждениях, предварительных обзорах литературы и личном опыте.
Восстановите трехмерный объект с помощью его двухмерных теней.
Мы живем в мире, окруженном данными — от счетов по кредитным картам и лайков в социальных сетях до ежедневных поездок на работу. Как дизайнер продукта, я не считаю себя экспертом по данным, но мой опыт заключается в формировании 3D-объектов с помощью формы, цвета, материала, отделки (CMF) и пользовательского опыта.
Метафорически данные можно рассматривать как описание человека через его тень, как двумерное представление трехмерного объекта, сформированное перспективой. Тени меняются в зависимости от положения, расстояния и угла солнца, интерпретация данных меняется в зависимости от контекста и точки обзора. Если смотреть сверху вниз, вы можете увидеть шляпу, рубашку и сумку человека, а также направление, в котором он собирается идти (рис. 2).
Точно так же в статистике факторный анализ снижает размерность. Анализируя данные, мы, по сути, ищем закономерности или тени. Хотя в наборе данных может быть меньше информации, меньше шума и меньше нерелевантных переменных, такое сокращение может предоставить больше места для получения значимой информации.
Как мы, дизайнеры и исследователи, определяем оптимальную перспективу, подходящие цвета и подходящий размер тени для точной реконструкции трехмерного объекта (например, исследовательских вопросов, изучаемых объектов)?
Мы можем думать об исследовательском проекте как о методе, который поможет нам раскрыть «тень» данных, позволяя нам эффективно переводить между трехмерными и двумерными представлениями информации.
В проекте D4L мы экспериментируем с инновационными моделями обслуживания, используя материальные артефакты, такие как 12 блоков планирования долголетия (LPB), чтобы помочь людям понять решающую важность планирования долголетия, опираясь на опыт финансового планирования.
Помимо опросов до и после эксперимента, которые отслеживают восприятие участников и изменения в действиях, мы собираем качественные данные в ходе личных экспериментов и интервью. Например, мы измеряем и анализируем такие факторы, как количество затронутых LPB, заданные вопросы, рассказанные истории и время, потраченное на участие в эксперименте.
Мы стремимся раскрыть ключевые факторы, влияющие на взаимодействие людей с концепцией D4L. Влияют ли гендерные различия на процесс принятия финансовых решений? Влияет ли культурное происхождение – например, иммигрантство или принадлежность к группе меньшинства – к пониманию финансового планирования и планирования долголетия? Играет ли роль доход, образование или образ жизни? Может ли возраст быть ключевым фактором, влияющим на уровень вовлеченности, что отражается в количестве контактов с LPB, задаваемых вопросов и рассказанных историй?
Тени можно рассматривать как представления упомянутых выше переменных. Основная задача состоит в том, чтобы преодолеть разрыв между 3D-миром и 2D-данными, что позволит нам создать качественное и количественное повествование, отвечающее потребностям пользователей, основанное на более убедительных доказательствах и более глубоком понимании (рис. 3).
Преобразуйте качественные и количественные данные в содержательные повествования
Что мы подразумеваем под «значимыми повествованиями»?
В академических исследованиях убедительные повествования могут приобрести ценность за счет сочетания субъективных идей, таких как интервью, результаты семинаров или качественные наблюдения, с объективными доказательствами, такими как данные, стандартизированные показатели и количественные результаты.
Независимо от того, используем ли качественную или количественную информацию, наша цель — сформировать повествование, которое добавит глубину и контекст нашему эксперименту. Например, в проекте D4L мы исследовали ключевое направление исследований:
«Как мы можем использовать субъективные данные (измерения) и личные истории для поддержки разработки эффективных услуг по планированию долголетия, которые удовлетворяют потребности участников с помощью материальных артефактов?»
Принимая во внимание это важнейшее направление исследований, мы собрали стенограммы обсуждений участников (где их цитаты служат объективными данными), поведенческие наблюдения (позволяющие субъективно интерпретировать такие действия, как движения или язык тела) и результаты опросов (где ранжирующие вопросы обеспечивают дополнительную информацию). идеи).
Эти интересные истории возникли в результате взаимодействия участников с материальными артефактами (LPB), подкрепленного стратегическим и всесторонним сбором и синтезом данных.
Рисунок 4 представлен в виде диаграммы Сэнки, являющейся одним из прототипов визуализации данных. Хотя это исследование носит преимущественно описательный характер, мы обеспечили богатый и всесторонний анализ, собрав различные типы данных.
Переходите от простого сбора данных к их интерпретации и осмыслению
«Мы не просто собираем данные. Нам также необходимо разобраться в этом», — сказал Цзи Кэ, мой бывший коллега по IDEO и технический директор HAX. Этот краткий комментарий, сделанный во время нашей полевой работы в IDEO, запомнился мне.
Информация, собранная в ходе интервью – будь то с помощью камер, телефонов или Zoom – остается просто информацией. Однако истинное понимание возникает в результате размышлений, обсуждений и понимания. Благодаря этим интерактивным и интегративным процессам информация переваривается, синтезируется и преобразуется в убедительное повествование.
Способность понимать данные зависит от сильной эмпатии, острого наблюдения и всестороннего анализа. Визуализация данных может помочь нам разобраться в данных.
Визуализация данных является важным инструментом, поскольку она позволяет людям легче интерпретировать такие закономерности, как центральная тенденция, дисперсия и распределение. Это также позволяет мне задуматься о замысле, лежащем в основе данных.
Есть ли выбросы, которые нам следует исследовать? Есть ли экстремальные или интригующие явления, заслуживающие более пристального внимания? Есть ли неверные данные, искажающие общие результаты? Или, возможно, сама аналитическая модель не очень подходит для такого типа описательного анализа.
Данные исследования могут улучшить истории, сделав их более значимыми, подчеркнув важность дизайнерского замысла. Например, в проекте D4L первоначальная стратегия заключалась в том, чтобы разделить 69 участников по возрасту на три группы: взрослая (25–54 года), предпенсионная (55–64 года) и послепенсионная (65–74 года). ).
Три предопределенных возрастных диапазона можно использовать для категоризации демографических данных участников. Кроме того, мы могли бы изучить альтернативные методы, такие как иерархический кластерный анализ, в дополнение к подходу, основанному на данных, для улучшения результатов корреляции.
Таким образом, анализ данных открыл возможность уточнить эти категории, признав, что сам по себе возраст не полностью отражает сложность этой темы исследования и сложные потребности участников. Замысел дизайна был сосредоточен на переходах и трансформациях жизненных этапов, выходя за рамки простого подсчета лет.
Мы получили более глубокое понимание, используя статистические значения, такие как проверка корреляции или регрессии, для рассмотрения дополнительных факторов, таких как уровень дохода, образование, род занятий, оценки личности с помощью индикатора качеств высокого потенциала (HPTI), количество затронутых LPB, задаваемые вопросы и истории. распределяется на человека за эксперимент.
Сознательное творчество: как данные и дизайн соответствуют желаниям?
я использовал Статистика IBM SPSS, Квалтрикси АТЛАС. изучить пересечение данных и дизайна. Это аналитическое программное обеспечение оказало неоценимую помощь при экспериментировании с данными и формировании моих интерпретаций. Однако существует множество других профессиональных инструментов анализа и визуализации данных, которые люди могут захотеть изучить, чтобы найти тот, который лучше всего соответствует их потребностям.
В сегодняшних условиях, когда искусственный интеллект (ИИ) быстро развивается, спрос на приложения и аналитическую информацию, основанные на данных, резко возрос. Такие инструменты, как ChatGPT, позволяют нам обновлять наборы данных в режиме реального времени, предоставляя аналитические результаты и рекомендации в рамках процесса проектирования.
Данные стали творческой валютой, расширяющей границы дизайна и инноваций. Это позволяет нам:
- Восстановите новые значения трехмерных объектов на основе их двухмерных теней (набор данных)
- Преобразуйте как качественные, так и количественные данные в убедительные повествования.
- Переход от простого сбора данных к их целенаправленной интерпретации
Как новичок в мире данных, помимо разработки академических исследований, я стремлюсь изучить его бизнес-потенциал и социальное влияние с точки зрения данных. Меня особенно интересует, как мы можем использовать и интегрировать данные, чтобы изменить роли дизайнеров и исследователей, позволяя им разрабатывать более широкие бизнес-стратегии и решать сложные социальные проблемы (рис. 5).
Такой подход дает нам возможность задавать более серьезные вопросы, переосмысливать проблемы и решать сложные социально-экономические и технологические проблемы. Наша окружающая среда постоянно развивается — растет, трансформируется, адаптируется и восстанавливается в ответ на человеческие желания (Папанек, 1971, стр. 294). В конечном счете, цель состоит в том, чтобы улучшить дизайн и качество жизни путем слияния творчества с сознанием и использования данных для удовлетворения потребностей экосистемы.
Ссылка:
.jpg)
.jpg)
