Artigos essenciais de UX e design de interação, segundo Saffer

Dan Saffer enumera os mais importantes autores e artigos sobre UX/UI e design de interação de todos os tempos!! Em seu canal no Medium. Segue sua a lista:

Abraham Maslow, A Theory of Human Motivation (1943)

Vannevar Bush, As We May Think (1945)

Claude Shannon, A Mathematical Theory of Communication (1948)

William Hick, On the rate of gain of information (1952)

Ray Hyman, Stimulus information as a determinant of reaction time (1953)

Norbert Wiener, The Machine as Threat and Promise (1953)

Paul Fitts, The information capacity of the human motor system in controlling the amplitude of movement (1954)

Erving Goffman, On Face-work: An Analysis of Ritual Elements of Social Interaction (1955)

George Miller, The magical number seven, plus or minus two: Some limits on our capacity for processing information (1956)

Brian Shackle, Ergonomics for a Computer (1959)

J.C.R. Licklider, Man-Computer Symbiosis (1960)

Doug Engelbart, Augmenting Human Intellect: A Conceptual Framework(1962)

Ivan Sutherland, SketchPad: A Man-Machine Graphical Communication System (1963)

J.C. Shaw, JOSS: A Designer’s View of an Experimental On-line Computing System (1964)

Donald F. Walker, How The Computer Can Help The Designer (1964)

Buckminster Fuller, City of the Future (1968)

J.C.R. Licklider and Robert Taylor, The Computer as Communication Device(1968)

Robert Miller, Response time in man-computer conversational transactions(1968)

Masahiro Mori, The Uncanny Valley (1970)

Stuart Brand, SPACEWAR: Fanatic Life and Symbolic Death Among the Computer Bums (1972)

Horst Rittel and Melvin Webber, Dilemmas in a General Theory of Planning(1973)

J.J. Gibson, Affordances and Behavior (1975)

Alan Kay, Personal Computing (1975)

Allen Newell and Herbert Simon, Computer Science as Empirical Inquiry: Symbols and Search (1976)

Alan Kay, Microelectronics and the Personal Computer (1977)

John M. Carroll and John C. Thomas, Metaphor and the Cognitive Representation of Computing Systems (1980)

Bill Verplank, Designing the Star User Interface (1982)

Ben Shneiderman, Direct Manipulation: A Step Beyond Programming Languages (1983)

John D. Gould and Clayton Lewis, Designing for Usability: Key Principles and What Designers Think (1985)

Lucy Suchman, Plans and Situated Actions (1985)

Alan Kay, Predicting the Future (1989)

Thomas Erickson, Working with Interface Metaphors (1990)

Mitch Kapor, A Software Design Manifesto (1990)

Mark Weiser, The Computer for the 21st Century (1991)

Richard Buchanan, Wicked Problems in Design Thinking (1992)

Rich Gold, How smart does your bed have to be, before you are afraid to go to sleep at night? (1994)

Jef Raskin, Intuitive Equals Familiar (1994)

Alan Cooper, The Myth of Metaphor (1995)

Masaaki Kurosu and Kaori Kashimura, Apparent Usability vs. Inherent Usability: Experimental analysis on the determinants of the apparent usability(1995)

Eugene Volokh, Cheap Speech and What It Will Do (1995)

Mark Weiser and John Seely Brown, Designing Calm Technology (1995)

Lauralee Alben, At the Heart of Interaction Design (1996)

Don Gentner and Jakob Nielsen, The Anti-Mac User Interface (1996)

Bonnie Nardi, Activity Theory and Human-Computer Interaction (1996)

Jared Spool, Bridging Conceptual Gaps (1996)

Stephanie Houde and Charles Hill, What Do Prototypes Prototype? (1997)

Donella H. Meadows, Leverage Points: Places to Intervene in a System (1997)

Paul Dourish, Embodied Interaction (1999)

Brian Eno, The Revenge of the Intuitive (1999)

Mary Jo Davidson, Laura Dove, and Julie Weltz, Mental Models and Usability(1999)

Chris Pacione, Making Meaning (2000)

Richard Buchanan, Good Design in the Digital Age (2000)

Scott Berkun, Strategies of Influence for Interaction Designers (2001)

Robert Reimann, So You Want to Be an Interaction Designer (2001)

Victoria Bellotti, Maribeth Back, W. Keith Edwards, Rebecca E. Grinter, Austin Henderson, and Cristina Lopes, Making Sense of Sensing Systems (2002)

Don Norman, Emotion and Design: Attractive Things Work Better (2002)

Stephan Wensveen, Kees Overbeeke, and Tom Djajadiningrat, But How, Donald, Tell Us How?: On the creation of meaning in interaction design through feedforward and inherent feedback (2002)

Cynthia Breazeal, Emotion and Sociable Humanoid Robots (2003)

Bill Buxton, Performance by Design: The Role of Design in Software Product Development (2003)

Michael Nielsen, Moritz Störring, Thomas B. Moeslund, and Erik Granum, A Procedure For Developing Intuitive And Ergonomic Gesture Interfaces For Man-Machine Interaction (2003)

Scott Berkun, The Myth of Discoverability (2003)

Daniel Fallman, Design-oriented Human-Computer Interaction (2003)

Andrei Herasimchuk, Please Make Me Think!: Are high-tech usability priorities backwards? (2004)

Gary Rivlin, The Tug of the Newfangled Slot Machines (2004)

Barry Schwartz, The Tyranny of Choice (2004)

Dan Hill, Insanely Great, Or Just Good Enough? (2004)

Jodi Forlizzi and Katja Battarbee, Understanding Experience in Interactive Systems (2004)

Paul Dourish, What We Talk About When We Talk About Context (2004)

Sherry Turkle, How Computers Change The Way We Think (2004)

Jared Spool, What Makes a Design Seem Intuitive? (2005)

Julian Bleecker, Why Things Matter (2006)

Batya Friedman, Peter H. Kahn, Jr., and Alan Borning, Value Sensitive Design and Information Systems (2006)

Scott Klemmer, Björn Hartmann, and Leila Takayama, How Bodies Matter: Five Themes for Interaction Design (2006)

Paul Atkinson, The Best Laid Plans of Mice and Men: The Computer Mouse in the History of Computing (2007)

Eli Blevis, Sustainable Interaction Design: invention & disposal, renewal & reuse (2007)

Anne Galloway, Seams and scars, Or Where to look when assessing collaborative work (2007)

Don Norman, Simplicity is Highly Overrated (2007)

Bill Buxton, The Long Nose of Innovation (2008)

Aaron Powers, What Robotics Can Learn from HCI (2008)

Don Norman, Technology First, Needs Last (2009)

Jon Kolko, Our Misguided Focus on Brand and User Experience (2009)

Jonas Löwgren, Toward an Articulation of Interaction Esthetics (2009)

Cennydd Bowles, The Perils of Persuasion (2010)

Matt Jones, BASAAP (2010)

Bret Victor, A Brief Rant on The Future of Interaction Design (2011)

Matt Jones, Gardens and Zoos, (2012)

Golden Krishna, The best interface is no interface (2012)

Aaron Walter, Emotional Interface Design (2012)

Timo Arnall, No to NoUI (2013)

Nick Foster, The Future Mundane (2013)

Scott Jensen, Home Automation is an EasyHard Problem (2013)

Bruce Tognazzini, First Principles of Interaction Design (Revised and Expanded) (2014)

Jonathan Libov, Futures of Text (2015)

Dan Saffer, The Myth of Invisible Design (2015)

Ian Bogost, Why a Toaster is a Design Triumph (2017)

Regina Rini, Creating robots capable of moral reasoning is like parenting(2017)

Josh Lovejoy, The UX of AI (2018)

Por dentro da inteligência artificial (II)

O aprendizado de máquina (machine learning) tem emergido como um tópico de grande interesse dentro do campo da pesquisa em inteligência artificial. Segundo Honda, Facure e Yaohao, o aprendizado de máquina ocorre quando um sistema computacional busca realizar uma tarefa aprendendo a partir de experiências, procurando assim melhorar a sua performance.

Um algoritmo de IA pode aprender a atingir seu objetivo a partir de um grande volume de dados que representam as experiências. Quanto mais dados, mais exemplos de padrões que o computador pode generalizar para tomar melhores decisões, em situações ainda não vistas. Entre as abordagens para o aprendizado de máquina podem ser citados o aprendizado supervisionado, o aprendizado não-supervisionado e o aprendizado por reforço.

O aprendizado supervisionado tem sido a área da inteligência artificial onde se concentra o maior número de pesquisas, experiências e de produtos bem sucedidos, e onde a maior parte dos problemas já estão bem definidos. A característica básica de sistemas de aprendizado supervisionado é que os dados utilizados para treiná-los contém a resposta desejada. Ou seja, os dados são previamente anotados com as respostas ou classes a serem previstas. Dentre suas técnicas mais conhecidas estão a regressão linear, regressão logística, redes neurais artificiais, árvores de decisão, entre outras.

No caso do aprendizado não supervisionado, nem todos os problemas podem ser resolvidos desta forma. Em alguns casos, conseguir dados previamente anotados é extremamente custoso ou impossível. Nesses casos, deve-se observar nos registros e dados se existem padrões repetidos que permitiriam a inferência de classes, perfis ou categorias. De uma forma geral, o aprendizado não supervisionado busca uma representação informativa mais simples dos dados, condensando a informação existente em pontos relevantes.

Exemplos de aplicações de aprendizado não supervisionado são sistemas de recomendação de filmes ou músicas, detecção de anomalias e visualização de dados. Dentre as técnicas conhecidas estão as redes neurais artificiais, expectativa-maximização, clusterização hierárquica, análise de componentes principais, entre outras. Problemas de aprendizado não supervisionado são consideravelmente complexos. Como consequência, esse modelo está na fronteira do conhecimento atual em aprendizado de máquina.

A terceira abordagem de aprendizagem de máquina é a chamada aprendizagem por reforço, em que a máquina tenta aprender qual é a melhor ação a ser tomada, dependendo das circunstâncias na qual esta ação será executada. Esta técnica leva em consideração a incerteza e incorpora eventuais mudanças no ambiente para o processo de tomada da melhor decisão. Baseia-se na psicologia behaviorista de Skinner: com o tempo e a repetição de experimentos, espera-se que o agente consiga associar as ações que geram maior recompensa para cada situação que o ambiente apresenta, e passe a evitar as ações que geram punição ou recompensa menor. Isto aplicado à realidade computacional implica que a máquina observa um “estado da natureza”, dentre um conjunto de cenários possíveis, e, com base nisso, escolhe a ação a se tomar.

Em seguida, recebe a recompensa associada a esta ação, nesse estado específico, obtendo assim a informação desta combinação. O processo se repete até que o computador seja capaz de escolher a melhor ação para cada um dos cenários possíveis.

Fonte: Honda, Facure e Yaohao (2019).

Por dentro da inteligência artificial (I)

Atualmente há uma extensa corrida pelo emprego da inteligência artificial (IA) entre as grandes empresas da internet.

O interesse cresce na mesma proporção do investimento em pesquisa pura nesse campo. Há uma guerra em curso entre as companhias de tecnologia para atrair os melhores talentos da área, devido ao seu potencial econômico de crescimento futuro e ao ritmo promissor das inovações.

Pesquisadores e cientistas da IA têm encontrado, por enquanto, nas empresas, um ambiente de liberdade de pesquisa e de publicação, com conferências, conversas com pares, flexibilização de propriedade intelectual, num clima próximo ao do mundo acadêmico. Nesse sentido, estas empresas têm trabalhado na mesma direção das universidades, em busca de respostas a problemas de pesquisa fundamentais.

O campo da inteligência artificial busca estudar princípios matemáticos do aprendizado que podem ser aplicados a computadores. Segundo Yoshua Bengio, um programa tradicional de computador representa um processo passo-a-passo que insere na sua memória um conhecimento previamente existente. Mas o computador também pode ser programado para desenvolver a habilidade de aprender: por isso, o programa de aprendizado é, na verdade, um metaprograma. É como se ele recebesse uma receita de propósito geral que habilita o aprendizado, sendo que a única diferença serão os dados — os exemplos do mundo real com os quais o computador tem contato. Ou seja, os humanos podem ensinar às máquinas, mostrando-lhes exemplos, representados pelos dados.

Para Bengio, o aprendizado humano não se limita à leitura de livros, ao acúmulo de fatos ou dados; é uma adaptação que acontece em resposta a estímulos do ambiente. O aprendizado significa integrar informações que obtemos pela experiência em abstrações que nos permitem tomar melhores decisões, compreender as conexões entre as coisas que vemos, e predizer o que acontecerá em seguida.

Em inteligência artificial (IA) trabalha-se com a noção de generalização: a máquina pode generalizar a partir de coisas que já tenha visto e aprendido para novas situações, em um processo lento e gradual, totalmente baseado na experiência, através do contato com um grande volume de dados. É o que se chama aprendizado de máquina ou aprendizado estatístico.

Bengio cita alguns exemplos disruptivos de áreas de aplicação da inteligência artificial: a produção industrial, a medicina, o transporte, a agricultura, assistentes pessoais, traduções, reconhecimento de voz, reconhecimento facial, etc.