Human Factors – Valuable Design LAB

절대역(Absolute Thresholds)

사람이 모든 자극을 탐지할 수 있는 것은 아니다. 아주 작은 소리, 미세한 냄새, 약한 빛은 탐지하지 못할 수도 있다. 사람이 감지할 수 있는 최소 수준의 자극 강도를 절대역(absolute thresholds)이라고 부른다. 예를 들어, 피험자에게 작은 소리를 들려준 다음, 소리를 감지했는지 여부를 물어본다. 소리 크기를 높여 “예”라는 대답이 나오는 자극 강도가 바로 청각역(auditory threshold)이 된다. 그러나 청각역에 해당하는 소리를 다시 실험했을 때는 피험자가 감지하지 못할 수도 있다. 즉, 절대청각역으로 볼 수 없는 것이다. 절대역은 하나의 자극 강도를 100번 시행했을 때 감지 가능성이 반반인(50% 수준) 자극 강도를 의미한다.

반드시 자극을 감지해야 하는 상황이라면 적어도 절대역 이상의 자극 강도를 유지해야 한다. 그런데 절대역은 사람이나 환경 요인에 의해 그 수치가 달라질 수 있다는 것이 문제이다. 휴대폰 진동의 경우 실내 상황에서는 거의 100% 감지할 수 있지만, 지하철이나 도보 등 실외 상황에서는 감지되지 않은 경우가 더 많다. 또한 감지 여부는 사람마다 다르게 나타난다. 아마 사람마다 심리적 상태나 신체적 능력이 다르기 때문일 것이다. 따라서 제품 개발에 응용하기 위한 절대역 측정은 여러 사람을 대상으로 다양한 조건 하에서 진행하여, 실제 평균적 수준을 파악하는 것이 중요하다.

감각(Sensation)

사람이 사물을 이해하기 위해서는 사물에 대한 정보가 반드시 대뇌로 전달되어야 한다. 이 과정에는 신경계와 감각기관이 참여한다. 즉, 사물에 대한 정보를 감각기관(감각수용기)이 수집하고, 수집된 정보는 신경계(신경세포)를 거쳐 대뇌로 전달된다. 이 과정에서는 환경에 존재하는 에너지가 신경신호로 변화한다. 예컨대, 빛은 파장 운동에 의해 생성되는 전자 에너지이며, 이 빛은 눈에 의해 수집되어 신경신호로 바뀐다.

감각은 개인적이고 주관적인 경험이다(심리학, 김현택). 달리 말해, 감각은 보편적이거나 객관적인 경험이 될 수 없다. 개인마다 신체적 특성이나 성능이 다르기 때문에 같은 에너지라도 이를 수집하거나 신경신호로 전환시키는 능력도 각각 다르다. 우리는 흔히 생각이나 경험의 차이에 의해 같은 정보를 다르게 처리한다는 얘기를 자주 들어왔다. 이것은 주로 대뇌의 지각 과정에 대한 얘기이다. 그러나 지각 과정에 도달하기 전에도 차이를 낳게 하는 요인은 항상 존재한다. 신체적 능력이 부족하다는 것은 에너지를 수집하거나 신경신호로 전환시키는 능력이 부족하다는 것을 의미한다. 더군다나 신체적 능력이 없는 사람도 있다. 그래서 정보를 디자인하는 사람은 세상이 다양한 특성과 능력을 가진 사람들로 구성되었다는 사실을 새겨두어야 한다. 잘 듣지 못하거나 아예 들을 수 없는 사람, 잘 볼 수 없거나 아예 볼 수 없는 사람을 위해 정보는 어떻게 제공되어야 하는지 고민에 고민을 더할 필요가 있다.

Cognitive map

잠재학습 (latent learning)과 같이 인지도(cognitive map)는 수행능력의 강화(reinforcement) 없이 갑자기 향상될 수 있다. 자극과 반응을 통해 수단과 목표에 대한 관계를 이해하게 되고, 이로 인해 환경에 대한 전체 모습을 대략적으로나마 머리 속에 형성시킬 수 있게 된다. 이렇게 형성된 인지도는 강화가 없어도 필요에 따라 행동을 유발시키게 된다. 즉, 어떤 행동을 하면 어떤 것을 얻을 수 있다는 나름의 생각을 갖게 되는 것이다.

인간이 시스템에 대해 어떤 기대나 생각을 갖는 것은 아마도 각자의 머리 속에 나름의 인지도를 갖고 있기 때문이다. 만약 인지도가 형성되지 않았다면, 행동에 의해 얻어지는 결과를 직접 확인해야만 “시스템은 어떻다”라는 것을 알게 될 것이다. 경험자와 숙련자는 견고하고 명확한 인지도를 가지고 있으며, 이들은 시스템에 대한 나름의 사고 체계가 분명하다. 그래서 아주 엉뚱하게 개발한 시스템이 아니라면, 그들은 나름의 인지도를 활용하여 시스템을 잘 이용할 수 있다. 반대로 미경험자와 초보자는 취약하고 모호한 인지도를 가지고 있으며, 시스템에 대한 이들의 사고 체계는 형성되지 않았거나 불완전한 상태이다. 그러다 보니 직접 행동하면서 결과를 체험해야만 시스템을 제대로 이해한다. 따라서 경험자와 숙련자를 위한 시스템은 그들의 사고 체계를 파악하는 것이 중요하고, 미경험자와 초보자를 위한 설계는 따라하기나 사례를 보여주는 것이 중요하다.

Latent Learning

수행 능력은 강화(reinforcement) 없이 갑자기 향상되기도 한다. 이것은 학습이 잠재적으로 이루어졌는데 학습을 행동으로 옮기지 않았기 때문에 학습 효과가 드러나지 않은 것이다. 이처럼 강화 없이 학습이 이루어지는 형태의 학습을 ‘잠재학습’(latent learning)이라고 한다. 잠재학습은 행동 변화 측면보다는 인지적 측면을 강조하고 있으며, 학습이 이루어지는 것과 이를 행동으로 옮기는 것은 분리시켜 설명하고 있다.

평소 책을 읽지만 그 내용들이 모두 지식으로 저장된다고 생각하지 않는다. 그리고 읽는 내용이 무엇인지 곰곰이 생각해봐도 잘 떠오르지 않는다. 그런데 이렇듯 의식할 수 없었던 내용들이 어떤 순간에 갑자기 떠오를 때가 있다. 이처럼 학습된 것이 평소에는 잠재되어 있다가 어느 순간 학습에 의한 효과가 나타날 수 있다. 이러한 가정은 사용자와 시스템 간의 상호작용에도 적용될 수 있다. 가령, 사용자가 불만족 요소를 경험했다고 해서 곧바로 냉소적인 행동을 보이는 것은 아니지만, 불만족이 누적되어 그로 인한 축척된 효과가 갑자기 나타날 수 있게 되어 사용자가 시스템을 거부하는 상황까지 이를 수도 있다.

Learning through Insight

인간은 경험과 지식의 연합(association)을 통해 문제를 해결하는데, 이때 시행착오를 통해 해결책을 얻는다. 즉, 획득한 정보를 서로 연결해보고 재조직함으로써 ‘점진적으로’ 해결책에 접근하는 것이다. 그런데 이와 같이 문제해결이 오랜 시간을 두고 천천히 진행되는 것만은 아니다. 과거에 전혀 경험하거나 학습한 적이 없지만, 갑작스럽게 문제가 해결되기도 한다. 요컨대, 인간은 새로운 환경에 직면하여 문제 장면을 재조직화하여 갑작스럽게 문제를 해결한다. 이것을 통찰(insight)이라고 부른다. 즉, 자극-반응 연합이 아닌 문제 장면 전체에 대한 통찰을 통해 문제를 해결하는 것이다.

모든 해결책을 일일이 알려줄 수 없으므로 설계자는 사용자가 시스템에 대한 통찰을 갖게 할 필요가 있다. 이렇게 되면 사용자는 시행착오 없이 문제를 해결할 수 있게 된다. 그렇다면 어떻게 해야 통찰이 잘 일어날까? 문제 장면을 잘 구조화하고 이에 대한 해결책을 잘 배열하면 통찰이 잘 일어난다고 한다. 웹사이트와 소프트웨어의 경우, 사용자 니즈를 구체적으로 파악하여 콘텐츠 또는 기능을 정의하고(문제 장면의 구조화), 이에 맞는 메뉴 또는 컨트롤 요소를 제공(해결책의 배열)함으로써 시스템에 대한 통찰을 갖게 만든다.

(reference) http://web.uct.ac.za/depts/psychology/undergrad/101w_files/LP05l6.ppt

Cognitive Learning

경험 또는 반복 경험이 없어도 내적인 사고 작용에 의해 학습이 이루어지는 것을 인지학습(cognitive learning)이라고 한다. 자극과 반응의 결과에 의해 학습(learning)이 이루어진다고 보는 조건화(conditioning)와는 상반된 관점이다. 즉, 외부로부터의 자극이나 다른 사물에 대한 관찰이 없더라도 스스로 정보를 습득하고 조직화는 과정을 통해 학습이 이루어지는 것이다.

만약 강화, 처벌 그리고 관찰이 수반되어야만 학습이 일어난다면, 모든 행동은 그에 대응하는 학습 과정이 있어야만 할 것이다. 그런데 실제로는 그렇지 않다. 바로 인지학습을 통해 세상을 이해할 수 있기 때문이다. 이런 점에서 설계자는 사용자를 직접 학습시키기보다는 사용자 스스로 학습할 수 있도록 돕는 역할에 더 많은 비중을 둬야 한다. 특히, 인지(cognition)는 규칙과 표상을 필요로 하므로 모든 설계에는 일관성, 보편성, 그리고 메타포에 대한 고민이 담겨져야 한다.

Modeling

관찰학습(observational learning)에서 알 수 있듯이, 사람들은 다른 사람 또는 사물을 관찰함으로써 새로운 것을 알게 된다. 이때 관찰의 대상을 모델(model)이라고 하며, 모델처럼 행동하는 것을 모델링(modeling)이라고 한다. 모델링은 이미 학습된 상황보다는 새로운 상황에서 잘 이루어진다. 광고에서 모델을 자주 등장시키는 이유가 바로 여기에 있다.

사람들이 어떤 모델이든 잘 따라하는 것은 아니다. 즉, 모델은 모델링에 영향을 주는 것이다. 사람들은 닮고 싶은 모델을 좋아한다고 한다. 그래서 광고 모델은 광고주의 취향이나 친분보다는 소비자 선호도에 따라 선정되어야 한다. 여기에 브랜드 아이덴티티와의 부합성까지 고려한다면 금상첨화일 것이다.

Observational Learning

강화와 처벌은 학습(learning)이 ‘자극-반응’에 의해 이루어진다고 보았다. 즉, 사람에게 강화 또는 처벌이 직접적으로 이루어져야만 학습될 수 있다고 믿었던 것이다. 그런데 다른 사람의 강화 또는 처벌을 지켜보는 것만으로도 학습이 이루어질 수 있다. 이처럼 강화 또는 처벌 없이 다른 사람 또는 사물을 관찰함으로써 학습이 이루어지는 것을 관찰학습(observational learning)이라고 한다.

누군가에게 영향을 주고 싶을 때, 칭찬하거나 또는 벌을 주는 방법도 있지만 바람직한 모델(model)을 제시하는 것도 좋은 방법이다. 예를 들어, 용도가 다양하지 않은 소프트웨어인 경우라면 특정 기능의 작동 장면을 예시적으로 보여줌으로써 사용자의 관찰학습을 돕는 것이다.

Punishment

강화(reinforcement)와 반대로 행동의 가능성을 감소시키는 것을 처벌(punishment)이라고 하는데, 이 처벌은 행동을 억제시키거나 금지시킨다. 처벌은 정적 처벌(positive punishment)과 부적 처벌(negative punishment)이 있는데, 정적 처벌은 싫어하는 것을 제시함으로써 행동의 가능성을 감소시키는 것이고, 부적 처벌은 좋아하는 것을 제거함으로써 행동의 가능성을 감소시키는 것이다.

처벌은 대개 부정적인 행동을 줄이기 위한 방편으로 사용된다. 가령, 사용자의 부정 행동을 줄이기 위해서는 운영자가 적절한 처벌을 가해야 하는데, 삼진아웃제는 정적 처벌, 편의 기능이나 무료 혜택 기회의 박탈은 부적 처벌로 볼 수 있다.

Reinforcement

사람의 행동은 그 결과에 따라 달라지는 경우가 많다고 한다. 즉, 결과가 좋으면 행동은 증가하고, 결과가 나쁘면 행동은 감소한다. 이때 행동의 가능성을 증가시키는 것을 ‘강화’(reinforcement)라고 부르는데, 강화는 정적 강화(positive reinforcement)와 부적 강화(negative reinforcement)가 있다. 정적 강화는 좋아하는 것을 제시하여 행동의 가능성이 증가시키는 것이고, 부적 강화는 싫어하는 것을 제거하여 행동의 가능성이 증가시키는 것이다.

시스템에서 편의 기능을 제공하여 사용자 행동이 증가했다면 이것은 정적 강화(능동적 접근)이고, 오류(error)를 제거하여 사용자 행동이 증가했다면 이것은 부적 강화(수동적 접근)로 볼 수 있다. 대개 기획자(planner)는 정적 강화, 리서처(researcher)는 부적 강화를 추구하는 경향이 있다. 보다 완성도 높은 시스템을 구축하려면, 기획자는 오류 제거, 리서처는 기능 제공에 대한 비중을 좀더 늘릴 필요가 있는 것 같다.