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

© Valuable Design Lab

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.

© Valuable Design Lab

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.

© Valuable Design Lab

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.

© Valuable Design Lab

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.

© Valuable Design Lab

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.

© Valuable Design Lab

SATO

SATO(Speed-Accuracy Trade-off)는 주로 실험연구에서 언급되는 이론으로써 과업의 수행 속도와 정확성은 반비례한다는 내용이다(man-machine interaction에서 중요하게 다뤄지고 있음). 즉, 피험자가 의사결정에 많은 시간을 투입하면 과업 수행의 정확도는 향상되지만, 이와 반대로 의사결정에 적은 시간을 투입하면 과업 수행의 정확도는 저하된다는 것이다.

좋은 디자인은 주어진 시간 내에 얼마나 많은 정보를 처리할 수 있느냐에 달려있다. 시간은 공평하고 제한적이다. 즉, 시간을 물리적으로 늘릴 수 없으므로 정보가 복잡해 질수록 의사결정에 필요한 시간은 줄어들 수 밖에 없다. 이 때문에 명료한 디자인(clear design)이 중요한 것이다.

© Valuable Design Lab