ডিজিটাল অ্যাডিকশন ও অ্যাটেনশন ইঞ্জিনিয়ারিং

১ · এনগেজমেন্ট-ম্যাক্সিমাইজিং ডিজাইন প্যাটার্ন

বিজ্ঞাপন-নির্ভর বা ফ্রিমিয়াম ব্যবসায়িক মডেলে চলা অনেক ডিজিটাল প্রোডাক্টের রাজস্ব সরাসরি ব্যবহারকারীর মনোযোগ ও সময়ের সাথে যুক্ত — তাই "ব্যবহারকারী কতক্ষণ থাকলো, কতবার ফিরে এলো" ব্যবসায়িকভাবে গুরুত্বপূর্ণ মেট্রিক হয়ে ওঠে। এই লক্ষ্য অর্জনে প্রোডাক্ট ডিজাইনে প্রায়ই এমন প্যাটার্ন ব্যবহৃত হয় যা মানুষের মনোযোগ ও পুনরাবৃত্তিমূলক আচরণ নিয়ে দশকের পর দশক ধরে চলা মনস্তাত্ত্বিক গবেষণা থেকে ধারণা নেয়।

এই প্যাটার্নগুলো নিজে থেকে "প্রতারণামূলক" নয় — একটি ফ্রি সার্ভিস চালু রাখতে বিজ্ঞাপন-রাজস্ব প্রয়োজন, আর ব্যবহারকারীকে ফিরে আসতে উৎসাহিত করা যেকোনো ভালো প্রোডাক্ট ডিজাইনেরও একটি স্বাভাবিক লক্ষ্য। প্রশ্নটি হলো — এই কৌশলগুলো কোথায় "সহায়ক ও আকর্ষণীয় ডিজাইন" থেকে সরে গিয়ে ব্যবহারকারীর সচেতন সিদ্ধান্ত-গ্রহণ ক্ষমতাকে পাশ কাটিয়ে যাওয়া "ম্যানিপুলেশন"-এ পরিণত হয় — এই সীমারেখা নিজেই একটি চলমান আলোচনার বিষয়, একটি স্পষ্ট, সর্বজনগ্রাহ্য মাপকাঠি এখনো নেই।

২ · ভ্যারিয়েবল-রেশিও রিইনফোর্সমেন্ট: একটি সুপ্রতিষ্ঠিত মনস্তাত্ত্বিক নীতি

আচরণগত মনোবিজ্ঞানে ভ্যারিয়েবল-রেশিও রিইনফোর্সমেন্টVariable-Ratio Reinforcementএকটি পুরস্কার-শিডিউল যেখানে পুরস্কার কখন আসবে তা অনিশ্চিত/এলোমেলো — যেমন একটি স্লট মেশিন। গড় পুরস্কার-হার একই রাখা সত্ত্বেও, এই অনিশ্চয়তা একটি প্রেডিক্টেবল শিডিউলের চেয়ে বেশি স্থায়ী, উচ্চ-হারের প্রতিক্রিয়া তৈরি করে বলে বহু দশকের গবেষণায় দেখা গেছে। একটি বহু-পরীক্ষিত, সুপ্রতিষ্ঠিত পর্যবেক্ষণ — পুরস্কার কখন আসবে তা অনুমান করা না গেলে, প্রাণী (মানুষ সহ) সেই পুরস্কারের উৎসের সাথে বারবার, আরও স্থায়ীভাবে যোগাযোগ করতে থাকে, এমনকি পুরস্কারের গড় হার একই থাকলেও। ডিজিটাল প্রোডাক্টে "পুল-টু-রিফ্রেশ" করে নতুন কনটেন্ট আসা, বা নোটিফিকেশন ঠিক কখন আসবে তা অনিশ্চিত থাকা — এই ধরনের ডিজাইন সিদ্ধান্তগুলো একই অনিশ্চিত-পুরস্কার নীতির সাথে গঠনগতভাবে সাদৃশ্যপূর্ণ।

৩ · একই ব্যবসায়িক ইনসেন্টিভ, M8-এর তিনটি ভিন্ন প্রকাশ

৪ · একটি Monte Carlo সিমুলেশন: প্রেডিক্টেবল বনাম আনপ্রেডিক্টেবল শিডিউল

নিচের কোড সেলে একটি স্ক্রলিং সেশন মডেল করা হয়েছে — প্রতি ধাপে একটি নির্দিষ্ট সম্ভাবনায় "পুরস্কার" (নতুন আকর্ষণীয় কনটেন্ট) আসে; পুরস্কার এলে ব্যবহারকারীর "থামার সম্ভাবনা" রিসেট হয়ে যায়, আর পুরস্কার না এলে প্রতিটি ধাপে থামার সম্ভাবনা বাড়তে থাকে (বোরডম জমা হয়)। দুটি শিডিউলে গড় পুরস্কার-হার ইচ্ছাকৃতভাবে একই (প্রতি ধাপে ১০%) রাখা হয়েছে — শুধু "বোরডম জমা হওয়ার গতি" ভিন্ন: প্রেডিক্টেবল শিডিউলে (পুরস্কারের প্যাটার্ন অনুমানযোগ্য বলে ধরে নেওয়া) বোরডম দ্রুত জমে, আনপ্রেডিক্টেবল শিডিউলে (পরবর্তী পুরস্কার কখন আসবে অনিশ্চিত বলে) বোরডম ধীরে জমে। random.seed(11) ব্যবহার করা হয়েছে যাতে ফলাফল পুনরুৎপাদনযোগ্য হয়।

# একটি সিন্থেটিক, ইলাস্ট্রেটিভ Monte Carlo সিমুলেশন -- কোনো নির্দিষ্ট বাস্তব অ্যাপের দাবি নয়
import random
random.seed(11)  # reproducibility-এর জন্য নির্দিষ্ট সিড

def simulate_session(reward_prob, stop_growth, max_steps=300):
    # reward_prob: প্রতি ধাপে পুরস্কার পাওয়ার সম্ভাবনা (দুই শিডিউলেই সমান রাখা হয়েছে)
    # stop_growth: পুরস্কারহীন প্রতিটি ধাপের পর থামার সম্ভাবনা কতটা বাড়ে
    # রিটার্ন করে ব্যবহারকারী কত ধাপ পর স্ক্রল থামালো
    step = 0
    stop_prob = 0.02
    while step < max_steps:
        step += 1
        if random.random() < reward_prob:
            stop_prob = 0.02  # পুরস্কার পেলে থামার সম্ভাবনা রিসেট
        else:
            stop_prob = min(0.95, stop_prob + stop_growth)
        if random.random() < stop_prob:
            return step
    return max_steps

TRIALS = 1500
fixed_lengths = [simulate_session(reward_prob=0.10, stop_growth=0.050) for _ in range(TRIALS)]
variable_lengths = [simulate_session(reward_prob=0.10, stop_growth=0.015) for _ in range(TRIALS)]

avg_fixed = sum(fixed_lengths) / TRIALS
avg_variable = sum(variable_lengths) / TRIALS

print(f"প্রেডিক্টেবল শিডিউল (দ্রুত বোরডম জমে, stop_growth=0.050): গড় সেশন দৈর্ঘ্য {avg_fixed:.1f} ধাপ")
print(f"আনপ্রেডিক্টেবল শিডিউল (ধীরে বোরডম জমে, stop_growth=0.015): গড় সেশন দৈর্ঘ্য {avg_variable:.1f} ধাপ")
print(f"পার্থক্য: আনপ্রেডিক্টেবল শিডিউলে গড়ে {avg_variable - avg_fixed:.1f} ধাপ বেশি")