ডিজিটাল আসক্তি ও অ্যাটেনশন ইঞ্জিনিয়ারিং

১ · এনগেজমেন্ট-অপ্টিমাইজড ডিজাইন

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" এই মেট্রিকগুলো ব্যবসায়িকভাবে গুরুত্বপূর্ণ হয়ে ওঠে। এই লক্ষ্য অর্জনের জন্য প্রোডাক্ট ডিজাইনে প্রায়ই এমন প্যাটার্ন ব্যবহৃত হয় যা মানুষের মনোযোগ ও পুনরাবৃত্তিমূলক আচরণ নিয়ে দশকের পর দশক ধরে চলা মনস্তাত্ত্বিক গবেষণা থেকে ধারণা নেয় — যেমন অসীম স্ক্রল (infinite scroll, "থামার" কোনো স্বাভাবিক বিন্দু না রাখা), নোটিফিকেশন ব্যাজ (ছোট, লাল, দৃষ্টি-আকর্ষক সংখ্যা), এবং "স্ট্রিক" (টানা কতদিন ব্যবহার করা হয়েছে তার গণনা, বন্ধ হলে হারানোর ভয়)।

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 কতবার প্রচেষ্টার পর আসবে তা অনিশ্চিত/এলোমেলো — যেমন একটি স্লট মেশিন। গড় পুরস্কার-হার একই রাখা সত্ত্বেও, এই অনিশ্চয়তা একটি ফিক্সড শিডিউলের (প্রতি নির্দিষ্ট সংখ্যক চেষ্টার পর পুরস্কার) চেয়ে বেশি স্থায়ী, উচ্চ-হারের প্রতিক্রিয়া (response rate) 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। এই কারণেই স্লট মেশিন ফিক্সড-পেআউট গেমের চেয়ে বেশি "আঁকড়ে ধরে রাখে" বলে দীর্ঘদিন ধরে পরিচিত। 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 · একটি সিমুলেশন: ফিক্সড বনাম ভ্যারিয়েবল শিডিউল

নিচের কোড সেলে দুটি সরল, সিন্থেটিক শিডিউল সিমুলেট করা হয়েছে — একই সংখ্যক ধাপ (৩০০) ও প্রায় একই গড় পুরস্কার-হারে (প্রতি ১০ ধাপে গড়ে ১টি পুরস্কার)। ফিক্সড শিডিউলে ধরে নেওয়া হয়েছে ব্যবহারকারী প্যাটার্নটি শিখে ফেলেছে, তাই শুধু পরবর্তী পুরস্কারের ঠিক আগের মুহূর্তে বেশি "চেক" করে, বাকি সময় কম। ভ্যারিয়েবল শিডিউলে পরবর্তী পুরস্কার কখন আসবে তা অনুমান করা যায় না, তাই মডেলটি প্রতিটি ধাপেই একটি স্থির, মাঝারি-উচ্চ মাত্রার "চেক" প্রবণতা ধরে রাখে। random.seed(42) ব্যবহার করা হয়েছে যাতে ফলাফল পুনরুৎপাদনযোগ্য (reproducible) হয়।

# একটি সিন্থেটিক, ইলাস্ট্রেটিভ মডেল -- ভ্যারিয়েবল-রেশিও রিইনফোর্সমেন্ট নীতির একটি সরলীকৃত সিমুলেশন
# কোনো নির্দিষ্ট বাস্তব অ্যাপের ডিজাইনের দাবি নয়

import random
random.seed(42)  # reproducibility-এর জন্য নির্দিষ্ট সিড

STEPS = 300
INTERVAL = 10  # গড়ে প্রতি ১০ ধাপে একটি "রিওয়ার্ড" (যেমন নতুন কনটেন্ট/নোটিফিকেশন)

def simulate_fixed_schedule(steps, interval):
    rewards = 0
    checks = 0
    for i in range(1, steps + 1):
        position = i % interval
        if position == 0:
            rewards += 1
        # ফিক্সড শিডিউলে প্যাটার্নটি অনুমানযোগ্য -- তাই পরবর্তী রিওয়ার্ডের
        # ঠিক আগের ধাপ ছাড়া বাকি সময় চেক করার প্রবণতা কম থাকে
        near_reward = position == 0 or position == interval - 1
        check_prob = 0.60 if near_reward else 0.05
        if random.random() < check_prob:
            checks += 1
    return rewards, checks

def simulate_variable_schedule(steps, interval):
    rewards = 0
    checks = 0
    reward_prob_per_step = 1 / interval  # গড় রিওয়ার্ড-হার ফিক্সড শিডিউলের সমান
    # ভ্যারিয়েবল শিডিউলে পরবর্তী রিওয়ার্ড কখন আসবে তা অনুমান করা যায় না --
    # তাই প্রতিটি ধাপেই একটি স্থির, মাঝারি-উচ্চ চেক-প্রবণতা থাকে
    check_prob = 0.30
    for i in range(1, steps + 1):
        if random.random() < reward_prob_per_step:
            rewards += 1
        if random.random() < check_prob:
            checks += 1
    return rewards, checks

fixed_rewards, fixed_checks = simulate_fixed_schedule(STEPS, INTERVAL)
variable_rewards, variable_checks = simulate_variable_schedule(STEPS, INTERVAL)

print(f"ফিক্সড-ইন্টারভ্যাল শিডিউল:    {fixed_rewards} বার রিওয়ার্ড,   {fixed_checks} বার চেক ({fixed_checks/STEPS*100:.1f}% ধাপে)")
print(f"ভ্যারিয়েবল-ইন্টারভ্যাল শিডিউল: {variable_rewards} বার রিওয়ার্ড,   {variable_checks} বার চেক ({variable_checks/STEPS*100:.1f}% ধাপে)")