পাঠ ৩১ · ৫৭-এর মধ্যে · মডিউল ৭
Home / AI Courses / Human-Centered AI / পার্টিসিপেটরি ডিজাইন

ইনক্লুসিভ ডিজাইন ও পার্টিসিপেটরি মেথড

Inclusive design & participatory methods
৮ মিনিট পড়া মধ্যম · Intermediate Python কোডসহ সম্পূর্ণ বাংলায়

এই পাঠে যা শিখবেন

  • ইনক্লুসিভ ডিজাইন কী এবং এটি সাধারণ "ব্যবহারকারী-কেন্দ্রিক ডিজাইন" থেকে কীভাবে ভিন্ন
  • পার্টিসিপেটরি ডিজাইন/কো-ডিজাইনের মূল ধারণা ও কখন এটি ব্যবহার করা উচিত
  • কেন শুধু "প্রতিনিধিত্বমূলক পরীক্ষা" যথেষ্ট নয়, সরাসরি অংশগ্রহণ কেন দরকার
  • একটি সত্যিকারের কোড দিয়ে বিভিন্ন গোষ্ঠীর ফিডব্যাক থেকে ফলো-আপ অগ্রাধিকার নির্ধারণ

১ · ইনক্লুসিভ ডিজাইন — শুরু থেকেই, শেষে নয়

বেশিরভাগ প্রোডাক্ট টিম অ্যাক্সেসিবিলিটি ও বৈচিত্র্যকে "শেষ ধাপের চেকলিস্ট" হিসেবে দেখে — মূল ডিজাইন শেষ হওয়ার পর প্যাচ যোগ করা। ইনক্লুসিভ ডিজাইন এর বিপরীত পদ্ধতি: ডিজাইন-প্রক্রিয়ার একদম শুরু থেকেই ধরে নেওয়া হয় ব্যবহারকারীরা প্রযুক্তি-দক্ষতা, ভাষা, সক্ষমতা ও প্রেক্ষাপটে ভিন্ন (L29-এ বিস্তারিত), এবং সেই বৈচিত্র্য মাথায় রেখে মূল ডিজাইন সিদ্ধান্ত নেওয়া হয় — আলাদা সংস্করণ বানিয়ে নয়, বরং একটি নমনীয় মূল ডিজাইনের মাধ্যমে যা বিভিন্ন প্রয়োজনে অভিযোজিত হতে পারে।

২ · পার্টিসিপেটরি ডিজাইন — ব্যবহারকারী শুধু "পরীক্ষার বিষয়" নন

L39-এ শেখা হবে ইউজেবিলিটি টেস্টিং — যেখানে একটি ইতিমধ্যে-তৈরি ডিজাইনের সাথে ব্যবহারকারীরা মিথস্ক্রিয়া করেন এবং টিম পর্যবেক্ষণ করে। পার্টিসিপেটরি ডিজাইন (participatory design) ভিন্ন কিছু — এখানে ব্যবহারকারীরা শুধু পরীক্ষা করেন না, তারা সরাসরি ডিজাইন-সিদ্ধান্ত তৈরির প্রক্রিয়ায় অংশগ্রহণ করেন। একটি সাধারণ পদ্ধতি হলো কো-ডিজাইন সেশন (co-design session) — যেখানে বিভিন্ন গোষ্ঠীর ব্যবহারকারীদের সাথে বসে একসাথে স্কেচ, প্রোটোটাইপ বা ওয়ার্কফ্লো নিয়ে আলোচনা ও পরিমার্জন করা হয়, শুধু তাদের "প্রতিক্রিয়া" নেওয়া হয় না।

কেন প্রতিনিধিত্বমূলক পরীক্ষা যথেষ্ট নয়

একজন ডিজাইনার যত সহানুভূতিশীলই হোন, তিনি নিজে যে অভিজ্ঞতা কখনো বাস করেননি তা সম্পূর্ণভাবে অনুমান করতে পারেন না। উদাহরণস্বরূপ, স্ক্রিন-রিডার ব্যবহারকারীর জন্য একটি AI-সাজেশন প্যানেল কেমন "শোনায়" তা কল্পনা করা আর সত্যিই একজন নিয়মিত স্ক্রিন-রিডার ব্যবহারকারীকে সেটি ব্যবহার করতে দেখা ও তার সরাসরি মতামত শোনা — এই দুইয়ের মধ্যে বিশাল পার্থক্য। এ কারণেই পার্টিসিপেটরি পদ্ধতি বিশেষভাবে গুরুত্বপূর্ণ যখন ডিজাইনার নিজে যে ব্যবহারকারী-গোষ্ঠীর জন্য ডিজাইন করছেন তার অভিজ্ঞতা শেয়ার করেন না।

৩ · একটি সত্যিকারের ফিডব্যাক-অগ্রাধিকার সিমুলেশন

পার্টিসিপেটরি প্রক্রিয়ায় একাধিক গোষ্ঠীর ফিডব্যাক আসে, এবং সময়-সীমাবদ্ধতার কারণে সবার সাথে একইসাথে ফলো-আপ করা সম্ভব নয় — তাই কোন গোষ্ঠীর ফিডব্যাক সবচেয়ে বেশি উদ্বেগজনক তা নিয়মমাফিকভাবে চিহ্নিত করা দরকার। নিচের কোড সেলে ৫টি ভিন্ন ব্যবহারকারী-গোষ্ঠী একটি AI প্রোটোটাইপকে "আমি এই কাজটি সম্পন্ন করতে পারলাম" রেটিং (১-৫) দিয়েছেন, এবং একটি সরল নিয়ম প্রয়োগ করে দেখা হয়েছে কোন গোষ্ঠীর গড় রেটিং একটি থ্রেশহোল্ডের নিচে পড়ে।

Python
FOLLOW_UP_THRESHOLD = 3.5

group_ratings = {
    "কম দৃষ্টিশক্তির ব্যবহারকারী": [2, 3, 2, 3],
    "নতুন-প্রযুক্তি ব্যবহারকারী (novice)": [3, 4, 3, 4],
    "বয়স্ক ব্যবহারকারী": [2, 2, 3, 3],
    "ভিন্ন-মাতৃভাষার ব্যবহারকারী": [4, 4, 5, 4],
    "মোটর-সীমাবদ্ধতাযুক্ত ব্যবহারকারী": [3, 3, 4, 3],
}

flagged = []
for group, ratings in group_ratings.items():
    avg = sum(ratings) / len(ratings)
    status = "ok"
    if avg < FOLLOW_UP_THRESHOLD:
        status = "ফলো-আপ কো-ডিজাইন সেশন দরকার"
        flagged.append(group)
    print(f"{group}: গড় রেটিং {avg:.2f}/৫ -> {status}")

print()
print(f"মোট {len(group_ratings)}টি গ্রুপের মধ্যে {len(flagged)}টি গ্রুপকে ফলো-আপ সেশনের জন্য ফ্ল্যাগ করা হলো: {flagged}")

    
আউটপুট দেখায়: কম দৃষ্টিশক্তির ব্যবহারকারী গোষ্ঠীর গড় রেটিং ২.৫০/৫, বয়স্ক ব্যবহারকারী গোষ্ঠীরও ২.৫০/৫, এবং মোটর-সীমাবদ্ধতাযুক্ত ব্যবহারকারী গোষ্ঠীর ৩.২৫/৫ — এই তিনটি গোষ্ঠী থ্রেশহোল্ড (৩.৫)-এর নিচে পড়ায় ফ্ল্যাগ হয়েছে। নতুন-প্রযুক্তি ব্যবহারকারী গোষ্ঠী ঠিক ৩.৫০/৫ পেয়েছে — থ্রেশহোল্ডের সমান হওয়ায় (কঠোরভাবে নিচে নয়) ফ্ল্যাগ হয়নি। মোট ৫টি গোষ্ঠীর মধ্যে ৩টি গোষ্ঠীকে ফলো-আপ কো-ডিজাইন সেশনের জন্য অগ্রাধিকার দেওয়া হয়েছে — এটি কোনো অনুমান নয়, কোডের প্রকৃত গণনার ফলাফল।
মূল কথা · Key takeaway

ইনক্লুসিভ ও পার্টিসিপেটরি ডিজাইনের মূল কথা হলো — বৈচিত্র্যময় ব্যবহারকারীদের ফিডব্যাক শুধু সংগ্রহ করাই যথেষ্ট নয়, সেটি নিয়মমাফিকভাবে বিশ্লেষণ করে অগ্রাধিকার নির্ধারণ করতে হয়, এবং সবচেয়ে গুরুত্বপূর্ণ, সেই গোষ্ঠীগুলোকে পরবর্তী ডিজাইন-চক্রে সরাসরি অংশগ্রহণের সুযোগ দিতে হয়, শুধু "পরে ঠিক করে দেবো" বলে রাখা যায় না।

ভাবনার প্রশ্ন

প্রতিটি প্রশ্ন নিজে কিছুক্ষণ ভাবুন — তারপর "→ উত্তর" চাপুন।

প্র ০১ নতুন-প্রযুক্তি ব্যবহারকারী গোষ্ঠী ঠিক থ্রেশহোল্ডে (৩.৫০) পড়ে ফ্ল্যাগ হয়নি। এই গোষ্ঠীকে সম্পূর্ণ উপেক্ষা করা কি নিরাপদ?

না — থ্রেশহোল্ড একটি ব্যবস্থাপনাগত সিদ্ধান্ত, নিখুঁত সীমারেখা নয়। ৩.৫০ মানে গড়ে "মাঝামাঝি ভালো" অভিজ্ঞতা, যা ফলো-আপের জরুরি তালিকায় না থাকলেও নিখুঁত নয়। বাস্তবে এটি একটি "দ্বিতীয় অগ্রাধিকার" হিসেবে রাখা যুক্তিসঙ্গত, বিশেষত যদি রিসোর্স থাকে — থ্রেশহোল্ড শুধু সীমিত সময়ে কোথায় প্রথমে মনোযোগ দিতে হবে তা ঠিক করার একটি টুল, চূড়ান্ত রায় নয়।

প্র ০২ একটি প্রোডাক্ট টিম বলে, "আমরা অ্যাক্সেসিবিলিটি বিশেষজ্ঞ নিয়োগ করেছি, তাই সরাসরি বৈচিত্র্যময় ব্যবহারকারীদের সাথে কো-ডিজাইন সেশন করার দরকার নেই।" এই যুক্তির সীমাবদ্ধতা কী?

একজন অ্যাক্সেসিবিলিটি বিশেষজ্ঞ সাধারণ নীতিমালা (যেমন WCAG, L30) প্রয়োগে দক্ষ, কিন্তু তিনি নিজে প্রতিটি ব্যবহারকারী-গোষ্ঠীর প্রতিনিধি নন। বিশেষজ্ঞ জ্ঞান ও সরাসরি অংশগ্রহণ পরিপূরক, বিকল্প নয় — বিশেষজ্ঞ সাধারণ নীতি নিশ্চিত করেন, কিন্তু নির্দিষ্ট প্রোডাক্ট-প্রেক্ষাপটে আসল ব্যবহারকারীর অভিজ্ঞতা প্রায়ই এমন সমস্যা প্রকাশ করে যা সাধারণ নীতিমালায় ধরা পড়ে না।

প্র ০৩ উপরের সিমুলেশনে প্রতিটি গোষ্ঠীর মাত্র ৪টি করে রেটিং আছে। এত ছোট নমুনা থেকে সিদ্ধান্ত নেওয়ার ঝুঁকি কী?

ছোট নমুনায় গড় রেটিং সহজেই একজন-দুজনের ব্যতিক্রমী মতামতের কারণে বিকৃত হতে পারে — একজন ব্যবহারকারীর অস্বাভাবিকভাবে খারাপ (বা ভালো) অভিজ্ঞতা পুরো গোষ্ঠীর গড়কে অনেকটা টেনে নিয়ে যেতে পারে। বাস্তব পার্টিসিপেটরি গবেষণায় প্রতিটি গোষ্ঠী থেকে যথেষ্ট সংখ্যক অংশগ্রহণকারী রাখা এবং পরিমাণগত রেটিং-এর পাশাপাশি গুণগত (qualitative) মন্তব্যও সংগ্রহ করা জরুরি, যাতে সংখ্যার আড়ালে থাকা কারণগুলো বোঝা যায়।

অনুশীলন

  1. চিন্তা করুন: যদি FOLLOW_UP_THRESHOLD ৩.৫ থেকে কমিয়ে ৩.০ করা হয়, তাহলে ৫টি গোষ্ঠীর মধ্যে কয়টি ফ্ল্যাগ হবে বলে আপনার ধারণা?

    গোষ্ঠীগুলোর গড় রেটিং ছিল ২.৫০, ৩.৫০, ২.৫০, ৪.২৫, ৩.২৫। থ্রেশহোল্ড ৩.০-এ নামালে শুধু ২.৫০-এর দুটি গোষ্ঠী (< 3.0) ফ্ল্যাগ হবে বলে অনুমান করা যায় — ৩.২৫ এখন থ্রেশহোল্ডের উপরে পড়ায় ফ্ল্যাগ হবে না।

  2. পরীক্ষা করুন: উপরের কোড সেলে FOLLOW_UP_THRESHOLD = 3.5 লাইনটি FOLLOW_UP_THRESHOLD = 3.0-এ পরিবর্তন করে Run চেপে আপনার অনুমান যাচাই করুন।

    থ্রেশহোল্ড ৩.০-এ পরিবর্তনের পর ঠিক অনুমান অনুযায়ী ফলাফল আসে: কম দৃষ্টিশক্তির ব্যবহারকারী (২.৫০) ও বয়স্ক ব্যবহারকারী (২.৫০) — এই ২টি গোষ্ঠী ফ্ল্যাগ হয়, আর মোটর-সীমাবদ্ধতাযুক্ত ব্যবহারকারী গোষ্ঠী (৩.২৫) এবার থ্রেশহোল্ডের উপরে থাকায় ফ্ল্যাগের তালিকা থেকে বাদ পড়ে — থ্রেশহোল্ড পরিবর্তন সরাসরি অগ্রাধিকারের তালিকা বদলে দেয়।

আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ

  • কোর্সের সম্পূর্ণ সিলেবাস দেখুন ৫৭টি পাঠ ব্যবহারকারী ও প্রেক্ষাপট, ট্রাস্ট ক্যালিব্রেশন, এক্সপ্লেইনেবিলিটি, হিউম্যান-ইন-দ্য-লুপ ডিজাইন, কগনিটিভ লোড, অ্যাক্সেসিবিলিটি, হিউম্যান-AI টিমিং, ইউজেবিলিটি ইভালুয়েশন, ইন্ডাস্ট্রি ফ্রেমওয়ার্ক ও ক্যাপস্টোন।
  • AI Ethics কোর্স সহোদর কোর্স ফেয়ারনেস মেট্রিক্স, বায়াস পরিমাপ, প্রাইভেসি ও নিয়ন্ত্রণ-বিধির গভীর কভারেজ — এই পাঠের ডিজাইন-দৃষ্টিকোণের পরিপূরক।
  • সব Courses দেখুন ABCL TECH C, C++, Python, Java, JavaScript, DSA, Machine Learning, Deep Learning, System Design, Cybersecurity, Cloud Computing & DevOps, এবং আরও অনেক কোর্স — সব এক জায়গায়।
আগের পাঠ
AI ইন্টারফেসের জন্য অ্যাক্সেসিবিলিটি নীতিমালা