ওয়ার্কিং মেমরির সীমা ও ইন্টারফেসে কগনিটিভ লোড

১ · মিলারের "৭±২" নিয়ম

১৯৫৬ সালে মনোবিজ্ঞানী জর্জ মিলার একটি সুপরিচিত পর্যবেক্ষণ প্রকাশ করেন — মানুষের ওয়ার্কিং মেমরি একসাথে গড়ে মাত্র ৭±২ (অর্থাৎ ৫ থেকে ৯টি) "চাঙ্ক" তথ্য ধরে রাখতে পারে, তার বেশি হলে ভুল বা ভুলে যাওয়ার সম্ভাবনা বাড়ে। এটি HCI ও কগনিটিভ সাইকোলজির অন্যতম সবচেয়ে উদ্ধৃত ফলাফল। পরবর্তীতে গবেষণা (যেমন নেলসন কাওয়ানের ২০০১ সালের পর্যালোচনা) পরামর্শ দেয় যে কিছু পরিস্থিতিতে প্রকৃত সংখ্যা আরও ছোট, প্রায় ৪টি চাঙ্কের কাছাকাছি হতে পারে — কিন্তু মূল, ব্যবহারিক ইঙ্গিতটি অপরিবর্তিত থাকে: ওয়ার্কিং মেমরির ক্ষমতা ছোট এবং কঠোরভাবে সীমিত, এবং একটি ইন্টারফেস কখনোই এর বেশি একসাথে মনে রাখতে বলা উচিত নয়।

২ · চাঙ্কিং — কেন গোষ্ঠীকরণ কাজ করে

একটি গুরুত্বপূর্ণ কারিগরি ব্যাপার হলো — মিলারের নিয়ম "৭±২ সংখ্যা" বলে না, বলে "৭±২ চাঙ্ক"। একটি চাঙ্ক হলো সম্পর্কিত তথ্যের একটি গোষ্ঠী যা একটি একক ইউনিট হিসেবে মনে রাখা যায়। উদাহরণস্বরূপ, ফোন নম্বর 01712345678 — ১১টি আলাদা সংখ্যা হিসেবে মনে রাখলে তা ওয়ার্কিং মেমরির সীমা ছাড়িয়ে যায়, কিন্তু 01712-345-678 আকারে দলে ভাগ করলে সেটি মাত্র ৩টি চাঙ্ক — অনেক সহজ। এই কারণেই ক্রেডিট কার্ড নম্বর, ফোন নম্বর, এমনকি কোড (যেমন a1b2-c3d4 স্টাইলের লাইসেন্স কী) সবসময় দলে ভাগ করে দেখানো হয়।

নিচের কোড সেলে একটি সরলীকৃত ইলাস্ট্রেটিভ মডেল — কোনো নির্দিষ্ট বাস্তব সাইকোলজি এক্সপেরিমেন্টের সরাসরি উদ্ধৃতি নয় — একই ডিজিট-সিকোয়েন্সগুলো কাঁচা আকারে (প্রতিটি ডিজিট আলাদা আইটেম) বনাম ৩-টা করে চাঙ্কে ভাগ করে ধরে রাখলে "ধরে রাখতে হওয়া আইটেম সংখ্যা" কত হয়, এবং একটি সরল, ইলাস্ট্রেটিভ সূত্র দিয়ে অনুমানিত রিকল-সম্ভাবনা কীভাবে বদলায় তা দেখায় — ক্ষমতার সীমা (৭) ছাড়িয়ে যাওয়া প্রতিটি অতিরিক্ত আইটেমের জন্য একটি জরিমানা প্রয়োগ করে।

import random

random.seed(42)

CAPACITY = 7  # মিলারের "৭±২" -- ইলাস্ট্রেটিভ গড় ওয়ার্কিং-মেমরি আইটেম ক্ষমতা

def random_digits(n):
    return [random.randint(0, 9) for _ in range(n)]

def chunk(items, size):
    return [items[i:i + size] for i in range(0, len(items), size)]

def simulated_recall_probability(n_items, capacity=CAPACITY):
    # সরলীকৃত ইলাস্ট্রেটিভ মডেল মাত্র (কোনো নির্দিষ্ট বাস্তব এক্সপেরিমেন্টের ফলাফল নয়):
    # ক্ষমতা পর্যন্ত প্রতিটি আইটেমের জন্য সামান্য জরিমানা, ক্ষমতা ছাড়ালে অনেক বড় জরিমানা।
    if n_items <= capacity:
        return max(0.05, 0.98 - 0.01 * n_items)
    excess = n_items - capacity
    return max(0.05, (0.98 - 0.01 * capacity) - 0.12 * excess)

sequences = [random_digits(12) for _ in range(5)]

chunk_size = 3
total_raw_items = 0
total_chunked_items = 0
for seq in sequences:
    raw_items = len(seq)              # প্রতিটি ডিজিট আলাদা আইটেম হিসেবে ধরা হলো
    chunks = chunk(seq, chunk_size)
    chunked_items = len(chunks)       # প্রতিটি গ্রুপ একটি চাঙ্ক হিসেবে ধরা হলো
    total_raw_items += raw_items
    total_chunked_items += chunked_items

avg_raw = total_raw_items / len(sequences)
avg_chunked = total_chunked_items / len(sequences)

p_raw = simulated_recall_probability(avg_raw)
p_chunked = simulated_recall_probability(avg_chunked)

print(f"{len(sequences)}টি সিকোয়েন্স, প্রতিটি {len(sequences[0])} ডিজিট লম্বা")
print(f"গড় ধরে-রাখার-আইটেম -- কাঁচা: {avg_raw:.1f}   চাঙ্ক করা (৩-টা করে দলে): {avg_chunked:.1f}")
print(f"সরলীকৃত ইলাস্ট্রেটিভ রিকল-সম্ভাবনা -- কাঁচা: {p_raw*100:.1f}%   চাঙ্ক করা: {p_chunked*100:.1f}%")

৩ · কগনিটিভ লোড — ইন্ট্রিনসিক, এক্সট্রেনিয়াস, জার্মেন

জন সোয়েলারের কগনিটিভ লোড থিওরি একটি কাজ করার সময় ওয়ার্কিং মেমরির উপর মোট "বোঝা"-কে তিন ভাগে ভাগ করে:

ভালো ইন্টারফেস ডিজাইন এক্সট্রেনিয়াস লোড কমায় (অপ্রয়োজনীয় জটিলতা, অসামঞ্জস্য, একসাথে অনেক কিছু মনে রাখতে বাধ্য করা এড়িয়ে) যাতে ব্যবহারকারীর সীমিত ওয়ার্কিং মেমরি মূল কাজে (ইন্ট্রিনসিক লোড) ব্যয় হতে পারে। বাস্তব কৌশলের মধ্যে আছে — লম্বা ফর্মকে ধাপে ভাগ করা (wizard/multi-step), সম্পর্কিত ফিল্ডগুলোকে ভিজ্যুয়ালি গ্রুপ করা (M8/L08-এর গেস্টাল্ট প্রক্সিমিটি নীতির সাথে সরাসরি সম্পর্কিত), এবং ব্যবহারকারীকে একসাথে একাধিক ধাপ মনে রাখতে না বলে প্রতিটি পদক্ষেপে প্রয়োজনীয় তথ্য স্ক্রিনেই দেখানো (M4/L16-এর "রিকগনিশন ওভার রিকল" হিউরিস্টিকের সাথে মিলে যায়)।