সরাসরি পর্বে যান
পর্ব ৫৫ · ৮২-এর মধ্যে · মডিউল ৯

Usability testing — heuristic, ব্যবহারকারী আর পর্যবেক্ষণ

Usability Testing — Heuristics, Users and Observation

Taught in Bangla, this lesson separates usability, UX and accessibility and inspects a checkout with Nielsen's ten heuristics, severity ratings and a cognitive walkthrough. A real Playwright run on a local Bazarghar copy collects evidence, such as a phone field rejecting Bangla digits without saying why and cancellation with no confirmation. It plans a five-task think-aloud session, computes task success, time on task and SUS from fictional participant data with Python on the page, and examines the five-user rule.

এই পর্বে যা শিখবেন

  • Usability, UX আর accessibility-র পার্থক্য, আর ISO 9241-11-এর তিনটি মাপ
  • Nielsen-এর ১০টি heuristic দিয়ে একটি checkout পরিদর্শন, severity দিয়ে সাজানো, আর cognitive walkthrough
  • ৫টি task-এর একটি usability session-এর পরিকল্পনা, অংশগ্রহণকারী বাছাই আর think-aloud পর্যবেক্ষণ
  • Task success, time on task, error আর SUS স্কোরের হিসাব নিজে করা
  • কতজন ব্যবহারকারী লাগে — জনপ্রিয় সূত্র আর তার সমালোচনা, আর পর্যবেক্ষণ থেকে কাজে লাগার মতো finding লেখা

১ · কাজ করে, কিন্তু ব্যবহার করা যায় কি?

বাজারঘরের checkout-এর সব functional test সবুজ। কুপন, ডেলিভারি চার্জ, ফোন নম্বরের নিয়ম — পর্ব ০৮ থেকে পর্ব ৩৬ পর্যন্ত সবই যাচাই হয়েছে। তবু এক সপ্তাহে কয়েকজন ক্রেতা ফোনে অভিযোগ করলেন: “অর্ডার দিতে পারলাম না, বারবার বলছে নম্বর ভুল।” তাঁরা নম্বর লিখেছিলেন বাংলা অঙ্কে, ০১৭…; validator নিয়মমতো তা নেয় না, তাই test-এর চোখে সব ঠিক, ক্রেতার চোখে দোকান “কাজ করে না”।

এই ফাঁকটুকুই usability testing-এর এলাকা। Functional test জিজ্ঞেস করে, “system নিয়ম মানে কি?” Usability test জিজ্ঞেস করে, “আসল মানুষ, আসল পরিস্থিতিতে, এই system দিয়ে নিজের কাজটি সারতে পারেন কি?” দ্বিতীয়টির উত্তর code পড়ে পাওয়া যায় না।

নতুন বাসের টিকিট কাউন্টারে দাম আর রসিদ সব ঠিক, কিন্তু সাইনবোর্ড শুধু ইংরেজিতে। হিসাব-পরীক্ষক বলবেন “সব ঠিক”, যাত্রী বলবেন “টিকিট কাটা কষ্টের”; দুজনেই সত্যি, ভিন্ন প্রশ্নের উত্তরে।

ISO 9241-11 — usability-র তিনটি মাপ

আন্তর্জাতিক মান ISO 9241-11 (প্রথম সংস্করণ ১৯৯৮, সংশোধিত ২০১৮) usability-র যে সংজ্ঞা দেয়, তার সারকথা মোটামুটি এই: নির্দিষ্ট ব্যবহারকারী একটি নির্দিষ্ট ব্যবহারের প্রসঙ্গে নির্দিষ্ট লক্ষ্য কতটা কার্যকরভাবে, দক্ষতার সাথে আর সন্তুষ্টির সাথে অর্জন করতে পারেন। প্রতিটি “নির্দিষ্ট” শব্দ জরুরি: “বাজারঘর কি ব্যবহারযোগ্য?” প্রশ্নের উত্তর হয় না; হয় “রাজশাহীর একজন প্রথমবারের ক্রেতা, পুরোনো Android ফোনে, ধীর নেটে, ক্যাশে অর্ডার দিতে পারেন কি?” প্রশ্নের।

ISO 9241-11-এর ধারণা — প্রসঙ্গ থেকে তিনটি মাপ

ব্যবহারকারী, লক্ষ্য আর পরিবেশ মিলে প্রসঙ্গ; সেই প্রসঙ্গে পণ্যের ব্যবহার থেকে তিনটি ফল মাপা হয়

ISO 9241-11: ব্যবহারের প্রসঙ্গ থেকে তিনটি মাপ ব্যবহারের প্রসঙ্গ · context of use ব্যবহারকারী প্রথমবারের ক্রেতা লক্ষ্য ও কাজ ক্যাশে অর্ডার দেওয়া যন্ত্র ও পরিবেশ পুরোনো ফোন, ধীর নেট বাজারঘরের checkout Effectiveness কাজ শেষ হলো কি? task success Efficiency কত সময় ও চেষ্টা? time, error Satisfaction কেমন লাগল? SUS প্রশ্নমালা
ছবি ৫৫.১ — প্রসঙ্গ বদলালে ফলও বদলায়: একই checkout দ্রুত Wi-Fi-তে অভিজ্ঞ ক্রেতার কাছে সহজ, পুরোনো ফোনে নতুন ক্রেতার কাছে কঠিন হতে পারে।

Usability, UX আর accessibility — তিনটি আলাদা প্রশ্ন

এই তিনটি শব্দ প্রায়ই গুলিয়ে যায়। Software quality-র মান ISO/IEC 25010-এ usability একটি quality characteristic, যার ভেতরে learnability আর accessibility-র মতো উপ-বৈশিষ্ট্য আছে; সেই মডেলের পরিচয় সফটওয়্যার ইঞ্জিনিয়ারিং ও Git কোর্সের পর্ব ০৩-এ। এখানে tester-এর কাজের দিক থেকে পার্থক্য:

ধারণামূল প্রশ্নবাজারঘরে উদাহরণ
Usabilityনির্দিষ্ট মানুষ নির্দিষ্ট কাজ সহজে সারতে পারেন কি?প্রথমবারের ক্রেতা ৩ মিনিটের মধ্যে ক্যাশে অর্ডার দিতে পারেন কি?
User experience (UX)ব্যবহারের আগে, সময়ে আর পরে পুরো অভিজ্ঞতা কেমন?বিজ্ঞাপন দেখে ভরসা, অর্ডার, ডেলিভারির SMS, ফেরতের ঝামেলা — সব মিলিয়ে
Accessibilityপ্রতিবন্ধিতা বা সীমাবদ্ধতা থাকলেও ব্যবহার করা যায় কি?Screen reader দিয়ে, শুধু keyboard দিয়ে, কম দৃষ্টিশক্তিতে checkout শেষ করা যায় কি?

Accessibility-র মান (WCAG), axe আর keyboard testing পর্ব ৫৪-এর বিষয়; এখানে আবার শেখানো হবে না। পার্থক্যটি মনে রাখুন: accessibility-র অনেক নিয়ম তালিকা ধরে যাচাই করা যায় (label আছে কি, contrast কত), আর usability-র উত্তর আসে মানুষকে কাজ করতে দেখে। সব accessibility নিয়ম মেনেও পাতা বিভ্রান্তিকর হতে পারে।

মূল ধারণা

Usability পণ্যের স্থির গুণ নয়; পণ্য, মানুষ, কাজ আর পরিবেশের সম্পর্ক। তাই প্রথম কাজ কার জন্য, কোন কাজে, কোন পরিস্থিতিতে তা লেখা।

২ · পদ্ধতির মানচিত্র — বিশেষজ্ঞ, ব্যবহারকারী আর ডেটা

Usability যাচাইয়ের পদ্ধতিগুলো মোটামুটি তিন দলে পড়ে। কোনটি কখন, তা নির্ভর করে সময়, খরচ আর প্রশ্নের ওপর:

দলপদ্ধতিকে করেনকখন কাজের
পরিদর্শন (inspection)Heuristic evaluation, cognitive walkthrough৩–৫ জন বিশেষজ্ঞ বা প্রশিক্ষিত testerনকশা বা প্রথম build থেকেই; সস্তা, দ্রুত
ব্যবহারকারী নিয়ে testModerated, unmoderated, think-aloudআসল বা প্রতিনিধি ব্যবহারকারীযখন জানা দরকার মানুষ আসলে কোথায় আটকান
ব্যবহারের ডেটাAnalytics, A/B test, জরিপProduction-এর হাজারো ব্যবহারকারীকী ঘটছে আর কতবার — কিন্তু কেন, তা নয়

এক দলের পদ্ধতি অন্য দলের প্রশ্নের উত্তর দেয় না। Analytics বলে checkout-এ এসে অনেকে চলে যান; কেন, তা জানতে মানুষকে বসিয়ে দেখতে হয়। আবার পাঁচজনকে দেখে বলা যায় না সমস্যাটি কত ভাগ ক্রেতার। ভালো দল তিনটিই মেশায়।

Beta আর তার feedback-এর triage পর্ব ৪৪-এ আছে। Beta-তে ব্যবহারকারী নিজের মতো ব্যবহার করে মত জানান; usability test-এ আপনি নির্দিষ্ট কাজ দেন, দেখেন আর মাপেন।

৩ · Nielsen-এর ১০টি heuristic — checkout-এর চেকলিস্ট

Jakob Nielsen আর Rolf Molich ১৯৯০ সালে heuristic evaluation-এর পদ্ধতি প্রকাশ করেন: কয়েকজন evaluator আলাদাভাবে একটি interface দেখেন আর কয়েকটি সাধারণ নীতির (usability heuristic) সাথে মিলিয়ে সমস্যা লেখেন। Nielsen ১৯৯৪ সালে অনেক usability সমস্যার বিশ্লেষণ থেকে নীতির তালিকাটিকে দশটিতে গোছান, যা আজও সবচেয়ে প্রচলিত (পরে শব্দচয়নে কিছু হালনাগাদ হয়েছে)। পর্ব ২০-এর heuristic-এর মতোই এগুলো নিশ্চিত নিয়ম নয়, দেখার জানালা। নিচে নিজের ভাষায় দশটি নীতি, প্রতিটির পাশে বাজারঘরের checkout-এ কী দেখবেন:

#নীতি (সারকথা)Checkout-এ প্রশ্ন
H1System-এর অবস্থা দৃশ্যমান: কী ঘটছে, দ্রুত জানানোজেলা বদলালে নতুন মোট দাম কি চোখের সামনে বদলায়?
H2বাস্তব জগতের সাথে মিল: ব্যবহারকারীর ভাষা আর অভ্যাস“ক্যাশ”, “জেলা”, বাংলা অঙ্ক — ক্রেতা যেভাবে লেখেন, system কি তা বোঝে?
H3ব্যবহারকারীর নিয়ন্ত্রণ আর স্বাধীনতা: ভুল পথ থেকে সহজে ফেরাভুল করে অর্ডার বাতিল হলে ফেরার উপায় আছে?
H4সামঞ্জস্য আর প্রচলিত রীতিএকই পাতায় একই ধরনের সংখ্যা একই অঙ্কে লেখা?
H5ভুল ঘটার আগেই আটকানোঅফেরতযোগ্য কাজের আগে নিশ্চিত হতে বলা হয়?
H6মনে রাখার চেয়ে চিনে নেওয়া সহজআগের ঠিকানা কি বেছে নেওয়া যায়, নাকি প্রতিবার মনে করে লিখতে হয়?
H7নমনীয়তা আর অভিজ্ঞদের জন্য দ্রুত পথনিয়মিত ক্রেতা আগের অর্ডার আবার দিতে পারেন?
H8পরিমিত, পরিষ্কার নকশা — অপ্রয়োজনীয় তথ্য নেইছোট পর্দায় আসল জিনিস (মোট দাম, বোতাম) চাপা পড়ে কি?
H9ভুল চিনতে, বুঝতে আর সারাতে সাহায্যError বার্তা কি সমস্যার কারণ আর সমাধান সহজ ভাষায় বলে?
H10সাহায্য আর নির্দেশনা, দরকার হলে হাতের কাছেফোন নম্বরের নিয়ম কি ঘরের পাশেই লেখা?

Severity — কোন সমস্যা আগে

প্রতিটি সমস্যার পাশে একটি severity rating বসে। Nielsen-এর প্রচলিত মাপকাঠি ০ থেকে ৪: ০ = usability সমস্যা নয়, ১ = শুধু দেখতে খারাপ (সময় পেলে), ২ = ছোট সমস্যা (কম অগ্রাধিকার), ৩ = বড় সমস্যা (উচ্চ অগ্রাধিকার), ৪ = বিপর্যয় (release-এর আগে ঠিক করতেই হবে)। মান ঠিক করতে তিনটি দিক দেখা হয়: কতবার ঘটে (frequency), ঘটলে কাজ কতটা আটকায় (impact), আর একবার শিখলে কি কাটিয়ে ওঠা যায়, নাকি প্রতিবার ভোগায় (persistence). পর্ব ১৮-এর severity-র সাথে মিল আছে, তবে এখানে মাপা হয় ব্যবহারকারীর কষ্ট, system-এর ক্ষতি নয়।

কেন একাধিক evaluator: Nielsen-এর পরীক্ষায় একজন evaluator মোটামুটি এক-তৃতীয়াংশ সমস্যা পেয়েছিলেন, আর ভিন্ন evaluator ভিন্ন সমস্যা পান। তাই ৩ থেকে ৫ জন, আগে আলাদাভাবে, পরে তালিকা মেলানো।

৪ · সত্যিকারের run — নিজের app-কপিতে heuristic evaluation

Heuristic evaluation চোখ আর মাথার কাজ, তবে প্রমাণ সংগ্রহে automation সাহায্য করে: কোন ঘর আগে থেকে ভরা, বোতাম পর্দার কোথায়, নিশ্চিতকরণ আসে কি না। নিচের script এই কোর্স লেখার সময় একটি সাধারণ Windows ডেস্কটপে সত্যিকারভাবে চালানো হয়েছে, কোর্সের বাজারঘর app-এর নিজের কপিতে (শুধু 127.0.0.1, নিজের port 8834, নিজের database ফাইল, test mode-এ নতুন seed). Library: playwright 1.65.2 (Apache-2.0), browser হলো কম্পিউটারে থাকা Microsoft Edge 157, headless; run-এর আগে DO_NOT_TRACK=1 রাখা হয়েছিল। Playwright-এর কৌশল পর্ব ৩৬-এ। Viewport ৩৬০ × ৭৪০, ছোট Android ফোনের কাছাকাছি।

page.goto(BASE + "/checkout")              # mitu, rice in cart
print("1 address prefilled:", repr(page.get_by_label("ঠিকানা").input_value()))
print("  phone prefilled:", repr(page.get_by_label("মোবাইল নম্বর").input_value()))
print("  checked method:", page.locator(
    "input[name=payment_method]:checked").get_attribute("value"))
btn = page.get_by_role("button", name="অর্ডার করুন")
box = btn.bounding_box()
print("2 order button top y at 360x740:", round(box["y"]), "(fold 740)")
print("  order button height px:", round(box["height"]))
page.get_by_label("ঠিকানা").fill("বাড়ি ১২, রোড ৩, মিরপুর")
btn.click()                                  # order 8 placed (cash)
dialogs = []
page.on("dialog", lambda d: (dialogs.append(d.message), d.dismiss()))
page.get_by_role("button", name="অর্ডার বাতিল করুন").click()
expect(page.get_by_test_id("order-status")).to_have_text("বাতিল")
print("3 confirm dialogs before cancel:", len(dialogs))
print("  actions left:", page.locator(".actions button").all_inner_texts())

সত্যিকারের আউটপুট (uv run python heuristic_probe.py; শেষ লাইন খালি কার্টের পাতা থেকে):

1 address prefilled: ''
  phone prefilled: '01700000001'
  checked method: cash
2 order button top y at 360x740: 979 (fold 740)
  order button height px: 40
3 confirm dialogs before cancel: 0
  actions left: []
4 cart page: আপনার কার্ট খালি। কেনাকাটা শুরু করুন

একই কপিতে আরেকটি run-এ (নিচের অংশ ৬-এর task script) ফোনের ঘরে বাংলা অঙ্কে ০১৭০০০০০০০১ লিখে অর্ডার চাপা হয়েছিল। পাতা যে বার্তা দেখাল, হুবহু:

error shown: ফোন নম্বর ১১ অঙ্কের হতে হবে, 01 দিয়ে শুরু, তৃতীয় অঙ্ক 3–9
address kept after error: True

৩৬০ px চওড়া পুরো পাতার screenshot-ও তোলা হয়েছিল (full_page=True). ছবিতে ওপর থেকে: জেলা, খালি ঠিকানা, ভরা মোবাইল নম্বর আর নিচে ধূসর লেখা “১১ অঙ্ক, 01 দিয়ে শুরু, যেমন 01712345678”; পেমেন্ট (ক্যাশ বাছা); “হিসাব (টাকা)”-য় মোট ৪৮০; একেবারে নিচে “অর্ডার করুন”। প্রথম ৭৪০ px-এ হিসাব আর বোতাম দেখা যায় না।

একজন evaluator-এর (এই কোর্সের লেখক) finding তালিকা — তাই অসম্পূর্ণ:

IDযা দেখা গেল (প্রমাণ)HeuristicSeverity
HE-1বাংলা অঙ্কে ১১ অঙ্ক লিখলে বার্তা বলে “১১ অঙ্কের হতে হবে, 01 দিয়ে শুরু” — ক্রেতা ঠিক তা-ই লিখেছেন; আসল কারণ (ইংরেজি অঙ্ক লাগবে) বলা নেইH9, H23
HE-2অর্ডার বাতিল এক চাপে, কোনো নিশ্চিতকরণ নেই (dialog ০টি), আর বাতিলের পরে কোনো কাজ বাকি থাকে না — ফেরার পথ নেইH5, H33
HE-3ফোন নম্বর আগে থেকে ভরা, কিন্তু ঠিকানা প্রতিবার খালি; নিয়মিত ক্রেতাকে প্রতিবার লিখতে হয়H6, H72
HE-4৩৬০ × ৭৪০-এ মোট দাম আর বোতাম প্রথম পর্দার নিচে (বোতামের ওপর-প্রান্ত ৯৭৯ px); জেলা বদলালে মোট দাম বদলায় চোখের আড়ালেH1, H82
HE-5সাহায্যের লেখায় “১১” বাংলা অঙ্কে, উদাহরণ “01712345678” ইংরেজিতে; কোন অঙ্কে লিখতে হবে, তা অস্পষ্টH4, H101
ভালোError-এর পরে ঠিকানা মুছে যায় না (True); ক্যাশ আগে থেকে বাছা; লেবেল সব বাংলায়, ক্রেতার চেনা শব্দেH9, H2—

দুটি জানা সমস্যাও usability-র চোখে দেখার মতো। ৩২০ px-এ কার্টের পাতা ৪৬ px পাশে সরে যায় (পর্ব ৪২) — H8. আর wallet timeout-এর পরে বার্তা বলে “আবার চেষ্টা করুন”, ক্রেতা আবার চাপেন, দুবার charge হয় (পর্ব ৩৭)। বার্তাটি নিজেই ভুল কাজে ঠেলে দেয়: H9, severity ৪।

Cognitive walkthrough — একজন নতুন ক্রেতার চোখে

Cognitive walkthrough একটি নির্দিষ্ট কাজ ধরে প্রতিটি ধাপে নতুন ব্যবহারকারীর মনের প্রশ্ন জিজ্ঞেস করে। Wharton, Rieman, Lewis আর Polson-এর ১৯৯৪ সালের practitioner's guide-এ প্রতিটি ধাপে চারটি প্রশ্ন আছে। “ফোন নম্বর লেখা” ধাপে প্রয়োগ, ব্যবহারকারী: বাংলা কীবোর্ডে অভ্যস্ত একজন নতুন ক্রেতা:

প্রশ্নউত্তর
১. ব্যবহারকারী কি ঠিক ফল পেতে চাইবেন?হ্যাঁ — তিনি জানেন অর্ডারে ফোন নম্বর লাগে
২. ঠিক কাজটি যে করা যায়, তা কি চোখে পড়বে?হ্যাঁ — “মোবাইল নম্বর” লেবেলসহ ঘর আছে, আগে থেকে ভরাও
৩. কাজটিকে কি তিনি ফলের সাথে মেলাবেন?ঝুঁকি — তিনি জানেন না যে বাংলা অঙ্ক চলবে না; সাহায্যের লেখা দুই রকম অঙ্ক মেশায়
৪. কাজের পরে কি বুঝবেন যে এগোচ্ছেন?না — error বার্তা এমন শর্ত বলে, যা তিনি মেনেছেন বলে ভাবেন; কী বদলাতে হবে বোঝা যায় না

দুটি “না” বা “ঝুঁকি” মানে নতুন ব্যবহারকারী এখানে আটকাবেন বলে আশঙ্কা — HE-1-এর সাথে মেলে, কিন্তু এখনো বিশেষজ্ঞের অনুমান। আসল মানুষ আটকান কি না, তা পরের অংশের কাজ।

৫ · একটি usability session-এর পরিকল্পনা — ৫টি task

বাজারঘরের দল ঠিক করল, পরের সপ্তাহে পাঁচজন ক্রেতাকে নিয়ে একটি moderated usability test হবে: একজন সঞ্চালক (moderator) পাশে বসে বা ভিডিও কলে কাজ দেবেন আর দেখবেন। পরিকল্পনা ধাপে ধাপে:

Test plan · বাজারঘর checkout
ধাপ
সিদ্ধান্ত
সময়
  1. লক্ষ্য। একটি স্পষ্ট প্রশ্ন: “প্রথমবারের ক্রেতা নিজের ফোনে, সাহায্য ছাড়া, ক্যাশে অর্ডার দিতে পারেন কি, আর কোথায় আটকান?”
  2. অংশগ্রহণকারী। পাঁচজন, একটি ছোট screener প্রশ্নমালা দিয়ে বাছা: আগে বাজারঘর ব্যবহার করেননি, নিজের Android ফোন আছে; জেলা, বয়স আর অভিজ্ঞতায় বৈচিত্র্য; দলের কর্মী নন। এই পাতার P1–P5 কাল্পনিক।
  3. Task লেখা। প্রতিটি task একটি ছোট গল্প, যাতে উদ্দেশ্য আছে কিন্তু বোতামের নাম নেই। ভুল: “চেকআউট বোতাম চাপুন।” ঠিক: “আপনার মা ক্যাশে টাকা দিয়ে মিরপুরের বাসায় ৫ কেজি চাল আর ১ কেজি ডাল আনাতে চান। অর্ডারটি দিন।” পাঁচটি task: T1 চাল খুঁজে কার্টে, T2 ডালের পরিমাণ ২ করা, T3 রাজশাহীতে পাঠালে মোট কত জানা, T4 ক্যাশে অর্ডার, T5 অর্ডারের অবস্থা দেখা।
  4. সফলতার শর্ত। আগে লেখা, যাতে পরে তর্ক না হয়। T4 সফল = “অর্ডার হয়েছে” পাতা, সাহায্য ছাড়া; সাহায্য লাগলে বা হাল ছাড়লে ব্যর্থ।
  5. মাপ। প্রতিটি task-এ সফলতা, সময়, error আর think-aloud নোট; শেষে SUS. রেকর্ড হবে পর্দা আর কণ্ঠ — সম্মতিপত্রে লেখা কী রেকর্ড হবে, কে দেখবেন, কতদিন থাকবে।
  6. Pilot. আসল session-এর আগে একজন সহকর্মীকে দিয়ে পুরোটা চালানো। এতে ধরা পড়ল T3-এর শব্দে “ডেলিভারি চার্জ” লেখা ছিল — যা আসলে উত্তরের ইঙ্গিত দেয়। শব্দ বদলে করা হলো “রাজশাহীতে খালার বাসায় পাঠালে মোট কত টাকা দিতে হবে?”

বাংলাদেশে অংশগ্রহণকারী খোঁজা — বাস্তবের কথা

  • ফোন আর নেট আসল: অংশগ্রহণকারীর নিজের পুরোনো Android আর নিজের নেটে test সবচেয়ে বাস্তব; অফিসের Wi-Fi আর নতুন ফোনে ধীরতার সমস্যা লুকায়।
  • মোবাইল ডেটার খরচ: ভিডিও কলের session অংশগ্রহণকারীর ডেটা খায়; সম্ভব হলে সামনাসামনি, নয়তো ডেটার দায়িত্ব আয়োজকের — আগে জানিয়ে।
  • প্রতিনিধি, সুবিধাজনক নয়: শুধু বন্ধু বা সহকর্মী নিলে ঢাকার তরুণ, প্রযুক্তিতে স্বচ্ছন্দ মানুষের ফল আসে; বয়স্ক ক্রেতা, শেয়ার করা ফোনের ব্যবহারকারী, জেলা শহরের মানুষও নিন।
  • ভাষা, সম্মান, গোপনীয়তা: শুরুতেই “আমরা app-কে পরীক্ষা করছি, আপনাকে নয়।” আসল ফোন নম্বর বা ঠিকানা নয়, test account আর কাল্পনিক ঠিকানা; রেকর্ডিং দলের বাইরে নয়।

৬ · Session চালানো — think-aloud, সঞ্চালক আর মাপ

Session-এ অংশগ্রহণকারীকে বলা হয় কাজ করতে করতে মনের কথা জোরে বলতে: “এখন চাল খুঁজছি… এই বোতামটা কি কার্ট?…” একে বলে think-aloud. মনোবিজ্ঞানী K. Anders Ericsson আর Herbert Simon মানুষের চিন্তা পড়ার পদ্ধতি হিসেবে এর তত্ত্ব দাঁড় করান (১৯৮০-র দশকে), আর IBM-এ Clayton Lewis ১৯৮২ সালের দিকে একে interface যাচাইয়ে আনেন। এর শক্তি: শুধু “কোথায়” নয়, “কেন” আটকালেন। দুর্বলতা: জোরে বলতে গিয়ে কাজ ধীর হয়, তাই এই সময় আসল ব্যবহারের সময় নয়।

ধরনকীভাবেসুবিধাসীমা
Moderated, সামনাসামনিসঞ্চালক পাশেপ্রশ্ন করা যায়, মুখের ভাব দেখা যায়সময়, যাতায়াত; পাশে কেউ থাকলে আচরণ বদলায়
Moderated, দূর থেকেভিডিও কলে পর্দা শেয়ারঅন্য জেলার মানুষ সহজেনেট আর ডেটার ওপর নির্ভর
UnmoderatedTool নির্দেশ দেয় আর রেকর্ড করেঅনেকজন, দ্রুতআটকালে কেউ “কেন” জিজ্ঞেস করে না

সঞ্চালকের নিয়ম

  • সাহায্য নয়, নিরপেক্ষ প্রশ্ন: “কী খুঁজছেন?” ঠিক; “ওপরের সবুজ বোতামটা দেখেছেন?” ভুল — উত্তর বলে দেওয়া। নীরবতাও তথ্য; সঙ্গে সঙ্গে বাঁচাতে যাবেন না।
  • হুবহু নোট: “বিভ্রান্ত মনে হলো” নয়; “০১৭… লিখলেন, error দেখে বললেন ‘আমি তো ১১টাই লিখেছি’।”
  • থামার নিয়ম আগে ঠিক: সর্বোচ্চ সময় (যেমন ৫ মিনিট) পেরোলে বা হাল ছাড়লে — ব্যর্থ লিখে পরের task.

যন্ত্র দিয়ে task-এর সময় — একটি প্রক্সি, মানুষের সময় নয়

Automation একটি তুলনা দেয়: একই task-এ দুটি পথের ধাপ কত। নিচের script (একই কপি, Edge, ৩৬০ × ৭৪০) মিতু হিসেবে T4-এর মতো task পাঁচবার চালায়, প্রতিবার নতুন seed-এ। পথ B-তে আগে ফোন বাংলা অঙ্কে, error, তারপর ঠিক করা।

page.get_by_label("ঠিকানা").fill("বাড়ি ১২, রোড ৩, মিরপুর"); step("field")
if bangla_phone_first:
    page.get_by_label("মোবাইল নম্বর").fill("০১৭০০০০০০০১"); step("field")
    page.get_by_role("button", name="অর্ডার করুন").click(); step("click")
    err = page.get_by_test_id("checkout-error")
    expect(err).to_be_visible()
    page.get_by_label("মোবাইল নম্বর").fill("01700000001"); step("field")
page.get_by_role("button", name="অর্ডার করুন").click(); step("click")
expect(page.get_by_test_id("order-status")).to_have_text("অর্ডার হয়েছে")

সত্যিকারের আউটপুট:

A clean path: pages 3, clicks 6, fields 3
  ms per run: [2138, 2111, 2128, 2168, 2186] median 2138
B bangla digits first: pages 3, clicks 7, fields 5
  ms per run: [2260, 2262, 2284, 2206, 2261] median 2261

এই সংখ্যাগুলো কোনো মানুষের সময় নয়। যন্ত্র পড়ে না, ভাবে না; error বার্তা বুঝতে তার শূন্য সেকেন্ড লাগে, তাই A আর B-র ব্যবধান মাত্র ১২৩ ms (২২৬১ − ২১৩৮), আর দুটি সময়েই app-এর ইচ্ছাকৃত ৪০০ ms UI বিরতি দুবার আছে। এই run যা বলে, তা ধাপের হিসাব: ভুল পথে একটি বাড়তি click আর দুটি বাড়তি ঘর। মানুষের জন্য তার আগে আছে বার্তা পড়া, বিভ্রান্তি আর কারণ খোঁজা — যা মাপতে মানুষ লাগে।

মানুষের session-এর মাপ — কাল্পনিক অংশগ্রহণকারীদের ডেটা

তিনটি প্রচলিত মাপ: task success (কত ভাগ মানুষ শর্ত পূরণ করলেন), time on task (সফলদের কত সময় লাগল), আর error (ভুল পথ, ভুল input, পেছনে ফেরা)। নিচের ডেটা কাল্পনিক অংশগ্রহণকারী P1–P5-এর, শিক্ষার জন্য বানানো; কোনো আসল মানুষের নয়। প্রতিটি সারি একজনের (সফলতা ১/০, সেকেন্ড, error-এর সংখ্যা):

import math, statistics
# INVENTED session data (কাল্পনিক): per task, per participant P1..P5
# (success 1/0, seconds, errors). Failure = gave up or needed help.
DATA = {
    "T1": [(1, 48, 0), (1, 95, 1), (1, 62, 0), (1, 40, 0), (1, 71, 1)],
    "T2": [(1, 35, 0), (0, 120, 2), (1, 58, 1), (1, 30, 0), (1, 66, 1)],
    "T3": [(1, 80, 1), (0, 150, 2), (0, 140, 3), (1, 55, 0), (1, 90, 1)],
    "T4": [(1, 110, 1), (0, 240, 3), (1, 180, 2), (1, 95, 0), (0, 210, 2)],
    "T5": [(1, 25, 0), (1, 70, 0), (1, 45, 0), (1, 20, 0), (1, 38, 0)],
}

def geo_mean(xs):
    return math.exp(sum(math.log(x) for x in xs) / len(xs))

all_ok = all_n = all_err = 0
for task, rows in DATA.items():
    ok_times = [t for s, t, _ in rows if s]
    ok, n = len(ok_times), len(rows)
    errors = sum(e for _, _, e in rows)
    all_ok, all_n, all_err = all_ok + ok, all_n + n, all_err + errors
    print(f"{task} success {ok}/{n} {100 * ok / n:3.0f}% | median"
          f" {statistics.median(ok_times):5.1f}s geo {geo_mean(ok_times):5.1f}s"
          f" | err {errors}")
print(f"overall success {all_ok}/{all_n} = {100 * all_ok / all_n:.0f}%,"
      f" errors {all_err}")

আসল আউটপুট (ব্রাউজারের Python):

T1 success 5/5 100% | median  62.0s geo  60.4s | err 2
T2 success 4/5  80% | median  46.5s geo  44.8s | err 4
T3 success 3/5  60% | median  80.0s geo  73.4s | err 7
T4 success 3/5  60% | median 110.0s geo 123.4s | err 8
T5 success 5/5 100% | median  38.0s geo  35.9s | err 0
overall success 20/25 = 80%, errors 21

কী পড়বেন: T3 আর T4 সবচেয়ে দুর্বল — পাঁচজনে তিনজন সফল, আর error সবচেয়ে বেশি (৭ ও ৮)। T4 HE-1-এর আশঙ্কার সাথে মেলে; কারণ নিশ্চিত হবে think-aloud নোট থেকে (অংশ ৯)। পাঁচজনের ৬০% সমস্যার সংকেত, সব ক্রেতার পরিমাপ নয়। সময় গোনা হয়েছে শুধু সফলদের; ব্যর্থদের সময় মানে “কতক্ষণ পরে হাল ছাড়লেন”।

কেন median আর geometric mean: সময়ের ডেটা ডান দিকে হেলানো — বেশিরভাগ দ্রুত, দু-একজন অনেক ধীর। সাধারণ গড় সেই ধীর একজনের দিকে টানে। Median মাঝের মান; geometric mean log-এর গড়, যা ছোট নমুনায় সময়ের জন্য Jeff Sauro আর James Lewis-এর মতো গবেষকরা সুপারিশ করেন। পর্ব ৪৬-এর percentile-এর যুক্তির সাথে মিল আছে।

৭ · SUS — দশ প্রশ্নের সন্তুষ্টির মাপ

সব task শেষে satisfaction মাপার সবচেয়ে প্রচলিত প্রশ্নমালা System Usability Scale (SUS). John Brooke এটি বানান ১৯৮৬ সালে Digital Equipment Corporation-এ, “দ্রুত আর মোটামুটি” একটি মাপ হিসেবে; ১৯৯৬ সালে একটি বইয়ের অধ্যায়ে প্রকাশিত হয়। সূত্র উল্লেখ করে বিনামূল্যে ব্যবহার করা যায়। দশটি বাক্য, প্রতিটিতে ১ (একদম একমত নই) থেকে ৫ (পুরো একমত) — একটি Likert scale. বিজোড় বাক্যগুলো ইতিবাচক, জোড়গুলো নেতিবাচক। নিজের ভাষায় দশটি (মূল ইংরেজির সারকথা; বাংলা অনুবাদ ব্যবহারের আগে যাচাই করুন):

#বাক্যের সারকথাদিক
1আমি এই system প্রায়ই ব্যবহার করতে চাইব+
2System-টি অকারণে জটিল−
3System-টি ব্যবহার করা সহজ+
4ব্যবহার করতে একজন কারিগরি সাহায্যকারী লাগবে−
5বিভিন্ন অংশ সুন্দরভাবে মিলে কাজ করে+
6অনেক অসামঞ্জস্য আছে−
7বেশিরভাগ মানুষ দ্রুত শিখে ফেলবেন+
8ব্যবহার করা খুব ঝামেলার−
9ব্যবহারের সময় আত্মবিশ্বাসী লেগেছে+
10শুরু করার আগে অনেক কিছু শিখতে হয়েছে−

হিসাবের নিয়ম নির্দিষ্ট: বিজোড় বাক্যে অবদান = উত্তর − ১; জোড় বাক্যে অবদান = ৫ − উত্তর। প্রতিটি অবদান ০ থেকে ৪, দশটির যোগফল ০ থেকে ৪০; তাকে ২.৫ দিয়ে গুণ করলে ০ থেকে ১০০. কাল্পনিক অংশগ্রহণকারী P1-এর উত্তর ধরে:

P1 (কাল্পনিক) · উত্তর 4 2 4 1 4 2 5 2 4 2
বিজোড় 1,3,5,7,9
জোড় 2,4,6,8,10
যোগফল
স্কোর
  1. কাঁচা উত্তর। P1 দশটি বাক্যে ১–৫ দিয়েছেন: 4 2 4 1 4 2 5 2 4 2. বিজোড় বাক্যের উত্তর (4 4 4 5 4) উঁচু, জোড়ের (2 1 2 2 2) নিচু — ইতিবাচক মনোভাব, কিন্তু কাঁচা উত্তর সরাসরি যোগ করা যায় না, কারণ দুই দলের দিক উল্টো।
  2. বিজোড় বাক্য। ইতিবাচক বাক্যে ৫ মানে সবচেয়ে ভালো, তাই অবদান = উত্তর − ১: 3 3 3 4 3, যোগফল ১৬।
  3. জোড় বাক্য। নেতিবাচক বাক্যে ১ মানে সবচেয়ে ভালো (“জটিল নয়”), তাই উল্টে নেওয়া: অবদান = ৫ − উত্তর: 3 4 3 3 3, যোগফল ১৬। এখন দুই দলের দিক এক — বড় মানে ভালো।
  4. যোগ। ১৬ + ১৬ = ৩২, সম্ভাব্য ৪০-এর মধ্যে।
  5. স্কেল বদল। ৩২ × ২.৫ = ৮০.০. গুণক ২.৫ আসে ১০০ ÷ ৪০ থেকে — শুধু ০–১০০-এ আনার জন্য।
  6. পড়ার নিয়ম। ৮০ মানে “৮০% ব্যবহারযোগ্য” নয়; এটি একটি স্কেলের অবস্থান। Jeff Sauro-র মতো গবেষকদের বহু study-র বিশ্লেষণে গড় SUS মোটামুটি ৬৮-এর কাছে পাওয়া গেছে বলে প্রায়ই উদ্ধৃত হয় — সেই তুলনায় P1-এর অভিজ্ঞতা গড়ের ওপরে। কিন্তু একজনের স্কোর দিয়ে পণ্য বিচার হয় না।

পাঁচজনের হিসাব একসাথে, আর একটি অসম্পূর্ণ উত্তর-সেট ধরার যাচাইসহ:

# SUS (Brooke): 10 items, answers 1..5. INVENTED participants (কাল্পনিক).
RESPONSES = {
    "P1": [4, 2, 4, 1, 4, 2, 5, 2, 4, 2],
    "P2": [3, 3, 3, 2, 3, 3, 4, 3, 3, 3],
    "P3": [2, 4, 2, 3, 3, 4, 3, 4, 2, 4],
    "P4": [5, 1, 5, 1, 4, 1, 5, 1, 5, 2],
    "P5": [4, 2, 3, 2, 4, 2, 4, 2, 3, 3],
}

def sus(answers):
    if len(answers) != 10 or not all(a in (1, 2, 3, 4, 5) for a in answers):
        raise ValueError("SUS needs 10 answers from 1 to 5")
    odd = sum(a - 1 for a in answers[0::2])    # items 1,3,5,7,9 (positive)
    even = sum(5 - a for a in answers[1::2])   # items 2,4,6,8,10 (negative)
    return odd, even, (odd + even) * 2.5

scores = []
for pid, answers in RESPONSES.items():
    odd, even, score = sus(answers)
    scores.append(score)
    print(f"{pid}: odd {odd:2} + even {even:2} = {odd + even:2} x 2.5 = {score:5.1f}")

mean = sum(scores) / len(scores)
print(f"mean SUS of {len(scores)} invented participants: {mean:.1f}")
print("not a percentage: 0..100 is a scale, not 'percent usable'")

try:
    sus([4, 2, 4, 1, 4, 2, 5, 2, 4])           # one answer missing
except ValueError as e:
    print("rejected:", e)

আসল আউটপুট (ব্রাউজারের Python):

P1: odd 16 + even 16 = 32 x 2.5 =  80.0
P2: odd 11 + even 11 = 22 x 2.5 =  55.0
P3: odd  7 + even  6 = 13 x 2.5 =  32.5
P4: odd 19 + even 19 = 38 x 2.5 =  95.0
P5: odd 13 + even 14 = 27 x 2.5 =  67.5
mean SUS of 5 invented participants: 66.0
not a percentage: 0..100 is a scale, not 'percent usable'
rejected: SUS needs 10 answers from 1 to 5

answers[0::2] মানে প্রথম, তৃতীয়, পঞ্চম… — অর্থাৎ বাক্য 1, 3, 5, 7, 9 (Python-এর index ০ থেকে শুরু); answers[1::2] জোড় বাক্য। পাঁচজনের গড় ৬৬.০, কিন্তু ছড়ানো বিশাল: P3 ৩২.৫, P4 ৯৫.০. গড়ের চেয়ে বেশি কাজের প্রশ্ন: “P3 কেন এত কম?” P3 T3 আর T4 দুটিতেই আটকেছিলেন (আগের ডেটায় T3-এ ব্যর্থ, T4-এ ১৮০ সেকেন্ড আর ২টি error). SUS কোথায় সমস্যা, তা বলে না; বলে কতটা খারাপ লেগেছে। “কোথায়” আসে পর্যবেক্ষণ থেকে।

শেষ লাইন: নয়টি উত্তর এলে হিসাব চুপচাপ ভুল ফল না দিয়ে আটকায়।

৮ · কতজন ব্যবহারকারী? “৫ জন” আর তার সমালোচনা

Jakob Nielsen আর Thomas Landauer ১৯৯৩ সালে একটি সহজ মডেল প্রকাশ করেন: একজন ব্যবহারকারী গড়ে মোট সমস্যার L ভাগ দেখান, তাহলে n জন মিলে পাওয়া ভাগ ≈ ১ − (১ − L)n. তাঁদের বিশ্লেষিত প্রকল্পগুলোতে L-এর গড় ছিল প্রায় ০.৩১. এই সংখ্যা ধরে Nielsen ২০০০ সালে একটি বহুল পঠিত লেখায় যুক্তি দেন, পাঁচজনেই প্রায় ৮৫% সমস্যা পাওয়া যায়; তাই বড় একটি test-এর চেয়ে পাঁচজন করে কয়েকটি ছোট test, প্রতিবার নকশা শুধরে, বেশি কাজের। এই problem discovery curve নিচে, দুটি ভিন্ন L-এ:

কতজনে কত ভাগ সমস্যা — ১ − (১ − L)n

সবুজ: L = ০.৩১ (Nielsen-Landauer-এর গড়); কমলা: L = ০.১০ (কম চোখে পড়া সমস্যা)। বিন্দুগুলো script দিয়ে হিসাব করা।

Problem discovery curve, L = 0.31 আর L = 0.10 100% 50% 0 0 5 10 15 ব্যবহারকারীর সংখ্যা n 84% 41% L = 0.31 L = 0.10
ছবি ৫৫.২ — একই পাঁচজন, ভিন্ন L: সমস্যা সহজে চোখে পড়লে ৮৪%, কম চোখে পড়লে মাত্র ৪১%.

সমালোচনা এসেছে কয়েক দিক থেকে। Jared Spool আর Will Schroeder (২০০১) বড় e-commerce সাইটে দেখেন, প্রতিটি নতুন অংশগ্রহণকারী অনেক দূর পর্যন্ত নতুন সমস্যা দেখাচ্ছেন — পাঁচজন যথেষ্টের ধারেকাছেও নয়। Laura Faulkner (২০০৩) একই ডেটা থেকে এলোমেলোভাবে পাঁচজনের অনেক দল বানিয়ে দেখান, গড়ে অনেকটা পাওয়া গেলেও কোনো কোনো পাঁচজনের দল অনেক কম সমস্যা পায়। মূল কথা: L সব সমস্যার জন্য এক নয়। কিছু সমস্যা প্রায় সবার চোখে পড়ে, কিছু খুব কম জনের। গড় L দিয়ে হিসাব করলে বিরল সমস্যাগুলো লুকিয়ে যায়। নিচের simulation ঠিক এটি দেখায় — ২০টি কাল্পনিক সমস্যা, ১০টি সহজ (৬০% মানুষ দেখেন), ১০টি কঠিন (৫%):

import random
# Nielsen & Landauer style curve: share found = 1 - (1 - L)^n
for L in (0.31, 0.10):
    row = [f"{100 * (1 - (1 - L) ** n):3.0f}%" for n in (1, 3, 5, 10, 15)]
    print(f"L={L:.2f}  n=1,3,5,10,15 ->", " ".join(row))

# Critique: real problems differ. INVENTED set of 20 problems:
# 10 easy (seen by 60% of users), 10 hard (seen by 5%). Mean L = 0.325.
random.seed(55)
probs = [0.60] * 10 + [0.05] * 10
L = sum(probs) / len(probs)
print(f"mean L = {L:.3f}, formula says n=5 finds {100 * (1 - (1 - L) ** 5):.0f}%")
for n in (5, 15):
    found_easy, found_hard, trials = 0, 0, 2000
    for _ in range(trials):
        seen = [any(random.random() < p for _ in range(n)) for p in probs]
        found_easy += sum(seen[:10])
        found_hard += sum(seen[10:])
    total = (found_easy + found_hard) / trials
    print(f"n={n:2}: easy {found_easy / trials:4.1f}/10, hard"
          f" {found_hard / trials:4.1f}/10, all {100 * total / 20:.0f}%")

আসল আউটপুট (ব্রাউজারের Python, seed 55):

L=0.31  n=1,3,5,10,15 ->  31%  67%  84%  98% 100%
L=0.10  n=1,3,5,10,15 ->  10%  27%  41%  65%  79%
mean L = 0.325, formula says n=5 finds 86%
n= 5: easy  9.9/10, hard  2.2/10, all 61%
n=15: easy 10.0/10, hard  5.4/10, all 77%

গড় L (০.৩২৫) দিয়ে সূত্র বলে পাঁচজনে ৮৬%; কিন্তু simulation-এ পাঁচজন পান গড়ে মাত্র ৬১% — সহজ দশটির প্রায় সব, কঠিন দশটির মাত্র ২টির মতো। পনেরোজনেও কঠিন সমস্যার অর্ধেকের মতো বাকি। (১৫ জনে “১০০%” আসলে rounding.)

বাস্তব সিদ্ধান্ত: পাঁচজনের ছোট test পুনরাবৃত্ত নকশার জন্য চমৎকার — বড়, সবার চোখে পড়া সমস্যা দ্রুত ধরে। কিন্তু ভিন্ন ব্যবহারকারী-দল (ক্রেতা বনাম অ্যাডমিন) থাকলে প্রতিটি দলে কয়েকজন লাগে; বিরল কিন্তু গুরুতর সমস্যায় বেশি মানুষ, analytics আর ঝুঁকিভিত্তিক test লাগে; আর নির্ভরযোগ্য শতাংশ বা দুটি নকশার তুলনায় পাঁচজন যথেষ্ট নয়।

A/B test আর preference test — সংক্ষেপে

দুটি নকশার কোনটি ভালো, তা হাজারো আসল ব্যবহারকারীর ওপর মাপার পদ্ধতি A/B test: ব্যবহারকারীদের এলোমেলোভাবে দুই ভাগে ভাগ করে একেকটি রূপ দেখানো, তারপর একটি মাপ (যেমন অর্ডার সম্পূর্ণ হওয়ার হার) তুলনা। এর পরিসংখ্যান মেশিন লার্নিং কোর্সের পর্ব ৬২-এ আছে; production-এ feature flag দিয়ে চালানো পর্ব ৬৬ (Production-এ testing)-এ আসবে। A/B test বলে কোনটি জিতল, কিন্তু কেন — তা বলে না; তাই usability session আর A/B test একে অপরের পরিপূরক।

ছোট পরিসরে একটি preference test হয়: কয়েকজনকে দুটি রূপ দেখিয়ে জিজ্ঞেস করা কোনটি পছন্দ। নিচে একটি কাল্পনিক prototype — একই বোতামের দুটি লেবেল। নিজে চালিয়ে যেটি চাপতেন, সেটি চাপুন:

// Invented prototype: the same button with two labels.
const labels = {
  A: 'জমা দিন',
  B: 'অর্ডার নিশ্চিত করুন · ৪৮০ টাকা',
};
const participant = 3;                                   // invented P3
const order = participant % 2 ? ['B', 'A'] : ['A', 'B']; // counterbalance
const ui = document.getElementById('ui');
const shownAt = performance.now();
ui.innerHTML = '<p>মোট ৪৮০ টাকা · ক্যাশ · ঢাকা</p>';
for (const v of order) {
  const b = document.createElement('button');
  b.textContent = labels[v];
  b.style.cssText = 'display:block;margin:6px 0;padding:8px;font-size:15px';
  b.onclick = () => {
    const ms = Math.round(performance.now() - shownAt);
    console.log(`choice ${v} after ${ms} ms (your own click)`);
    console.log('one click shows a preference, not proof');
  };
  ui.append(b);
}
console.log(`P${participant} sees order: ${order.join(' then ')}`);
console.log('click the button you would press to place the order');

চালানোর সঙ্গে সঙ্গে আসল আউটপুট:

P3 sees order: B then A
click the button you would press to place the order

বোতাম চাপলে আপনার নিজের পছন্দ আর সময় আসে, যেমন choice B after … ms — সংখ্যাটি আপনার, অন্য কারও নয়। দুটি কৌশল লক্ষ করুন। Counterbalancing: বিজোড় অংশগ্রহণকারী আগে B দেখেন, জোড় আগে A — নইলে “প্রথমটাই বেছে নেওয়া”র প্রবণতা ফল ঘুরিয়ে দিত। সীমা: পছন্দ আর কাজের সাফল্য আলাদা; B লেবেল H1-এর দিক থেকে যুক্তিসংগত (কী ঘটবে, কত টাকা), কিন্তু সিদ্ধান্ত আসবে task-এর মাপ থেকে।

৯ · পর্যবেক্ষণ থেকে finding — লিখে দলকে বোঝানো

Session শেষে হাতে ভিডিও আর এলোমেলো নোট। কাজে লাগাতে সেগুলোকে finding-এ বদলাতে হয়: নির্দিষ্ট সমস্যা, প্রমাণ, কতজন, কতটা গুরুতর, কী করা যায়। T4-এর নোট থেকে একটি finding-এর যাত্রা (নোটগুলো কাল্পনিক অংশগ্রহণকারীদের):

Finding UX-3 · checkout · T4
হাতে কী
যুক্ত
Severity
  1. কাঁচা পর্যবেক্ষণ। P2 (কাল্পনিক) বাংলা কীবোর্ডে ০১৭… লিখে অর্ডার চাপলেন; error দেখে বললেন, “আমি তো ১১টাই লিখেছি।” আবার একই নম্বর, আবার error; শেষে হাল ছাড়লেন। নোটে ভিডিওর সময় ০২:১৪ আর হুবহু উক্তি।
  2. একাধিক জনের মিল। নোট পাশাপাশি রাখলে P3 আর P5-ও একই কাজ করেছেন। P3 শেষে ইংরেজি কীবোর্ডে বদলে সফল (১৮০ সেকেন্ড, ২টি error), P5 হাল ছাড়লেন। মিলটি HE-1-এর সাথেও।
  3. কারণ আর heuristic. তিনজনেরই একই ধারা: বাংলা অঙ্ক → বার্তা কারণ বলে না → একই ভুল আবার। H9 (বার্তা ভুল বুঝতে আর সারাতে সাহায্য করে না) আর H2 (ক্রেতার স্বাভাবিক লেখার ধরন system বোঝে না)।
  4. Severity. Frequency: পাঁচজনে তিনজন। Impact: দুজন অর্ডারই দিতে পারেননি — দোকানের সরাসরি ক্ষতি। Persistence: বার্তা না বদলালে প্রতিটি অর্ডারে একই। তিনটিই উঁচু, তাই ৪ — release-এর আগে ঠিক করতেই হবে।
  5. লেখা। শিরোনাম সমস্যা বলে, সমাধান নয়: “বাংলা অঙ্কে লেখা ফোন নম্বরে অর্ডার আটকায়; বার্তা কারণ বলে না।” সাথে task, কতজন, ভিডিওর সময়, উক্তি আর HE-1; কাউকে দোষ নয়।
  6. প্রস্তাব আর retest. পর্ব ১৪-এর নিয়মে বাংলা অঙ্ক validator-এর আগে একটি আলাদা ধাপে ইংরেজিতে রূপান্তর হওয়ার কথা — web checkout-এ সেই ধাপ নেই। প্রস্তাব: ধাপটি যোগ করা, আর বার্তা স্পষ্ট করা। Fix-এর পরে পরের পাঁচজনের session-এ আবার T4 — সমস্যা সত্যিই গেল কি না।

একটি ভালো usability রিপোর্ট

  • এক পাতার সারসংক্ষেপ: লক্ষ্য, কারা (প্রোফাইল, নাম নয়), জরুরি তিনটি finding; সাথে যা ভালো কাজ করেছে (T5).
  • প্রতিটি finding-এ: শিরোনাম, task, কতজন (৩/৫), severity, প্রমাণ, কারণ, প্রস্তাব; severity ৩–৪ যায় bug tracker-এ।
  • সীমা স্পষ্ট: পাঁচজন, moderated; শতাংশ সংকেত, পরিমাপ নয়।

একটি usability requirement-ও পরীক্ষা করা যায়। পর্ব ১৫-এর NFR-1 বলে, delivered অর্ডার থেকে এক চাপে রিভিউ form খোলে। Automated test দেখায় link আছে আর এক চাপেই form; “ক্রেতা link খুঁজে পান কি?” — তার উত্তর দেয় একটি task. দুটি মিলে NFR-1 যাচাই।

আরও গভীরে: Morten Hertzum আর Niels Ebbe Jacobsen (২০০১) দেখান, একই ভিডিও দেখেও ভিন্ন evaluator ভিন্ন সমস্যার তালিকা বানান — একে বলে evaluator effect. ছোট নমুনায় task success-এর নির্ভরযোগ্য পরিসর পেতে Sauro আর Lewis “adjusted Wald” পদ্ধতির confidence interval সুপারিশ করেন। আর Card, Moran ও Newell-এর Keystroke-Level Model (১৯৮০) প্রতিটি চাপ আর ভাবার ধাপের গড় সময় যোগ করে দক্ষ ব্যবহারকারীর সময় আন্দাজ করে — নতুন ব্যবহারকারীর বিভ্রান্তি নয়।

পরীক্ষা ও ইন্টারভিউতে:

  • ISO 9241-11 অনুযায়ী usability-র তিনটি মাপ? — Effectiveness, efficiency আর satisfaction, নির্দিষ্ট ব্যবহারকারী, লক্ষ্য আর প্রসঙ্গে।
  • Heuristic evaluation আর usability test-এর পার্থক্য? — প্রথমটিতে বিশেষজ্ঞ নীতির সাথে মেলান (ব্যবহারকারী নেই); দ্বিতীয়টিতে আসল ব্যবহারকারী কাজ করেন আর পর্যবেক্ষণ হয়।
  • SUS স্কোর কীভাবে হিসাব করেন? — বিজোড়: উত্তর − ১; জোড়: ৫ − উত্তর; যোগফল × ২.৫; ফল ০–১০০, শতাংশ নয়।
  • ৫ জন ব্যবহারকারী কি সবসময় যথেষ্ট? — না; সূত্রটি গড় L ধরে। বিরল সমস্যা, একাধিক ব্যবহারকারী-দল বা সংখ্যার মাপের জন্য বেশি লাগে।
  • ভালো task কেমন? — উদ্দেশ্যসহ ছোট গল্প, বোতাম বা পথের নাম ছাড়া, আগে লেখা সফলতার শর্তসহ।

১০ · AI-এর যুগে usability testing

AI task-এর খসড়া, screener আর নোটের সারাংশে সাহায্য করে, কিন্তু আসল মানুষ কী করেন, তা জানে না। সাধারণ ভুল: “AI ব্যবহারকারী” বা বানানো persona-র “feedback”-কে পর্যবেক্ষণ বলে চালানো; task-এ উত্তরের ইঙ্গিত (“চেকআউট বোতাম চাপুন”) রাখা; Nielsen-এর heuristic-এর নাম ঠিক রেখে প্রতিটির নিচে সাধারণ, পণ্যের সাথে সম্পর্কহীন কথা লেখা; SUS-এর হিসাবে জোড়-বিজোড় উল্টানো বা স্কোরকে শতাংশ বলা; না-থাকা গবেষণা বা সংখ্যা উদ্ধৃত করা; আর session-এর ভিডিও বা transcript-এ থাকা ব্যক্তিগত তথ্য তৃতীয় পক্ষের tool-এ পাঠানো। Automated অংশে পরিচিত ভুলগুলোও: শুধু happy path, sleep, না চালিয়েই “সব পাস”, আর app যা করে সেটিকেই expected ধরা — সব test সবুজ থাকা সত্ত্বেও ক্রেতা আটকেছিলেন।

AI-কে প্রসঙ্গ আর সীমা দিন, আর ফল চান খসড়া হিসেবে, সিদ্ধান্ত হিসেবে নয়:

তুমি একজন অভিজ্ঞ usability researcher. বাজারঘর নামের একটি কাল্পনিক বাংলাদেশি অনলাইন মুদি দোকানের checkout-এর জন্য একটি moderated usability test-এর খসড়া বানাও। লক্ষ্য: প্রথমবারের ক্রেতা নিজের Android ফোনে, কারও সাহায্য ছাড়া, ক্যাশে অর্ডার দিতে পারেন কি, আর কোথায় আটকান। ১. ৫টি task লেখো, প্রতিটি উদ্দেশ্যসহ ছোট গল্প হিসেবে; কোনো বোতাম, মেনু বা পাতার নাম লিখবে না। ২. প্রতিটি task-এর সফলতার শর্ত আর সর্বোচ্চ সময় দাও। ৩. ৬–৮ প্রশ্নের একটি screener দাও; আসল ফোন নম্বর বা ঠিকানা চাইবে না। ৪. কোনো ব্যবহারকারীর উত্তর, স্কোর বা "feedback" বানিয়ে দেবে না; কোনো গবেষণার সংখ্যা উদ্ধৃত করলে সূত্রের নাম আর বছর দেবে, নিশ্চিত না হলে বলবে।

AI-এর খসড়া আর সারাংশ হাতে পেলে — যাচাইয়ের চেকলিস্ট

ভাবনার প্রশ্ন

প্রতিটি প্রশ্ন নিয়ে নিজে কিছুক্ষণ ভাবুন, তারপর “→ উত্তর” চাপুন।

প্র ০১“পাঁচজন ব্যবহারকারীই যথেষ্ট” — এই কথা কোথা থেকে এল, কেন এত জনপ্রিয় হলো, আর এর ভুল ব্যবহার কোথায়?

আশির দশকের শেষে usability testing ছিল ব্যয়বহুল আর ধীর: বিশেষ ল্যাব, একমুখী আয়না, অনেক অংশগ্রহণকারী, মোটা রিপোর্ট। ফলে অনেক দল test-ই করত না। Jakob Nielsen এর বিপরীতে “discount usability”-র পক্ষে লেখেন: ছোট, সস্তা, বারবার। এই যুক্তির গাণিতিক ভিত্তি আসে Nielsen আর Thomas Landauer-এর ১৯৯৩ সালের মডেল থেকে: প্রতিটি অংশগ্রহণকারী গড়ে L ভাগ সমস্যা দেখান, আর n জনে পাওয়া ভাগ ১ − (১ − L)n. তাঁদের দেখা প্রকল্পগুলোর গড় L প্রায় ০.৩১ ধরলে পাঁচজনে প্রায় ৮৫%. ২০০০ সালের “কেন মাত্র পাঁচজন লাগে” লেখাটি কথাটিকে জনপ্রিয় করে।

মূল প্রস্তাবটি কিন্তু “পাঁচজনে test শেষ” ছিল না। ছিল: একটি বড় test-এর বদলে পাঁচজন করে কয়েকটি ছোট test, প্রতিবার নকশা শুধরে। এই চক্রে পাঁচজন সত্যিই কাজের: প্রথম দল বড় সমস্যা দেখান, সারানোর পরে পরের দল আগে লুকানো সমস্যা।

সমস্যা হয় যখন কথাটি প্রসঙ্গ হারায়। Spool আর Schroeder (২০০১) বড় e-commerce সাইটে দেখেন, নতুন অংশগ্রহণকারীরা অনেক দূর পর্যন্ত নতুন সমস্যা দেখাচ্ছেন। Faulkner (২০০৩) দেখান, এলোমেলো পাঁচজনের কোনো কোনো দল অনেক কম সমস্যা পায় — গড় ভালো হলেও আপনার পাঁচজন সেই গড় পাবেন, তার নিশ্চয়তা নেই। এই পর্বের simulation-এ গড় L দিয়ে সূত্র বলে ৮৬%, অথচ সহজ আর কঠিন সমস্যা মেশালে পাঁচজন পান ৬১%. এছাড়া ব্যবহারকারীর দল আলাদা হলে (ক্রেতা, অ্যাডমিন, ডেলিভারিকর্মী) প্রতিটি দলের জন্য আলাদা ছোট নমুনা লাগে। আর “৬০% সফল” জাতীয় সংখ্যা চাইলে পাঁচজনের অনিশ্চয়তা এত বড় যে সংখ্যাটি প্রায় অর্থহীন।

মূল উপলব্ধি: পাঁচজন একটি পুনরাবৃত্ত নকশা-চক্রের মাপ, গবেষণার সর্বজনীন উত্তর নয়। প্রশ্ন যদি “বড় সমস্যা কোথায়?” হয়, পাঁচজন ভালো; প্রশ্ন যদি “কত ভাগ মানুষ?” বা “বিরল কিন্তু গুরুতর সমস্যা আছে কি?” হয়, পাঁচজন যথেষ্ট নয়।

প্র ০২Heuristic evaluation সস্তা আর দ্রুত — তবু একে usability test-এর বিকল্প বলা যায় না কেন? “evaluator effect” কী শেখায়?

Nielsen আর Molich ১৯৯০ সালে heuristic evaluation প্রকাশ করেন একটি বাস্তব সমস্যার উত্তর হিসেবে: ব্যবহারকারী নিয়ে test-এর সময় আর বাজেট সবার থাকে না, কিন্তু কয়েকজন প্রশিক্ষিত মানুষ কয়েক ঘণ্টায় একটি নকশার অনেক সমস্যা ধরতে পারেন। এই পর্বেও মানুষ ছাড়াই HE-1 থেকে HE-5 পাওয়া গেছে।

কিন্তু পদ্ধতির ভিত্তি হলো evaluator-এর অনুমান: “নতুন ক্রেতা এখানে আটকাবেন।” সেই অনুমান দুই দিকে ভুল হতে পারে। কিছু “সমস্যা” আসলে কাউকে আটকায় না (false alarm), যার পেছনে ডেভেলপারের সময় নষ্ট হয়। আবার কিছু সত্যিকারের সমস্যা বিশেষজ্ঞের চোখে পড়ে না, কারণ বিশেষজ্ঞ আর কখনো নতুন ব্যবহারকারী হতে পারেন না — যেমন কোন শব্দ একজন বয়স্ক ক্রেতার কাছে অচেনা, বা কেউ পুরো পাতা না পড়ে প্রথম বোতামেই চাপেন।

Hertzum আর Jacobsen (২০০১) আরেকটি অস্বস্তিকর সত্য দেখান: একই উপাদান — এমনকি একই usability test-এর ভিডিও — দেখে ভিন্ন evaluator উল্লেখযোগ্যভাবে ভিন্ন সমস্যার তালিকা বানান; একে বলে evaluator effect. Rolf Molich-এর নেতৃত্বে Comparative Usability Evaluation (CUE) study-গুলোতে একই সাইট কয়েকটি পেশাদার দলকে দিয়ে মূল্যায়ন করানো হয়, আর দলগুলোর তালিকায় মিল ছিল প্রত্যাশার চেয়ে অনেক কম বলে জানা যায়। শিক্ষা: একজনের তালিকা “সত্য” নয়, একটি নমুনা। তাই একাধিক evaluator, আলাদাভাবে কাজ, আর পরে ব্যবহারকারী দিয়ে যাচাই।

বাস্তবে দুটি পদ্ধতি একে অপরের সঙ্গী। আগে heuristic evaluation দিয়ে সস্তায় স্পষ্ট সমস্যা সারানো, যাতে মূল্যবান user session-এ মানুষ সেই পরিচিত সমস্যায় সময় নষ্ট না করেন; তারপর session দিয়ে বাকি আর অপ্রত্যাশিত সমস্যা খোঁজা — আর heuristic finding-এর কোনগুলো সত্যিই মানুষকে আটকায়, তা যাচাই করা।

মূল উপলব্ধি: Heuristic evaluation হলো অনুমানের একটি সুশৃঙ্খল তালিকা; usability test সেই অনুমানের পরীক্ষা। দুটির কোনোটিই একা পূর্ণ নয়, আর একজন evaluator-এর তালিকা কখনো পূর্ণ নয়।

প্র ০৩Think-aloud কি মানুষের আচরণ বদলে দেয়? Ericsson-Simon-এর তত্ত্ব আর বাস্তব usability lab-এর চর্চার মধ্যে পার্থক্য কোথায়?

মানুষের মনের ভেতরে কী ঘটে, তা জানার একটি পুরোনো উপায় হলো তাঁকে বলতে বলা। কিন্তু বিংশ শতাব্দীর মাঝামাঝি মনোবিজ্ঞানে এই “আত্মবিবরণ” নিয়ে গভীর সন্দেহ ছিল: মানুষ প্রায়ই নিজের আচরণের কারণ ভুল ব্যাখ্যা করেন। K. Anders Ericsson আর Herbert Simon এর জবাবে একটি সতর্ক তত্ত্ব দেন (Protocol Analysis, ১৯৮০-র দশকে, পরে হালনাগাদ): মানুষ যা ইতিমধ্যে মনোযোগে আছে, তা জোরে বললে চিন্তার ধারা খুব বেশি বদলায় না; কিন্তু তাঁকে “কেন” ব্যাখ্যা করতে বললে বা নিজের অনুভূতি বিশ্লেষণ করতে বললে কাজের ধরন বদলে যেতে পারে। তাই তাঁদের পদ্ধতিতে নির্দেশ খুব নিরপেক্ষ, আর গবেষক প্রায় চুপ থাকেন।

Clayton Lewis IBM-এ ১৯৮২ সালের দিকে think-aloud-কে interface যাচাইয়ে আনেন, আর পরে এটি usability-র সবচেয়ে প্রচলিত পদ্ধতি হয়ে ওঠে। কিন্তু বাস্তব lab-এ সঞ্চালকরা প্রায়ই অনেক বেশি কথা বলেন: “এটা কি আপনার কাছে পরিষ্কার?”, “আপনি কী আশা করছিলেন?” Ted Boren আর Judith Ramey (২০০০) দেখান, practitioner-দের চর্চা Ericsson-Simon-এর কঠোর নিয়ম থেকে অনেক দূরে, আর তাঁরা একটি মাঝামাঝি, যোগাযোগভিত্তিক তত্ত্ব প্রস্তাব করেন — যেখানে সঞ্চালকের ছোট সাড়া (“হুম”, “বলুন”) কথোপকথন সচল রাখে, কিন্তু দিক দেয় না।

ফলে কয়েকটি বাস্তব সতর্কতা। এক, think-aloud session-এর সময়কে আসল ব্যবহারের সময় ধরবেন না; বলতে গিয়ে কাজ ধীর হয়, আবার কখনো ভাবার ফলে কম ভুলও হয়। তাই time on task মাপতে চাইলে কিছু দল আলাদা নীরব session রাখে, অথবা কাজ শেষে ভিডিও দেখিয়ে retrospective think-aloud করে। দুই, পাশে কেউ বসে দেখছেন জানলে মানুষ বেশি চেষ্টা করেন, সহজে হাল ছাড়েন না — তাই lab-এর সফলতার হার বাস্তবের চেয়ে বেশি হতে পারে। তিন, অনেকে অপরিচিতের সামনে “পারছি না” বলতে সংকোচ বোধ করেন; তাই শুরুতে “app-কে পরীক্ষা করছি, আপনাকে নয়” বলা জরুরি।

মূল উপলব্ধি: Think-aloud একটি জানালা, কিন্তু কাচটি একেবারে স্বচ্ছ নয়। যা দেখেন (আচরণ) তার ওপর বেশি ভরসা, যা বলেন (ব্যাখ্যা) তা সংকেত হিসেবে — আর সঞ্চালকের প্রতিটি শব্দ ফলকে প্রভাবিত করতে পারে।

প্র ০৪SUS এত বছর ধরে টিকে আছে কেন? একটি “quick and dirty” প্রশ্নমালার স্কোর পড়ার সময় কোন ভুলগুলো সবচেয়ে বেশি হয়?

John Brooke ১৯৮৬ সালে Digital Equipment Corporation-এ SUS বানান একটি ব্যবহারিক প্রয়োজন থেকে: বিভিন্ন পণ্যের usability দ্রুত তুলনার একটি ছোট, সহজ মাপ। তিনি নিজেই একে “quick and dirty” বলেছিলেন, আর ১৯৯৬ সালে একটি বইয়ের অধ্যায়ে প্রকাশ করেন। প্রশ্নমালাটি বিনামূল্যে, ছোট (দশ বাক্য, দুই-তিন মিনিট), আর প্রায় যেকোনো পণ্যে প্রযোজ্য — website, app, এমনকি যন্ত্রপাতি। এই সহজতাই একে টিকিয়ে রেখেছে: হাজারো study-তে ব্যবহার হওয়ায় তুলনার জন্য বিশাল ডেটা জমেছে।

Aaron Bangor, Philip Kortum আর James Miller (২০০৮, ২০০৯) বহু study-র SUS স্কোর বিশ্লেষণ করে স্কোরের সাথে “ভালো”, “চমৎকার” জাতীয় বিশেষণের একটি স্কেল মেলান। Jeff Sauro-র বিশ্লেষণ থেকে গড় স্কোর মোটামুটি ৬৮-এর কাছে বলে প্রায়ই উদ্ধৃত হয়। James Lewis আর Sauro (২০০৯) দেখান, বাক্য ৪ আর ১০ মিলে “শেখার সহজতা”-র একটি আলাদা দিক মাপে বলে মনে হয়।

সবচেয়ে সাধারণ ভুলগুলো: এক, স্কোরকে শতাংশ ভাবা — ৬৮ মানে “৬৮% ব্যবহারযোগ্য” নয়, একটি স্কেলের বিন্দু। দুই, জোড় বাক্য উল্টাতে ভুলে যাওয়া, যা হিসাবকে পুরো বিকৃত করে; এজন্য একটি জানা উত্তর-সেটে (সব ৩ → ৫০) হিসাব যাচাই করা দরকার। তিন, পাঁচজনের গড়কে নির্ভরযোগ্য মাপ ভাবা — এই পর্বের কাল্পনিক ডেটায় ৩২.৫ থেকে ৯৫.০ পর্যন্ত ছড়ানো। চার, SUS থেকে “কোথায় সমস্যা” খোঁজা — SUS কোনো নির্দিষ্ট পাতা বা বোতামের কথা বলে না। পাঁচ, অনুবাদের প্রভাব ভুলে যাওয়া: বাংলায় অনূদিত বাক্যের অর্থ সামান্য বদলালেই উত্তর বদলায়, তাই অনূদিত প্রশ্নমালার ফল মূলের তুলনামূলক ডেটার সাথে সরাসরি মেলানো সাবধানে করতে হয়।

মূল উপলব্ধি: SUS একটি থার্মোমিটার: জ্বর আছে কি না বলে, কোথায় সংক্রমণ তা বলে না। হিসাব নির্দিষ্ট আর সহজ, কিন্তু পড়ার জন্য প্রসঙ্গ, নমুনার আকার আর পর্যবেক্ষণ লাগে।

প্র ০৫একটি error বার্তার শব্দ কি জীবন-মরণের প্রশ্ন হতে পারে? Therac-25-এর ঘটনা usability-র দিক থেকে কী শেখায়?

Therac-25 ছিল ক্যান্সার চিকিৎসার একটি radiation therapy যন্ত্র। ১৯৮৫ থেকে ১৯৮৭ সালের মধ্যে কয়েকজন রোগী মারাত্মক মাত্রার radiation পান; কয়েকজন মারা যান। Nancy Leveson আর Clark Turner-এর ১৯৯৩ সালের বিখ্যাত তদন্ত-বিশ্লেষণে মূল কারণ হিসেবে software-এর race condition, hardware interlock সরিয়ে দেওয়া আর দুর্বল প্রকৌশল-প্রক্রিয়ার কথা আসে। কিন্তু usability-র দিকটিও গুরুত্বপূর্ণ ছিল বলে বিশ্লেষণে উঠে আসে।

যন্ত্রটি সমস্যা হলে পর্দায় দেখাত “MALFUNCTION” আর একটি সংখ্যা, যেমন ৫৪ — কোনো ব্যাখ্যা ছাড়া। Operator-দের কাছে এসব বার্তা এত ঘন ঘন আসত, আর বেশিরভাগ এত নিরীহ ছিল, যে তাঁরা অভ্যস্ত হয়ে গিয়েছিলেন একটি কী চেপে চিকিৎসা চালিয়ে যেতে। বার্তা বলত না যে রোগী হয়তো ইতিমধ্যে অতিরিক্ত মাত্রা পেয়েছেন। এখানে H9 (ভুল বুঝতে আর সারাতে সাহায্য) আর H1 (system-এর অবস্থা দৃশ্যমান) দুটিই ভেঙেছিল, সাথে H5 (ভুল আটকানো): বিপজ্জনক অবস্থায় চালিয়ে যাওয়া খুব সহজ ছিল।

বাজারঘরের HE-1 আর wallet timeout-এর বার্তা অনেক ছোট মাপের, কিন্তু ধরন একই। “ফোন নম্বর ১১ অঙ্কের হতে হবে” — যিনি বাংলা অঙ্কে ১১টি অঙ্কই লিখেছেন, তাঁর কাছে বার্তাটি অর্থহীন; তিনি একই কাজ আবার করেন। “আবার চেষ্টা করুন” — যিনি আবার চাপেন, তাঁর টাকা দুবার কাটে (পর্ব ৩৭)। দুই ক্ষেত্রেই বার্তা technically সত্য, কিন্তু ব্যবহারকারীর পরের পদক্ষেপকে ভুল দিকে ঠেলে দেয়। ভালো বার্তার তিনটি অংশ: কী ঘটেছে, ব্যবহারকারীর ভাষায়; কেন, যতটা দরকার; আর এখন ঠিক কী করতে হবে। আর যে বার্তা সবসময় নিরীহ, মানুষ তা পড়া বন্ধ করেন — সত্যিকারের বিপদের বার্তা ভিড়ে হারায়।

মূল উপলব্ধি: Error বার্তা interface-এর সবচেয়ে কম দেখা অংশ, কিন্তু সবচেয়ে বিপদের মুহূর্তে পড়া হয়। Tester-এর কাজ শুধু “error আসে কি না” দেখা নয়, “error দেখে মানুষ ঠিক কাজটি করেন কি না” দেখা।

অনুশীলন

খাতা-কলম নিয়ে বসুন; প্রথমে নিজে করুন, তারপর উত্তর মেলান।

  1. Test নকশা — task আর সফলতার শর্ত: বাজারঘরের রিভিউ feature-এর নিয়ম: শুধু delivered অর্ডারের পণ্যে রিভিউ; স্টার ১–৫ বাধ্যতামূলক; লেখা ১০–৫০০ code point; আর NFR-1 — “আমার অর্ডার” থেকে এক চাপে রিভিউ form. প্রথমবারের ক্রেতাদের জন্য তিনটি usability task লিখুন (উদ্দেশ্যসহ গল্প, বোতামের নাম ছাড়া), প্রতিটির সফলতার শর্ত আর একটি মাপ দিন।

    একটি সম্ভাব্য উত্তর:

    • T-R1: “গত সপ্তাহে বাজারঘর থেকে যে চাল এসেছে, সেটি নিয়ে আপনার মত অন্য ক্রেতাদের জানাতে চান।” সফল = রিভিউ form খুললেন, সাহায্য ছাড়া, ২ মিনিটের মধ্যে। মাপ: সফলতা, সময়, “আমার অর্ডার”-এ পৌঁছানোর পথ (NFR-1-এর মানবিক দিক: link খুঁজে পান কি?)।
    • T-R2: “চাল মোটামুটি ভালো, কিন্তু কিছু কাঁকর ছিল — সেটাই লিখে জমা দিন।” সফল = রিভিউ পণ্যের পাতায় দেখা গেল। মাপ: error (স্টার ছাড়া জমা?), আর বার্তা দেখে নিজে ঠিক করলেন কি।
    • T-R3: “যে সরিষার তেল এখনো পৌঁছায়নি, সেটি নিয়েও মত দিতে চান — দেখুন সম্ভব কি না।” সফল = বুঝলেন যে এখন সম্ভব নয় আর কেন (মুখে বলবেন)। মাপ: বিভ্রান্তি, বারবার চেষ্টা; এটি দেখে নিয়ম না মানা অবস্থায় system কতটা স্পষ্ট।

    কোনো task-এ বোতাম বা মেনুর নাম নেই। T-R3 ইচ্ছা করে রাখা একটি “অসম্ভব” task, H9 আর H1 যাচাইয়ের জন্য।

  2. আউটপুট অনুমান করুন: ওপরের sus() function-এ এই উত্তর-সেট দিলে কী ছাপা হবে? [4, 3, 5, 2, 3, 2, 4, 1, 4, 3] — বিজোড়ের যোগফল, জোড়ের যোগফল আর স্কোর লিখুন। তারপর বলুন, কেউ যদি ভুল করে সব বাক্যে “উত্তর − ১” নেন, কত পাবেন।

    একই function-এ চালিয়ে পাওয়া আসল ফল:

    odd 15 + even 14 = 29 x 2.5 =  72.5

    হিসাব: বিজোড় উত্তর 4, 5, 3, 4, 4 → (উত্তর − ১) 3, 4, 2, 3, 3 = ১৫। জোড় উত্তর 3, 2, 2, 1, 3 → (৫ − উত্তর) 2, 3, 3, 4, 2 = ১৪। মোট ২৯ × ২.৫ = ৭২.৫. ভুল পদ্ধতিতে (সব বাক্যে উত্তর − ১): ৩১ − ১০ = ২১, × ২.৫ = ৫২.৫ — সন্তুষ্ট মানুষকে গড়ের নিচে দেখায়। জোড় বাক্য না উল্টানোই সবচেয়ে প্রচলিত SUS-ভুল।

  3. Finding রিপোর্টের ভুল খুঁজুন: একজন নতুন tester usability session-এর পরে এই finding জমা দিয়েছেন। কী কী সমস্যা?
    Title: Checkout button should be bigger and orange
    Task: "Tap the green Checkout button and place an order"
    Users: most users had trouble
    Evidence: I think the page is confusing
    Severity: 4 (I did not like it)
    SUS: 66 = 66% of users are satisfied
    • শিরোনাম সমাধান বলে, সমস্যা নয়: বোতাম চোখে পড়ে না, নাকি চাপতে ভুল হয়? সমস্যা লিখলে নকশাকারী নিজে সমাধান খোঁজেন।
    • Task উত্তর বলে দেয়: “green Checkout button” লিখলে খোঁজার কষ্ট মাপা যায় না; task-এ উদ্দেশ্য থাকবে, পথ নয়।
    • “most users” অস্পষ্ট: কতজনে কতজন (যেমন ৩/৫), কোন task-এ?
    • প্রমাণ নেই: “I think” একটি মত, পর্যবেক্ষণ নয়। দরকার উক্তি, ভিডিওর সময়, কী করলেন।
    • Severity-র যুক্তি ভুল: পছন্দ নয় — frequency, impact আর persistence; প্রমাণ ছাড়া ৪ অবিশ্বাস্য।
    • SUS-এর ব্যাখ্যা ভুল: ৬৬ শতাংশ নয়, “কত ভাগ সন্তুষ্ট” বলে না; স্কেলের গড়, পাঁচজনে অনিশ্চয়তাও বড়।
  4. Severity আর পদ্ধতি বেছে নিন: প্রতিটির জন্য Nielsen-এর ০–৪ severity আর এক বাক্যে কারণ। (ক) পাঁচজনের একজন “ডেলিভারির সময়” বানানটি অদ্ভুত বললেন, কাজে কোনো সমস্যা হয়নি। (খ) পাঁচজনের চারজন রাজশাহীর মোট দাম খুঁজতে কার্ট থেকে চেকআউট-এ গিয়ে আবার ফিরে এলেন, দুজন শেষে ভুল মোট বললেন। (গ) অর্ডার বাতিল এক চাপে হয়, ফেরার পথ নেই; session-এ কেউ ভুল করে চাপেননি। এরপর বলুন, (গ)-এর মতো সমস্যা কতটা ঘটে তা জানতে কোন পদ্ধতি সবচেয়ে কাজের।
    • (ক) ১ — শুধু দেখতে খারাপ: একজন, কাজে কোনো প্রভাব নেই; সময় পেলে ঠিক করা।
    • (খ) ৩ বা ৪: Frequency উঁচু (৪/৫), impact উঁচু (দুজন ভুল তথ্য নিয়ে সিদ্ধান্ত নিতেন)। ভুল মোট দাম জেনে অর্ডার দেওয়া ক্রেতার আস্থার প্রশ্ন, তাই অনেক দল ৪ দেবে; অন্তত ৩।
    • (গ) ৩: Session-এ ঘটেনি, তাই frequency অজানা; কিন্তু ঘটলে impact উঁচু আর অফেরতযোগ্য (H3, H5). Heuristic থেকে আসা ঝুঁকি, তাই প্রমাণের ভাষা “আশঙ্কা”।

    (গ)-এর হার জানতে সবচেয়ে কাজের production-এর ব্যবহারের ডেটা: বাতিলের পরে একই ক্রেতা কত মিনিটের মধ্যে একই পণ্য আবার অর্ডার দেন (ভুল বাতিলের চিহ্ন)। পাঁচজনের session বিরল ঘটনা ধরে না।

নিজেকে যাচাই করুন

ভুল হলে কারণসহ ব্যাখ্যা পাবেন, আবার চেষ্টাও করতে পারবেন।

ক্রমএকটি moderated usability test-এর কাজ সঠিক ক্রমে সাজান (▲▼ চেপে সরান)

  1. লক্ষ্য আর ব্যবহারের প্রসঙ্গ লেখা
  2. Screener দিয়ে অংশগ্রহণকারী বাছা
  3. Task আর সফলতার শর্ত লেখা, তারপর pilot
  4. Session চালানো — think-aloud, নোট আর মাপ
  5. শেষে SUS প্রশ্নমালা
  6. পর্যবেক্ষণ মিলিয়ে finding, severity আর রিপোর্ট

ISO 9241-11-এর সংজ্ঞায় usability-র তিনটি মাপ কোনগুলো?

  • Speed, throughput আর latency
  • Accessibility, learnability আর security
  • Effectiveness, efficiency আর satisfaction
  • Visibility, consistency আর error prevention

একজন অংশগ্রহণকারীর SUS উত্তর: দশটি বাক্যেই 3. SUS স্কোর কত?

  • 30
  • 50
  • 20
  • 75

একটি usability task হিসেবে কোনটি সবচেয়ে ভালো লেখা?

  • ওপরের সবুজ “চেকআউট” বোতাম চেপে অর্ডার দিন
  • Checkout পাতাটি আপনার কেমন লাগে?
  • App-টি কিছুক্ষণ ঘুরে দেখুন
  • আপনার মা ক্যাশে টাকা দিয়ে মিরপুরের বাসায় ৫ কেজি চাল আনাতে চান — অর্ডারটি দিন

মডেল: n জন ব্যবহারকারী মিলে পাওয়া সমস্যার ভাগ = 1 − (1 − L)n. L = 0.31 হলে ৫ জনে মোটামুটি কত ভাগ?

  • প্রায় ৮৪%
  • ১৫৫% — অর্থাৎ সব সমস্যা
  • ৩১%
  • ৬৯%

Heuristic evaluation সম্পর্কে কোন কথাটি ঠিক?

  • আসল ব্যবহারকারী কাজ করেন আর evaluator দেখেন
  • একজন অভিজ্ঞ evaluator প্রায় সব সমস্যা খুঁজে পান
  • ৩–৫ জন evaluator আলাদাভাবে কাজ করে পরে তালিকা মেলান
  • শুধু release-এর পরে production-এ করা যায়

একটি UI script যন্ত্রে checkout task ৫ বার চালিয়ে median ২১৩৮ ms পেল। এই সংখ্যার সঠিক ব্যবহার কোনটি?

  • রিপোর্টে লেখা: ক্রেতারা গড়ে ২.১ সেকেন্ডে অর্ডার দেন
  • দুটি পথের ধাপ আর app-এর দেরি তুলনার প্রক্সি হিসেবে, মানুষের সময় নয়
  • এ থেকে SUS স্কোর হিসাব করা
  • এর পরে আর usability session-এর দরকার নেই

Nielsen-এর severity মাপকাঠিতে “৪” মানে কী, আর মান ঠিক করতে কোন তিনটি দিক দেখা হয়?

  • শুধু দেখতে খারাপ; evaluator-এর পছন্দ
  • ঠিক করতে সবচেয়ে বেশি খরচ; code-এর আকার
  • বড় সমস্যা, উচ্চ অগ্রাধিকার; শুধু frequency
  • Usability বিপর্যয়, release-এর আগে ঠিক করতেই হবে; frequency, impact আর persistence

শব্দকোষ

লেখার মধ্যে ডটেড দাগ দেওয়া শব্দে মাউস রাখুন বা চাপুন — অর্থ দেখাবে। এই পর্বের সব নতুন শব্দ এখানে একসাথে:

মনে রাখুন

  1. Usability = নির্দিষ্ট মানুষ, নির্দিষ্ট কাজ, নির্দিষ্ট প্রসঙ্গে effectiveness, efficiency আর satisfaction; প্রসঙ্গ না লিখলে ফলের অর্থ নেই।
  2. Heuristic evaluation সস্তা অনুমান (৩–৫ জন, আলাদাভাবে, ০–৪ severity); usability test সেই অনুমানের পরীক্ষা, আসল মানুষ দিয়ে।
  3. Task = উদ্দেশ্যসহ গল্প, পথের নাম ছাড়া, আগে লেখা সফলতার শর্ত; সঞ্চালক সাহায্য করেন না, দেখেন আর হুবহু লেখেন।
  4. SUS: বিজোড়ে উত্তর − ১, জোড়ে ৫ − উত্তর, যোগ × ২.৫; ০–১০০ স্কেল, শতাংশ নয়; কোথায় সমস্যা বলে না।
  5. “৫ জন” পুনরাবৃত্ত নকশার জন্য, সর্বজনীন নয়; যন্ত্রের মাপা সময় প্রক্সি, মানুষের সময় নয়; finding = সমস্যা + প্রমাণ + কতজন + severity + প্রস্তাব।

পরের পর্বে: HE-1-এর বাংলা অঙ্ক ছিল একটি বড় গল্পের প্রথম অধ্যায়। বাংলা লেখা, যুক্তাক্ষর, লাখ-কোটির সংখ্যা, তারিখ আর টাকার চিহ্ন — একটি বাংলাদেশি app-এ এগুলো কোথায় ভাঙে, আর কীভাবে test করবেন, তা পর্ব ৫৬ (Localization testing — বাংলা Unicode, font, তারিখ আর সংখ্যা)-এ।

আরও পড়ুন · ABCL TECH-এ আপনার পরবর্তী পদক্ষেপ

এই পর্বটি শেয়ার করুন:
এই পর্বে ভুল পেয়েছেন? জানান