Research Vision — приглашение к дискуссии о следующем поколении человеко-машинного взаимодействия
Уверен в том, что Вас когда-нибудь раздражало, что ИИ объясняет “слишком подробно”, когда нужен один ёмкий абзац?
Или наоборот: вы ждёте системного обзора, а получаете банальный сниппет кода. Эти ситуации знакомы каждому, кто работает с ИИ. Но проблема не в контенте — проблема в несовпадении мышления (как минимум).
Важное предисловие
Это не готовое исследование, а research vision. У нас есть концепция, но нет окончательных решений. Мы делимся идеей на ранней стадии, чтобы собрать опыт сообщества до начала полноценной разработки.
Сдвиг парадигмы: от персонализации что к персонализации как.
Не только какой контент выдаёт ИИ, но и в каком формате, совпадает ли он с вашим способом мыслить.
Проблема: пределы текущей персонализации
Современные ИИ-системы достигли потолка в персонализации контента, но игнорируют процесс мышления.
Что мы видим в окне (интерфейсе) сегодня:
-
ChatGPT пишет развёрнутый трактат, когда нужна краткая инструкция
-
Рекомендательные системы подсовывают релевантный материал, но в неудобном виде
-
Пользователь тратит до 40% времени на переформулировки запросов
-
Система находит правильный код, но не тот уровень абстракции
Гипотеза: узкое место — не в данных, а в когнитивном несовпадении между пользователем и машиной (пусть будет гипотеза, моё личное мнение более радикально).
Гипотеза: адаптация к стилям мышления
Узкое место — не в данных, а в когнитивном несовпадении между пользователем и машиной (пусть будет гипотеза, моё личное мнение более радикально).
Такое несовпадение можно рассматривать через призму различных моделей когнитивных стилей. Вот некоторые известные модели, описывающие когнитивные стили.
*Указываю ниже Myers–Briggs Type Indicator и другие модели не из согласия с ними, а из их широкой известности. См. ссылки в Сноски:
-
MBTI (Myers–Briggs Type Indicator) — типология личности, разработанная К. Бриггс и И. Майерс на основе идей К. Г. Юнга, описывающая предпочтения в восприятии информации и принятии решений1.
-
Kolb’s Experiential Learning Theory — модель Д. Колба, выделяющая четыре стиля обучения (конкретный опыт, рефлексивное наблюдение, абстрактная концептуализация, активное экспериментирование)2.
-
Herrmann Brain Dominance Instrument (HBDI) — инструмент Неда Херрмана, описывающий доминирование различных квадрантов мышления (аналитическое, последовательное, межличностное, образное)3.
Именно несовпадение между этими человеческими стилями и машинной логикой обработки данных может создавать «узкие места» взаимодействия.
Аналогия: хороший преподаватель объясняет одно и то же разными способами разным студентам.
Концептуальная модель: таксономия из 3 стилей
На основе упрощения известных таксономий когнитивных стилей (MBTI, Kolb, Herrmann Brain Dominance1) мы выделяем три базовых паттерна:
|
Стиль |
Мыслит через |
Пример запроса |
Желаемый формат ответа |
|---|---|---|---|
|
Аналитический |
Декомпозицию, причинно-следственные связи |
“Разложи на факторы влияние ИИ на рынок труда” |
Граф зависимостей, диаграмма Ishikawa, многоуровневый список [Причина] → [Следствие] |
|
Практический |
Конкретные шаги и немедленное применение |
“Пошаговая инструкция по внедрению ИИ в малом бизнесе” |
Интерактивный чек-лист, шаблон кода, мини-туториал |
|
Исследовательский |
Генерацию гипотез и сценариев |
“Какие могут быть непредвиденные последствия регуляции ИИ?” |
Матрица сценариев, вопросы “А что, если…”, список открытых проблем |
Мини-кейс: три взгляда на один вопрос
Представьте инженера, который спрашивает у ИИ:
“Как ИИ повлияет на архитектуру программных систем?”
-
Аналитический стиль: система, оценивая паттерны запросов и поведения пользователя, предлагает граф зависимостей — влияние на модули, связи между ними, потенциальные риски в экосистеме.
-
Практический стиль: вероятностная оценка указывает на чек-лист по миграции — конкретные шаги, как внедрить LLM в пайплайн.
-
Исследовательский стиль: система предоставляет матрицу сценариев — варианты развития событий, включая непредвиденные последствия и открытые вопросы.
Сегодня ИИ чаще всего выдаёт один общий ответ. Адаптивный интерфейс стремится подбирать формат, который с наибольшей вероятностью окажется полезным конкретному стилю мышления пользователя, исходя из паттернов его запросов, истории взаимодействия и контекста.
Технические вызовы: честно о трудностях
Вызов 1. Детекция стилей в реальном времени
Как отличить аналитический стиль от исследовательского по короткому запросу?
Маркер языка? История взаимодействия? Или комбинация лингвистики и поведенческих паттернов? Но люди могут отличить.
Вызов 2. Динамичность мышления
Стиль может меняться в течение одной сессии. Как балансировать между консистентностью и гибкостью? Как строится баланс?
Вызов 3. Этика адаптации
Где граница между “помочь мыслить” и “навязать мышление”?
Как не превратить интерфейс в когнитивную клетку?
Или людей всех уже посчитали, и алгоритмы идеальны (шучу)?
Вызов 4. Метрики эффективности
Что измерять? Время до решения? Количество итераций? NASA-TLX?
В ITS есть student modeling, но для HCI нужны новые подходы.
|
Есть |
Нет |
|---|---|
|
Чёткая проблематизация |
Прототип |
|
Модель таксономии |
A/B тесты |
|
Список вызовов |
Отработанная методология |
Приглашение к дискуссии
Мы отказываемся от псевдокода и “обещаний на слайдах”. Вместо этого задаём вопросы:
-
Сталкивались ли вы с когнитивным несовпадением в работе с ИИ?
-
Насколько релевантна предложенная классификация?
-
Какие вызовы важнее всего решать первыми?
-
Где адаптивные интерфейсы дали бы максимальный эффект (образование, аналитика, креатив)?
-
Не грозит ли адаптация “комфортным застоем”?
Почему важно именно сейчас?
-
Публичная приоритизация — проверить, нужен ли этот шаг ИИ-сообществу
-
Сбор инсайтов — указание на слепые зоны
-
Поиск коллабораторов — открытые исходники возможны
-
Валидация направления — прежде чем вложить годы
Финальный акцент
ИИ сегодня умён, но часто не понимает нас и непонятно, как он развивает наше мышление. Если мы не займёмся адаптацией к когнитивным процессам, он останется инструментом «для всех», а не собеседником и компаньоном для каждого.
Эта работа — часть проекта DHAIE — открытой инициативы по созданию нового поколения человеко-машинных интерфейсов.
Комментарии, критика, скепсис и опыт — приветствуются.
Виктор Савицкий — бизнес-тренер, инженерный психолог, тренер НЛП. Работаю над адаптивными ИИ-интерфейсами в рамках проекта Neurostiv Framework v1.1 — пока это исследовательская версия, но уже с практическими наработками.
Профиль на Хабр Карьера
Сайт DesignHumanAI.com – DHAIE
Сноски
-
Myers, I. B., & Briggs, K. C. (1998). MBTI Manual: A Guide to the Development and Use of the Myers-Briggs Type Indicator. Consulting Psychologists Press. ↩
-
Kolb, D. A. (1984). Experiential Learning: Experience as the Source of Learning and Development. Prentice Hall. ↩
-
Herrmann, N. (1996). The Whole Brain Business Book. McGraw-Hill. ↩
Автор: VSAI
