UI_UX Design/HCI개론

Ch03_유용성의 원리(3)_유용성의 조건

jsBae 2025. 9. 24. 21:30

4. 유용성의 조건

유용성은 단순히 시스템을 사용할 수 있다는 차원을 넘어서, 사용자가 자신의 목적을 얼마나 효과적이고 효율적으로 달성할 수 있는가를 평가하는 개념이다. 이 유용성은 크게 두 가지 요인으로 나누어 설명할 수 있다.

1. 유효성(Efficacy)

유효성이란 사용자가 제품이나 시스템을 사용할 때, 목표한 바를 얼마나 정확하게 달성할 수 있는가를 의미한다. 다시 말해, 시스템이 “정확히 원하는 결과를 얻을 수 있도록 도와주는가?”에 대한 답이다. 예를 들어, 사용자가 온라인 예약 시스템을 통해 항공권을 예매하려 할 때, 예약 과정이 오류 없이 완료되어 실제 항공권 발권까지 이어진다면 높은 유효성을 가진다고 할 수 있다.

  • 통제된 환경에서 평가가 이루어지는 경우가 많다.
  • 실험실적 조건에서 시스템이 기대한 결과를 정확하게 산출할 수 있는지를 확인한다.
  • 디지털 헬스케어의 경우, 특정 앱이나 기기를 사용했을 때 실제로 건강 지표(혈압, 혈당 등)가 개선되는 것이 유효성의 증거가 된다.

2. 환경 적합성(Suitability)

환경 적합성이란 시스템이 실제 사용 환경에서 사용자 요구사항을 얼마나 충족시키는가를 뜻한다. 시스템이 아무리 이론적으로 우수해도, 실제 사용자의 맥락에서 맞지 않으면 유용하지 않다. 예를 들어, 고령자를 대상으로 한 건강관리 앱이 글씨가 너무 작거나 조작이 복잡하다면, 유효성이 높아도 환경 적합성이 낮은 것이다.

  • 실제 사용 환경에서 평가된다.
  • 제품의 정확성, 신뢰성, 사용 범위 등이 현실적으로 입증되어야 한다.
  • 디지털 헬스케어 앱은 임상 시험뿐 아니라, 환자들이 일상생활에서 느끼는 편리함과 안전성까지 고려해야 환경 적합성을 확보할 수 있다.
유효성(Efficacy): 목표 달성의 정확성, 통제된 환경에서의 효과 → “정확히 원하는 결과를 주는가?”
환경 적합성(Suitability): 실제 사용 환경에서의 적절성, 신뢰성과 안전성 → “현실적으로 잘 작동하는가?”
구분 유효성 (Efficacy) 환경 적합성 (Suitability)
정의 사용자가 목표한 바를 얼마나 정확하게 달성할 수 있는가 실제 사용 환경에서 시스템이 사용자 요구에 얼마나 적절히 부합하는가
평가 환경 통제된 실험 환경 (실험실, 임상시험 등) 실제 사용 환경 (현장, 일상생활)
중점 요소 정확성, 효과성, 성과 지표
목표 달성		 신뢰성, 특수성, 사용 범위, 안정성
사용 맥락
예시 디지털 헬스 앱을 사용했을 때 건강 지표(혈압, 혈당 등)가 개선됨 고령자가 작은 글씨 대신 큰 글씨와 음성 안내로 앱을 편리하게 사용
장점 기능적 효과를 객관적으로 입증할 수 있음 사용자 경험과 현실성을 반영하여 실제 만족도를 높임
한계 실제 사용 환경의 다양성을 반영하기 어려움 결과가 사용자 개별 특성이나 환경에 따라 달라질 수 있음

05.유효성과 환경 적합성의 상충 관계

두 가지 동시에 끌어올리는 이상적인 방법은 무엇일까?

1. 복잡한 기능 vs 단순한 환경

  • 상황: 한 모바일 건강관리 앱은 운동, 식단, 수면 등 다양한 기능을 갖추고 있어 유효성은 높음.
  • 문제: 고령자가 사용하는 작은 화면, 짧은 집중 시간의 환경에서는 복잡한 기능이 오히려 방해 요소가 됨.
  • 결과: 유효성은 높지만 환경 적합성은 낮아 실제 사용성은 떨어짐.

2. 공공장소에서의 사용자 인터페이스

  • 상황: 키오스크 시스템은 주문 정확도를 높이기 위해 단계별 설명을 길게 구성함 → 유효성 강화.
  • 문제: 실제 사용 환경은 사람이 많은 혼잡한 공간. 긴 화면 시간은 사용자에게 스트레스를 유발.
  • 결과: 유효성 확보를 위한 상세 설계가 오히려 환경(혼잡/시간 제약)과 충돌.

3. 비상 상황에서의 UI

  • 상황: 응급실에서 사용하는 진료 기록 시스템.
  • 유효성 중심 설계: 다양한 검토 기능, 진단 기록 항목이 많음.
  • 환경 적합성 중심 설계: 빠른 판단과 입력이 중요한 현장.
  • 문제: 항목이 지나치게 많으면 유효성은 높지만 응급 환경에는 부적합.

균형 설계 전략

유효성과 환경 적합성은 절대적인 대립 관계가 아니다. 유효성은 사용자의 목표 달성에 초점을 맞추고, 환경 적합성은 사용자의 실제 맥락에 최적화되어야 한다. 따라서 HCI 설계자는 상황과 우선순위에 따라 두 요인의 균형을 조절해야 한다.

머신러닝 적합도와 사용자 경험 설계

머신러닝에서의 적합(Fitting) 개념- 머신러닝에서는 모델이 얼마나 잘 학습되었는지를 평가하기 위해 적합도(fitting)라는 개념을 사용한다.

  • 과소적합(Underfitting): 모델이 너무 단순하여 데이터의 패턴을 제대로 학습하지 못하는 상태
  • 적정적합(Good Fit): 모델이 데이터의 핵심 패턴을 잘 학습하여 새로운 데이터에도 일반화가 잘 되는 상태
  • 과적합(Overfitting): 모델이 학습 데이터를 지나치게 외워서 새로운 데이터에는 일반화하지 못하는 상태

사용자 경험에서의 의미 - 이 개념은 사용자 경험(HCI) 설계에서도 그대로 적용할 수 있다.

  • 과소적합(Underfitting)
    • 머신러닝 의미: 모델이 너무 단순해 학습 실패
    • UX 의미: 시스템의 기능이 너무 단순하거나 지원이 부족하여, 사용자가 목표를 달성하지 못하는 상태
    • 쇼핑몰 앱에서 검색 기능이 단순히 상품 이름만 인식하여 원하는 결과를 찾지 못하는 경우
  • 적정적합(Good Fit)
    • 머신러닝 의미: 모델이 핵심 패턴을 학습해 일반화 성공
    • UX 의미: 기능과 복잡성이 적절히 조화되어, 사용자가 효율성과 적합성을 동시에 얻는 상태
    • 배달 앱이 사용자가 자주 주문하는 메뉴를 추천해주되, 여전히 자유롭게 다른 선택을 할 수 있는 경우
  • 과적합(Overfitting)
    • 머신러닝 의미: 모델이 데이터를 외워 새로운 문제 해결 실패
    • UX 의미: 시스템이 기능이 지나치게 많고 복잡하여, 전문가에게는 유용하지만 일반 사용자에게는 오히려 혼란과 과부하를 유발하는 상태
    • 건강관리 앱이 너무 많은 지표(수면, 운동, 영양, 스트레스 등)를 동시에 관리하려고 해서 고령 사용자에게 오히려 불편함을 주는 경우

유효성과 환경 적합성의 관계 그래프

• X축: 통제된 환경에서의 학습 수준
→ 시스템이나 서비스 사용에 대해 사용자가 얼마나 많이 학습하고 숙련되었는지를 나타냄(사용자의 경험 축적 정도)
  • 모델 복잡도 또는 학습 수준
    즉, 시스템의 복잡도, 기능 수, 또는 사용자의 학습 및 숙련 수준을 의미함
    예: 인터페이스 기능 수, 조작 단계 수, 사용자가 학습한 양
• Y축: 내부화 수준 (좌측)
→ 사용자가 그 시스템을 얼마나 자연스럽고 무리 없이 사용할 수 있는지를 나타냄 (사용자 행동에 내면화된 정도)

성능 또는 사용자 경험 품질(시스템 사용의 성과, 즉 과제를 얼마나 잘 수행하는가)
즉, 시스템 복잡도나 학습 수준이 변화함에 따라 결과로 나타나는 효과

① 유효성 곡선 (상단 곡선)
  • 학습 수준이 높아질수록 유효성은 증가하다가 일정 수준 이후에는 유지됨
  • 숙련자에게는 높은 유효성이 보장되지만, 학습이 부족한 사용자에게는 목표 달성이 어려워 유효성이 낮음
② 환경 적합성 곡선 (하단 곡선)
  • 초반에는 학습이 늘어날수록 환경에 잘 맞지만,
  • 지나친 복잡성 혹은 과도한 학습 요구가 있을 경우, 환경 적합성은 다시 떨어짐

세 구간의 특징

  1. 과소적합 구간 (왼쪽)
    • 머신러닝: 데이터 학습이 부족해 모델이 패턴을 제대로 잡지 못함.
    • HCI: 사용자가 시스템을 충분히 이해하지 못하거나, 시스템이 너무 단순해서 실제 과제를 지원하지 못하는 상태이다.
    • 예: 너무 단순한 기능만 있는 학습관리시스템(LMS) → 학생이 필요한 기능(퀴즈 응시, 피드백 열람 등)을 수행하지 못함.
  2. 최적 수준 (가운데)
    • 머신러닝: 일반화 능력이 가장 좋은 지점 → 새로운 데이터에도 성능이 높음.
    • HCI: 특정 환경에 과도하게 의존하지 않으면서도 높은 효율성을 발휘하는 지점이다.
    • 예: 모바일 앱이 기본적인 사용자 패턴에 맞춰 잘 설계되어 있어, 새로운 사용자가 쉽게 적응하면서도 숙련 사용자도 만족스럽게 사용할 수 있음.
  3. 과적합 구간 (오른쪽)
    • 머신러닝: 훈련 데이터에만 지나치게 맞춰져 새로운 데이터에는 성능이 떨어짐.
    • HCI: 특정 환경(특정 조직, 특정 숙련자)에는 잘 맞지만, 일반 사용자나 다른 상황에서는 불편하거나 사용하기 어렵다.
    • 예: 전문가용 CAD 소프트웨어를 그대로 초보자 교육용으로 쓰면 오히려 혼란을 준다. 특정 맥락에서는 잘 작동하지만 일반화가 안 되는 경우이다.

당신이 처음 스마트폰을 쓰기 시작한 날을 떠올려보자.
처음에는 전화도 어렵고, 앱도 어렵고, 오류도 자주 냈을 것이다. 하지만 시간이 지나며 기능을 익히면 훨씬 편리해진다. 
그런데 너무 많은 기능을 한꺼번에 배우라고 하면 오히려 헷갈리고 지친다.
이 과정을 그래프로 그리면 이렇게 생겼다:

 ↑
 |            ▲
 |         ▲   ▲
 |     ▲
 | ▲
 |______________________________→
   처음       중간        너무 복잡
  • 좌측: 초보자일 때는 기능이 적어도 어려움 → "과소적합"
  • 중간: 적당한 학습과 적당한 기능 → "적정 적합"
  • 우측: 너무 많은 기능, 너무 복잡 → "과적합"

“기능은 많다고 좋은 게 아니다.”
사용자에게 딱 필요한 만큼만, 쉽게 배우고 쓸 수 있게 설계하는 것이 중요하다.
너무 단순하면 할 수 있는 게 없고, 너무 복잡하면 아무도 못 쓴다.

토론

구글과 네이버처럼, 같은 영역의 서비스이지만 제공하고자 하는 가치에 따라 형태가 다른 서비스의 짝을 찾아 비교하여 설명해 봅시다.

728x90
반응형