ترجمه دوم - بخش اول - فصل پنج

	هشدار: این صفحه مربوط به یک کتاب در حال گردآوری است. بدون هماهنگی مدیران به هیچ عنوان تغییری در این صفحه ایجاد نکنید. در صورتی که تغییری در این صفحه ایجاد کنید یک خرابکار محسوب می‌شوید و با شما برخورد خواهد شد

«فهم کاربران درجه‌ی دانش تحلیل»

مقدمه : تکنولوژی شناختی (CT) در میان اهداف‌ش در نظر دارد مجموعه‌ی جدیدی از روش‌شناسی‌ها را ایجاد کند که بتواند در فهم رابطه‌ی درونی ممکن میان بشر و ماشین مورد استفاده قرار می‌گیرد. برخلاف رهیافت‌های سنتی (HCI) که در مورد رابطه‌ی میان انسان و کامپیوتر وجود داشت هدف مدنظر در تکنولوژی شناختی CT ، بررسی ابزاری است که بیشتر از فرهنگ و جامعه و روابط میان انسان‌ها است. دیدگاه CT در نظر دارد انحرافی که در رهیافت (HCI) وجود داشته مبنی بر تمرکز بر روی ماشین‌های هوشمندتر به جای انسان‌های هوشمندتر، حل و فصل کند. این مسئله با عنوان «کمبود هشیاری در مورد نقش فاعلی آن‌ها در دانش» در میان دست‌اندرکاران آن مورد طرح واقع می‌شود (گرایسکا و مارش 1996). من در نظر دارم راجع به این مسئله بحث کنم که مشکل اصلی تکنولوژی کامپیوتری، امروزه کمتر در ارتباط با موضوع ارتباط میان جست‌جوکننده، بشر و محیط است. بلکه مشکل اصلی در رابطه با کمبود محرضِ «تلاش‌های با محوریت کاربر» است. تحقیق اخیر HCI به معاونت بشر در مورد محدودیت‌هایش (مثل حافظه‌ی کاری) و حمایت عقلانی فعالیّت‌هایی که بشر در آن قوی‌تر است (مثل تصمیم‌سازی) می‌پردازد. دلیل اصلی که موجب می‌شود تکنولوژی امروزه نتواند پاسخ‌گوی نیاز اصلی بشر امروز باشد به خاطر آن نیست که روش‌های HCI ناموفق عمل کرده‌اند، بلکه به دلیل استفاده و استعمال ناصحیح آن‌ها است. تجربه نشان داده وقتی این رهیافت‌ها به صورت صحیح پیاده شدند نتایج موفق بارزی را موجب شدند. (برای مشاهده‌ی مصداق آن به لندر 1995 مراجعه کنید.) روش‌هایی مثل مدل‌سازی شناختی تارا به اختصاصی کردن مکانیزم‌های شناختی، فرآیندها، بایدهای اجرایی در مورد وظایف خاص، رهنمون می‌سازد. و اگر این وظایف از جنس تکنولوژی باشد، آن گاه این روش‌ها روشن می‌سازد که چگونه این فرآیندهای شناختی به وسیله‌ی تکنولوژی وسعت می‌یابند. هم‌چنین اطلاعات کمی را هم در مورد تأثیر جامعه و فرهنگ بر تکنولوژی جدید مطرح می‌کند. امّا من معتقدم این تأثیرات کاملاً مستقل از ارزیابی‌های تجهیزات شناختی ما هستند. پس اگرچه تغییرات فرهنگی و جامعه شناختی که در اثر مظاهر تکنولوژی ایجاد می‌گردد ادامه خواهند داشت، این بدان معنا نخواهد بود که تغییرات اجتماعی تبدیل به تغییرات وسیعی در ساخته‌های شناختی ما خواهند شد.

رهیافتِ تحقیقات HCI : بر اساس تحقیقات تجربی اخیر من در مورد HCI ، من مطرح می‌کنم که در شرایطی که روش‌های HCI به صورت صحیح به اجرا گذاشته می‌شود و ابزارهایی که متناسب با اهداف کاربران است (ابزارهایی که اجرای وظیفه را آسان‌تر می‌کنند برای کاربران عادی و ابزارهایی که عملکرد را ارتقاء می‌دهند، برای کاربران حرفه‌ای استفاده شود، می‌توانند با موفقیّت توسعه یابند. ممکن است ساختن بشری که بهتر از آنچه اکنون وجود دارد باشند، غیرممکن باشد ولی فهم فرآیندهای شناختی و گسترش ابزارها برای حمایت آن‌ها حتماً ممکن است. روش‌شناسی‌هایی که در طول تحقیقات 20 ساله‌ی HCI فراهم آمده است گام‌های محکمی را در راستای دستیابی به تکنولوژی‌های بهترشناختی، برداشته است. قابلیت آموختن و استفاده کردن 2 اصلی هستند که کیفیت تعامل را ارزیابی می‌کند. تعاملی که آموختن آن ساده‌تر باشد، نیازمند زمان کمتری برای آموختن و حمایت‌های پس از آموختن است. بنابراین تعاملی که استفاده از آن ساده‌تر باشد و قبلاً آموخته شده است، آن سیستم‌هایی خواهند بود که اجازه‌ی عملکرد حرفه‌ای با درجه‌ی یکسان را نمی‌دهد. این دو مزیّت به وسیله‌ی تجزیه‌ی عملکرد تخصصی کاربران با سیستم به دست می‌آید. از ترکیب تحلیل وظایف با دانش تجهیزات شناختی و محدودیت‌های کاربران عادی، پارامترهای لازم برای ایجاد یک تعامل مناسب فراهم می‌آید. برای فهم اهمیّت این مهمّ، شاید بهتر باشد در ابتدا تعاملات میان انسان‌ها را به عنوان توصیفی در مورد تعاملات انسان و کامپیوتر بررسی کنیم. امروزه به صورت وسیعی مورد قبول است که مغز منبع ظرفیت شناختی انسان است. فهم عملکرد مغز و وظایف آن در دو دهه‌ی اخیر به صورت نجومی پیشرفت کرده است. برای مثال ما امروزه می‌دانیم عملکردهای مخصوصی مثل احساسات، دانش زبان و حتّی برخی از علوم خاص مربوط به منطقه‌ی خاصی از کرتکس هستند. با وجود این آگاهی‌ها این حقیقت که شناخت وجوهی از رفتار انسان مانند انگیزش، بخشش، رهبری، مهارت‌های تحلیلی و مانند این در قلمرو علوم عصبی نیست. این دسته از کنش در غالب فهم و پیش‌بینی رفتار بشر قرار گرفته و در حیطه‌ی علوم روانشناختی، جامعه‌شناسی، علوم شناختی و اقتصاد بررسی می‌گردد. موضوع در مورد کامپیوترها هم صادق است تا نیمه‌ی سال 1980، کاربران کامپیوتر جزو دانشمندان و یا مبدعان نرم‌افزارهای کامپیوتری بودند. کامپیوترهای شخصی این روند را تغییر داد، ما در 10 سال اخیر شاهد آن هستیم که کامپیوترها از روی میزهای آزمایش‌گاه‌ها به هر جایی که می‌توانید تصوّرش را بکنید نقل مکان کردند. از همان زمانی که کامپیوترها، کاربرانی غیر از سازندگان‌شان پیدا کردند، قابلیت یادگیری و استفاده، به عنوان موضوع مهمّی مطرح شد. رابطه‌ی انسان و کامپیوتر از همان زمانی آغاز گشت که کاربران غیرمتخصص شروع به استفاده از کامپیوتر به عنوان ابزاری برای افزایش تولیدشان کردند.

فهم کاربران : با اشاره به مکانیزم‌هایی که سیستم‌ها به وسیله‌ی آن عمل می‌کنند، این وظیفه‌ی محقّقان HCI است که بررسی کنند که سیستم چگونه در ارتباط با کاربرانش عمل می‌کند. منظور از تعامل یک سیستم تنها محتویات مشخص شده در صفحه نیست بلکه، تعامل سیستم اشاره به عملکرد آن به صورت وسیع و نیز کیفیت واکنش آن دارد و کمتر مربوط به آنچه که در صفحه ظاهر می‌شود است. و مربوط به این مسئله است که عملکرد سیستم تا چه حدّ با انتظارات کاربر مورد تطابق است و اینکه تا چه حدّ سیستم توانسته است نتایج فعالیّت‌های کاربر را در راستای آن وظیفه‌ی خاص به نمایش بگذارد. این درجه از دانش به شدّت بر قابلیت یادگیری و استفاده‌ی نهایی سیستم را تحت تأثیر قرار می‌دهد.

روش‌شناسی‌های GOMS-HCI تحقیقات پیرامون کنش‌های میان انسان و کامپیوتر، روش‌هایی را برای آزمودن ماشین‌ها، پیش از آن که مورد استفاده‌ی انسان‌ها قرار گیرند فراهم می‌کند، که شامل پیاده و اجرا کردن آنچه در مورد مکانیزم‌های شناختی و روش‌هایی که بشر با کامپیوتر وارد تعامل می‌شود، تا مدل‌هایی از کاربران را که بتوانند برای آزمون تعاملات جدید استفاده شود، می‌شود. تعدادی از تکنیک‌ها توسط پژوهشگران کنش‌های انسان و رایانه ایجاد و وسعت بخشیده شده است که «مدل‌های مهندسی عملکرد انسان» نامیده می‌شوند. (مراجعه کنید به جان و کیراسن (1994) برای نگاهی وسیع‌تر و مقایسه‌ای بر روی این ابزارها) مانند همتایان آن‌ها در علم فیزیک. این مدل‌ها به یک پیش‌بینی مقدماتی در مورد عملکرد انسان در عملیات کامپیوتری رهنمون می‌سازند آن‌ها هم‌چنین به صورت وسیع قابل اعمال بر روی وظایف دیگر هستند و در مورد اعمال قابل پیش‌بینی مفید به نظر می‌رسند. یکی از تکنیک‌های تحلیل وظیفه که حمایت قابل توجهی را جذب کرده است در سال‌های اخیر GOMS است (کارد، موران و نیوول 1983). GOMS تکنیکی است که به طراحان نرم‌افزار و پژوهشگران اجازه می‌دهد یک وظیفه‌ی کامپیوتر (مثل استفاده از ATM‌ یا MS word) با درجه‌ای از جزئیات که موجد پیش‌بینی در مورد آموزش و عملکرد کاربر می‌شود تعریف کنند. مدل GOMS با مفهوم بالاترین درجه‌ی هدف که کاربر درصدد دستیابی به آن است آغاز شد. و مجموعه‌ای از وظایف هماهنگ که کاربر به صورت متداول آن‌ها را انجام می‌دهد تا این که دیگر وظیفه‌ای باقی نماند. یک هدف از طریق اجرا کردن یک روش، که شامل مجموعه‌ای از گام‌ها است محقّق می‌گردد که این گام‌ها می‌تواند شامل یک عمل‌کننده‌ی سطح پائین باشد که برای اجرای اقدامی فرا خوانده شده و یا یک هدف اصلی برای اجرای یک وظیفه‌ی بنیادین. یک متصدی می‌تواند یکی از سه حالت اخیر را داشته باشد : بصری، مثل خواندن یک تصویر موتور، مثل حرکت و یا اشاره توسط موس شناختی، مثل استنباط کردن از اطلاعات موجود روش‌ها برای دستیابی به یک هدف خاص به صورت مجموعه‌ای از گام‌های متوالی ترتیب داده شده‌اند. یک مرحله ممکن است محرّکی باشد برای دستیابی به یک هدف جدید. که در آن روش برای آن هدف پیشین به صورت یک فراخوانی برای امور روزمره است. یک گام ممکن است محرّک متصدی باشد شامل اشاره‌ی عملی یا دانش اخباری که قبلاً تحلیل نشده است. یک گام هم‌چنین می‌تواند تحریک به یک اقدام حافظه‌ای در مورد ذخیره‌ی موردی در حافظه‌ی در حال کار باشد. یا فرا خواندن عنوانی از حافظه‌ی در حال کار یا بازیابی عنوانی از حافظه‌ی درازمدت. در آن موارد که بیش از یک روش برای اجرا وجود دارد، مجموعه‌ای از قوانین نوشته شده‌اند که نشان می‌دهند کدام روش مناسب و متناسب با وظایف مدّنظر. وضعیت اخیر اطلاعات کاربر و وضعیت کنونی شاخصه‌های خارجی مثل وضعیت نمایش است. مجموعه‌ی قواعد هم‌چنین می‌تواند بازتاب‌دهنده‌ی ترجیحات شخصی کاربر، برای یک نوع خاص از عمل در محیط‌های متنوّع باشد. اگرچه روش‌هایی که برای انتخاب عرضه می‌گردند باید در یک تعامل طراحی مناسب شفاف باشند. در GOMS مجموعه قوانین پیش‌تر آزمون شده‌اند در هر زمان مقتضی تنها یکی از انتخاب‌ها باید شرایطی را داشته باشد که گزینه‌ی صحیح نامیده شود. نتیجه، یک نمودار مشخص است که مجموعه‌ای از هدف‌ها و زیراهداف را که نقاط تقاطع نهایی در آن متصدی‌های سطح پائین هستند را نشان می‌دهد که رفتار واقعی که توسط کاربر در عملکردش رخ داده است به نمایش می‌گذارد. ساختار مدل GOMS بر اساس تحلیل وظیفه شکل گرفته است، که خودش منوط به پیاده کردن تعدادی از تکنیک‌ها است. اطلاعات دست اوّل از کاربران کامپیوتر از یک دانه‌ی منتخب می‌بایست فراهم و گردآوری شود. که این مهمّ، به صورت معمول شامل هم‌زمان وارد مصاحبه‌های عمیق و پروتکل‌های جزئی عملکردِ یک وظیفه شدن. این اطلاعات بعداً توسط دانش تخصصی، در مورد یک وظیفه‌ی خاص، مشخص می‌شود. این فرآیند یک فرآیند تکرار شده است، در جایی که محقّق در میان مدل و اطلاعات جلو و عقب می‌شود این کار به منظور حداکثرسازیِ شایستگی پیش‌بینی شده‌ی مدل صورت می‌گیرد.

استفاده از روش‌های HCI برای توسعه‌ی تعامل بهتر : قابلیت یادگیری اوّلیه‌ی سیستم و مرحله‌ی حرفه‌ای استفاده‌ی نهایی از سیستم به سمت وابستگی عکس گرایش دارند. ایجاد یک تعادل میان این دو نیازمند فهم عمیق از عملکرد وظیفه توسط کاربر نهایی است. ابزارهای تحلیل وظیفه مانند GOMS درجه‌ی توصیف مناسبی را برای تشخیص رابطه‌ی کاربر و سیستم فراهم می‌کند. نتایج این گونه تحلیل‌ها می‌تواند، و البته بهتر است با تلاش‌هایی که در راستای طراحی تعامل شده که عموماً بیشتر بصری هستند تکمیل گردد. روش‌های HCI ازجمله GOMS با موفقیّت در پروژه‌های بی‌شماری اعمال شده است. هم‌چنین در پروژه‌هایی مانند توسعه‌ی بانکداری الکترونیک برای کانال تلویزیون‌های مؤثّر بر هم. یک ایستگاه رادار در کشتی، اتوماسیون سیستم پستی آمریکا و یک سیستم که به شرکت‌ها کمک می‌کرد بسته‌های خود را در یک شرکت کشتیرانی فرستاده و یا تعقیب کنند. همه‌ی این پروژه‌ها درنهایت موفق ارزیابی شده‌اند. یک نگاه اجمالی از 2 مورد این بررسی‌ها در ذیل حاضر شده است، هدف آن است که معلوم شود اعمال صحیح‌ِ روش‌های HCI‌ موجود می‌تواند منجر به تکنولوژی‌هایی گردد که برای استفاده‌ی بشر مناسب‌تر است.

فهم کاربر : تعامل هوشمند برای متصدیان رادار : همان گونه که «ورا و رُزِنبالت (1995) تشریح کردند، سرمایه‌گذاران وظیفه‌ی مانیتورینگ ترافیک هوایی و دریایی بر روی کشتی، توسط متصدیان را مطالعه کردند. این وظیفه بسیار در ارتباط میان متصدی و دیگر اعضای پرسنل است هم‌چنین بسیار در ارتباط با متصدی و خود رادار. GOMS مورد استفاده قرار گرفت برای، مدل‌سازی متصدیِ انسانی. اگرچه GOMS روشی است که اصالتاً طراحی شده است برای شناسایی رفتار حرفه‌ای در وظایف غیرمؤثّر بر یکدیگر (بی‌تأثیر و بی‌ارتباط با هم)، فعالیّت اخیر نشان داد این روش قابلیت آن را دارد که بر وظایف مؤثّر بر هم، نیز اعمال گردد (جان ورا و نیوویل 1994، گری، جان و اَت وود 1993؛ راندستدو میر 1993). هدف کلی این پروژه ایجاد یک مدل کاربر محور (عامل هوشمند) که بتواند راهنمایی و هدایت را در وظایف کامپیوتری که پرسرعت و پرداده هستند بر ضمه گیرد. به صورت اخص در عملیات رادار کشتی به طور مشخص عامل هوشمند مسیر قابل اعتمادی را فراهم می‌کند برای پژوهش در واکنش‌های انسان و کامپیوتر. ایده‌ی اصلی برای تعامل در مورد سیستم‌های پیچیده‌ای مثل آنچه در مورد هواپیماها و یا برج‌های کنترل ترافیک هوایی اِعمال می‌شد بوده است که برای دستیاری انسان در مورد این وظایف ساخته شده است. عوامل هوشمند که اخیراً ایجاد گردیده‌اند به صورت اجباری در واکنش با سیستم‌های حرفه‌ای و برنامه‌هایی که برای یک کار ویژه خاص طراحی شده‌اند هستند (مثل مائس 1994). این تحقیق رهیافت جدیدی را برای عامل‌هایِ کاربر محور ارائه کرده است که به آن‌ها این اجازه را می‌دهد که به جست‌وجو و تعقیب فعالیّت‌ها و به صورت هم‌زمان به پیش‌بینی وضعیت‌ها در جایی که کاربر نیاز به کمک و همراهی دارد. تلاش‌ها در راستای خلق کردن مدلی وسیع و مستحکم پیرامون رفتار عمومی انسان همواره ناموفّق بوده است اگرچه اخیراً تحقیق در مورد موضوع واکنش میان انسان و کامپیوتر راه‌های جدیدی برای مدل‌سازی رفتار بشر در مورد یک عمل خاص را ممکن کرده است. اگر مدل‌های اینچنینی بتوانند در مورد عامل‌های هوشمند نرم‌افزاری صدق کنند، این عامل‌ها بتوانند این عمل‌های خاص را همانند انسان‌ها انجام دهند شاید این عامل‌ها از آن جهت حائز اهمیّت باشند که قابلیت یاری کاربرها را دارند چرا که می‌توانند رفتار کاربر را پیگیری و پیش‌بینی کنند. آنها برنامه‌های نرم‌افزاری هستند که به صورت مشخص برای تعامل با کاربران انسانی به روش و سطحی که مرتبط با عمل و کاربر باشد طراحی شده‌اند. تعدادی از رهیافت‌ها برای توسعه‌ی عامل‌های هوشمند اخیراً پدید آمده‌اند. آنها به صورت وسیع می‌توانند به عنوان سیستم‌هایی که نیازمند دانش در مورد محیط خاص هستند چه در مورد برنامه‌نویسی یا ساختن مکانیزم‌های یادگیری مشخص شوند. ما رهیافت متفاوتی را ایجاد کردیم در مورد این مسئله که دانش عامل‌ها براساس مدل‌های شناختیِ انسانی است. به جای برنامه‌نویسی عامل با دانش مشخص، به عامل این مدل داده می‌شود که یک انسان در مورد آن وظیفه‌ی خاص چگونه عمل می‌کند. یک عامل کمتر شبیه یک سیستم حرفه‌ای است و بیشتر شبیه یک همکار فعّال در یک فعالیّت را دارد. به عنوان بخشی از تعامل، عاملی با این مشخصه قابلیت آن را خواهد داشت که رفتار کاربر را پیگیری کند. و در صورت نیاز دستیاری و راهنمایی لازم را فراهم آورد و حتّی آموزش دیدن دهد (به‌روزرسانی مدل کاربران) از رفتار کاربران را انجام دهد. برای همکاری فعّال با یک کاربر، یک عامل باید از مجموعه اهدافی که کاربر می‌خواهد به آن دست یابد، آگاه باشد و هم‌چنین اینکه کاربر در چه مرحله‌ای از فرآیند دستیابی به هدف قرار دارد، بنابراین کیفیت همکاری و ارتباط عامل – کاربر به صورت فزاینده‌ای از طریق فهم اولویت‌های طرفین افزایش یافته است. مثال‌های این پیگیری عامل در مسایل مختلفی چون، تحصیلات (آموزگاران هوشمند که فعالیّت‌های دانش‌آموزان را پیگیری می‌کنند) آموزش، سرگرمی (تعامل و کنشِ شخصیت‌ها در محیط بصریِ حقیقی مثل رمان‌های اسرارآمیز) قابل مشاهده است. لزوم تعامل میان کاربر – کامپیوتر در مشاغل حساس‌تر، بیشتر قابل مشاهده است برای مثال کنترل ترافیک هوایی و عملیات رادار. در این شرایط است که عامل می‌بایست در محیط و زمان واقعی پاسخ تلاش‌هایی را که در طول تحقیق انجام گرفته است، بدهد. ایده‌ی جدیدی که اخیراً در دانش شناختی شده است این است که شناخت می‌تواند منتقل شود. همه‌ی فرآیندهای شناختی در مورد کامل کردن یک وظیفه لازم نیست در یک ذهن جمع شوند. محیط و اجرای بیرونی به صورت فعّال بر روی فرآیند شناختی و رفتار ما مؤثّر هستند. دانش بیرونی دیگر فقط شامل کمک حافظه یا چیزی برای درونی کردن نیست، بلکه چیزی است که رفتارشناختی ما را سازماندهی و محدود می‌سازد. نتایج فرآیندها را تغییر می‌دهد و طبیعت وظایف را نیز تحت تغییر قرار می‌دهد (هات چیتر 1995). در حــال حاضر محدودیت اصلیِ رهیافــت شناخت قابل انتقال فقدان مدلِ فرآینــد است. یک تئوری در مورد دانش بیرونی/ اجرایی بدون توجیهات قانع‌کننده در مورد فرآیند، ناکامل خواهد بود و این اجازه‌ی پیش‌بینی تغییرات واقعی میان دانش درونی و بیرونی به عنوان وظیفه‌ای که انجام شده را نمی‌دهد. به منظور ایجاد چنان مدلی، مفهوم‌سازی می‌بایست شامل تعامل واقعی میان کنترل بیرونی و درونی رفتار شود. بر اساس نتایج حاصل از مشاهدات فردی ما با هم و با محیط، در دنیای واقعی وظایف، به گردآوری داده‌ها بر اساس این که چه طور یک سیستم بزرگ‌تر شامل داخلی و بیرونی، تأثیر بر رفتار ما می‌گذارد، می‌پردازیم. پروژه‌ی عملیات رادار می‌تواند به عنوان عصاره‌ی وظیفه‌ی تحلیل GOMS ، پیرامون انتقال وظایف شناختی دیده شود. مدل GOMS که توسط ما طراحی شده است نشان می‌دهد که چگونه وظایف پیچیده می‌تواند از طریق تعامل علّت‌های بیرونی حافظه و اجرائیات بیرونی با موفقیّت انجام گردد. مدل‌سازی انتقال وظایف شناختی می‌توانند از طریق GOMS مشخص گردند. در مرحله‌ی اوّل GOMS اهداف کاربر و دستگاه را می‌گیرد که می‌توانند در تجزیه به صورت اهداف داخلی یا خارجی باشند. در مرحله‌ی دوّم اهداف مشخص شده در GOMS‌ از طریق همکاری متخصصان با یکدیگر یا متخصصان با محیط تصریح می‌گردد. در گام سوّم مدل GOMS صراحتاً شرح می‌دهد که چگونه اطلاعات مورد درخواست از درون مغز به جهان بیرون حرکت می‌کنند و هم‌چنین چگونه بازگشت می‌یابند.

فهم کاربر : این کاربریِ روش‌شناسیِ GOMS ادعا می‌کند که رفتارهای شناختی نه‌تنها واکنش‌های عمومی میان کاربران حافظه‌ها و اجرائیات خارجی است بلکه منحصراً مشخص می‌کند این واکنش‌ها کی و چگونه واقع خواهند شد. عاملی که به عنوان دستیار هوشمند به خدمت گرفته می‌شود باید بتواند نقشه‌های مشخص را اجرا نماید و بررسی کند، فعالیّت‌ها، باورها و الهامات کاربر که اقدامات‌اش بر آن اساس است چیست. تحقیق در مورد شناخت برنامه به صورت مشخص بر روی حیطه‌ی شبه – آماری تمرکز کرده است سیستم‌های شناخت برنامه در غالب نظم اهداف بالا به پائین، شناخت فرضیه‌هایی که محور باورها، خواسته‌ها و انگیزش‌های سایر عامل‌ها عمل می‌کنند (برات‌من 1987) پس به این ترتیب ابزار نهایی تحلیل‌ها می‌تواند در راستای استنباط فعالیّت‌های پسین (بعدی) ساخته شود (پب و جان 1992، تیمب ورُزِن بلوم 1995). ابزارهای مدل‌سازی مثل GOMS یک درجه‌ی دانش توصیفی از یک وظیفه را ایجاد کردند (نویل 1982) و هم‌چنین ساختاری را برای تجزیه کردن اهداف به جزئیات دقیق‌تر فراهم می‌کند درنتیجه ابزاری برای پیش‌بینی اهداف کاربر، باورها و اولویت‌های وی ایجاد می‌گردد درنتیجه به این دلیل امکان پیش‌بینی عملکرد او نیز ممکن خواهد بود (گری، جان و اَت وود 1993). اگرچه برخلاف سایر سیستم‌ها در مدل GOMS هیچ برنامه‌ریزی و پژوهشی مورد نیاز نخواهد بود، تصمیمات از طریق قوانین منتخب اتخاذ می‌گردند. روش‌شناسی ما بر یک رهیافتِ واکنشی حرکت داده‌ها تأکید می‌کند که برای حیطه‌های دینامیک‌تر مناسب به نظر می‌رسد. مخصوصاً در شرایطی که عملکرد و اولویت از زمانی به زمان دیگر با توجه به اتفاق و حادثه‌ی جدید تغییر می‌کند. در ایجاد یک مدلِ دینامیک آنچه حائز اهمیّت است آن است که مدل بتواند کیفیت و قابلیتی را داشته باشد که به افراد انسان اجازه دهد فعالیّت‌ها را به همان خوبی که خودشان انجام می‌دهند، انجام دهند. این تحقیق ادعا می‌کند که GOMS توانایی آن را دارد که به صورت طبیعی همان واکنشی را نشان دهد که انسان در آن شرایط نشان می‌دهد و نتایج مشابه هم دریافت گردد (مراجعه شود به جان و وِرا 1994). این پژوهش هم‌چنین به توان GOMS در پیش‌بینی رفتارها در حوزه‌های واکنشی و مفید بودن این برنامه در پیش‌بینی رفتار انسان در مرحله‌ی کار ویژه‌ی هدف می‌پردازد. در مدل GOMS قابلیت واکنش برگرفته از سازمان‌دهی روش‌ها و قواعد انتخابی است. در هر زمان مقتضی در رفتار مدل توده‌ی هدف متناسباً کم‌عمق می‌گردد چرا که تعداد مدل‌های بسیار کمی وجود دارد که در تطابق با آن هستند. به همین علّت این مدل به صورت خیلی مناسب عمل می‌کند و از انتقادهایی مثل ساچ من (1993) و آگره (1993) که سیستم‌های AL اخیراً به صورت ارثی غیرواکنشی هستند پرهیز می‌کند. واکنشی بودن با مجبور کردن مدل به بررسی تغییرات جهان حاصل نمی‌شود (مثل دستورات و ارتباطات جدید) بلکه به جای آن از طریق بازگشت به هدف برتر بعد از کامل کردن پروسه‌ای از اهداف زیرین حاصل خواهد شد. روش هدف برتر می‌تواند پس از آن به بررسی تغییرات هم بپردازد با پرهیز از تواوبات طولانی ارتباطی مدل می‌تواند تنها تغییرات مهمّ را در محیط‌اش بررسی کند و به این ترتیب محافظه‌ی کاری از مسائل روزمره‌ی غیرضروری پر و انباشته نخواهد شد. این مدل‌ها توانایی ترکیب طبیعت روزمره رفتار حرفه‌ای را با واکنش‌های دنیای حقیقی دارند. آموختن نیز بخش مهمّی از عامل‌های هوشمند به حساب می‌آید، پس ممکن است در طول زمان به افزایش دانش‌اش در مورد حوزه‌ی وظیفه، روش‌ها، ترجیحات کاربران (مائس و کوزیراک 1993) ساختن عامل در یک معماری AL‌ مثل سُوار (نویل 1990) یا ACT-R (اندوسن 1993) به آن اجازه می‌دهد یاد بگیرد مدل‌های داخلی خود را بر اساس بررسی فعالیّت‌های دنیای واقعی اصلاح کند. آموختن در یک عامل هوشمند به دو حالت صورت می‌گیرد : ارتقاء و پیشرفت مدل وظیفه و پیشرفت مدل کاربر. تکنیک‌های اجباری آموزشی می‌تواند مورد استفاده قرار گیرند برای دستیابی به درجه‌ی بالایی از تنوّع فردی در میان کاربران با نصایح پاداشی که قابل قبول است و نصایح تنبیه که مقبوح است. اگرچه آن‌ها تمایل دارند که به صورت آرام یاد بگیرند پس کاربر باید مرتّباً آن را تمرین دهد تا زمانی که آمادگی دستیاری‌اش را پیدا کنند. این رهیافت حداکثر مزایای ساختار وظیفه را به دست می‌آورد این مدل می‌تواند با توجه به احتمالات نتایج احتمالی و تجربیات واقعی به‌روزرسانی شود. وضعیت اخیر این کار آن است که ما مدلی را ایجاد کرده‌ایم که در مورد یک ایستگاه عامل رادارکشی است. با استفاده از GOMS معلوم شده است که تا حدّ بسیار زیادی عامل رادار بر اساس طبیعت روتین خود عمل می‌کند. مدل اهداف عامل را مشخص کرده است هم‌چنین مِتُدهایی که برای دستیابی به آن وجود دارد. یک سمبل اجرایی از مدل در یک سناریو این گونه بوده که مدل پاسخ عامل را با درجه‌ی بالای احتمال پیش‌بینی کرده است و بنابراین جزئیات آن عمل را که در توصیف سناریو وجود نداشت فراهم آورده بر اساس این مدل در آن قسمت‌های وظیفه عامل هوشمند قادر خواهد بود متصدی را تا میزان زیادی کمک کند در راستای محقّق کردن وظایفی که تعریف شده است. مرحله‌ی تصمیم‌گیری و جمع‌آوری اطلاعات می‌تواند موضوعات دستیاری عامل هوشمند باشد. گام بعدی این پروژه تکمیل مدل دانشیِ وظیفه به یاری کامپیوتر در محیط حقیقی (CAVE) است. از آنجا که پیچیدگی عملیات کامپیوتری افزایش یافته است و میزان اطلاعات موجود در سیستم‌های این چنینی رشد کرده است، کاربران این سیستم با مشکل ربط و ضبط این حجم از اطلاعاتی که به آنها داده می‌شود قرار می‌گیرند. فراهم آوردن تعاملی هوشمند که بتواند در ارتباط میان انسان و کامپیوتر دستگیری کند می‌تواند منجر به افزایش تولید، کاهش اشتباهات و تبدیل وظیفه به یک امر لذّت‌بخش برای کاربر شود. اگرچه GOMS به عنوان یک مدل شناختی مورد استفاده قرار نگرفته است چرا که مدل بیشتر توصیفی است تا توجیهی. به پژوهشگران اجازه می‌دهد تا عملکرد روتین کاربران را مشخص و بررسی کنند عملکردی که نیازمند دانش حرفه‌ای است، گسترش وظایفی که در آن ابزاری چون GOMS قابل اعمال باشند یکی از مهمّ‌ترین دغدغه‌های انسان می‌بایست باشد، با احترام به تکنولوژی در حال توسعه‌ای که با توجه به مفهوم وظایف مشخص مناسب و مفید برای استفاده‌ی انسان است.