Utilisez-vous le texte prédictif ? Il y a de fortes chances que cela ne vous fasse pas gagner du temps, et pourrait même vous ralentir

La dactylographie est l’une des choses les plus courantes que nous faisons sur nos téléphones portables. Une enquête récente suggère que les millenials passent 48 minutes par jour à envoyer des SMS, tandis que les baby-boomers passent 30 minutes.

Depuis l’avènement des téléphones portables, la façon dont nous écrivons a changé. Nous avons vu l’introduction de la correction automatique, qui corrige les erreurs au fur et à mesure que nous tapons, et de la prédiction de mots (souvent appelée texte prédictif), qui prédit le prochain mot que nous voulons taper et nous permet de le sélectionner au-dessus du clavier.

Des fonctions telles que la correction automatique et le texte prédictif sont conçues pour rendre la saisie plus rapide et plus efficace. Mais la recherche montre que ce n’est pas nécessairement vrai du texte prédictif.

Une étude publiée en 2016 a révélé que le texte prédictif n’était associé à aucune amélioration globale de la vitesse de frappe. Mais cette étude ne comptait que 17 participants et tous utilisaient le même type d’appareil mobile.

En 2019, mes collègues et moi avons publié une étude dans laquelle nous avons examiné les données de frappe mobile de plus de 37 000 volontaires, tous utilisant leur propre téléphone portable. Les participants ont été invités à copier les phrases aussi rapidement et précisément que possible.

Les participants qui ont utilisé le texte prédictif ont tapé en moyenne 33 mots par minute. C’était plus lent que ceux qui n’utilisaient pas de méthode de saisie de texte intelligente (35 mots par minute) et significativement plus lent que les participants qui utilisaient la correction automatique (43 mots par minute).

Le briser

Il est intéressant de considérer la faible corrélation entre le texte prédictif et les performances de frappe. L’idée semble logique : si le système peut prédire le mot que vous souhaitez utiliser avant que vous ne le tapiez, cela devrait vous faire gagner du temps.

Dans mon étude la plus récente sur ce sujet, un collègue et moi avons exploré les conditions qui déterminent si le texte prédictif est efficace. Nous avons combiné certaines de ces conditions, ou paramètres, pour simuler un grand nombre de scénarios différents et ainsi déterminer quand le texte prédictif est efficace et quand il ne l’est pas.

Nous avons intégré quelques paramètres fondamentaux associés aux performances de texte prédictif dans notre simulation. Le premier est le temps moyen qu’il faut à un utilisateur pour appuyer sur une touche du clavier (essentiellement une mesure de sa vitesse de frappe). Nous avons estimé cela à 0,26 seconde, sur la base de recherches antérieures.

Le deuxième paramètre fondamental est le temps moyen qu’il faut à un utilisateur pour regarder une suggestion de texte prédictive et la sélectionner. Nous avons corrigé ce problème à 0,45 seconde, toujours sur la base des données existantes.

Au-delà, il y a un ensemble de paramètres qui sont moins clairs. Ceux-ci reflètent la façon dont l’utilisateur interagit avec le texte prédictif, ou ses stratégies, si vous préférez. Dans notre recherche, nous avons examiné comment différentes approches de deux de ces stratégies influencent l’utilité du texte prédictif.

Le premier est la longueur minimale du mot. Cela signifie que l’utilisateur aura tendance à ne regarder que les prédictions pour les mots au-delà d’une certaine longueur. Il se peut que vous ne regardiez les prédictions que si vous tapez des mots plus longs, au-delà, disons, de six lettres, car ces mots nécessitent plus d’efforts pour épeler et taper. L’axe horizontal dans la visualisation ci-dessous montre l’effet de la variation de la longueur minimale d’un mot avant que l’utilisateur ne cherche une prédiction de mot, de deux lettres à dix.

La deuxième stratégie, « taper puis regarder », régit le nombre de lettres que l’utilisateur doit taper avant de consulter les prédictions de mots. Vous pourriez ne regarder les suggestions qu’après avoir tapé les trois premières lettres d’un mot, par exemple. L’intuition ici est que plus vous tapez de lettres, plus la prédiction sera probablement correcte. L’axe vertical montre l’effet de la modification par l’utilisateur de la stratégie de saisie puis de recherche, allant de l’examen des prédictions de mots avant même de taper (zéro) à l’examen des prédictions après une lettre, deux lettres, etc.

Une dernière stratégie latente, la persévérance, capture la durée pendant laquelle l’utilisateur tapera et vérifiera les prédictions de mots avant d’abandonner et de taper le mot en entier. Bien qu’il aurait été intéressant de voir comment la variation de la persévérance affecte la vitesse de frappe avec du texte prédictif, même avec un modèle informatique, il y avait des limites à la quantité de points de données modifiables que nous pouvions inclure.

Nous avons donc fixé la persévérance à cinq, ce qui signifie que s’il n’y a pas de suggestions appropriées après que l’utilisateur a tapé cinq lettres, il complètera le mot sans consulter davantage le texte prédictif. Bien que nous n’ayons pas de données sur la persévérance moyenne, cela semble être une estimation raisonnable.

Qu’avons-nous trouvé ?

Au-dessus de la ligne pointillée, il y a une augmentation du taux d’entrée net tandis qu’en dessous, le texte prédictif ralentit l’utilisateur. Le rouge foncé indique quand le texte prédictif est le plus efficace ; une amélioration de deux mots par minute par rapport à l’absence de texte prédictif. Le bleu, c’est quand c’est le moins efficace. Dans certaines conditions de notre simulation, le texte prédictif peut ralentir un utilisateur jusqu’à huit mots par minute.

Le cercle bleu indique le point de fonctionnement optimal, où vous obtenez les meilleurs résultats du texte prédictif. Cela se produit lorsque les prédictions de mots ne sont recherchées que pour des mots d’au moins six lettres et que l’utilisateur regarde une prédiction de mots après avoir tapé trois lettres.

Ainsi, pour l’utilisateur moyen, il est peu probable que le texte prédictif améliore les performances. Et même quand c’est le cas, cela ne semble pas faire gagner beaucoup de temps. Le gain potentiel de quelques mots par minute est bien inférieur au temps potentiel perdu.

Il serait intéressant d’étudier l’utilisation prédictive du texte à long terme et d’examiner les stratégies des utilisateurs pour vérifier que nos hypothèses du modèle tiennent dans la pratique. Mais notre simulation renforce les conclusions de recherches humaines antérieures : le texte prédictif ne vous fait probablement pas gagner du temps et pourrait vous ralentir.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l’article original.