Escribir es una de las cosas más comunes que hacemos en nuestros teléfonos móviles. Una encuesta reciente sugiere que los millenials pasan 48 minutos al día enviando mensajes de texto, mientras que los boomers pasan 30 minutos.
Desde la llegada de los teléfonos móviles, la forma en que enviamos mensajes de texto ha cambiado. Hemos visto la introducción de la autocorrección, que corrige los errores a medida que escribimos, y la predicción de palabras (a menudo llamada texto predictivo), que predice la siguiente palabra que queremos escribir y nos permite seleccionarla encima del teclado.
Las funciones como la autocorrección y el texto predictivo están diseñadas para que la escritura sea más rápida y eficiente. Pero la investigación muestra que esto no es necesariamente cierto en el caso del texto predictivo.
Un estudio publicado en 2016 encontró que el texto predictivo no se asoció con ninguna mejora general en la velocidad de escritura. Pero este estudio solo tuvo 17 participantes, y todos usaron el mismo tipo de dispositivo móvil.
En 2019, mis colegas y yo publicamos un estudio en el que analizamos los datos de mecanografía móvil de más de 37.000 voluntarios, todos usando sus propios teléfonos móviles. Se pidió a los participantes que copiaran oraciones de la manera más rápida y precisa posible.
Los participantes que utilizaron texto predictivo escribieron un promedio de 33 palabras por minuto. Esto fue más lento que aquellos que no usaron un método de entrada de texto inteligente (35 palabras por minuto) y significativamente más lento que los participantes que usaron la autocorrección (43 palabras por minuto).
Rompiéndolo
Es interesante considerar la mala correlación entre el texto predictivo y el rendimiento de escritura. La idea parece tener sentido: si el sistema puede predecir la palabra deseada antes de escribirla, esto debería ahorrarle tiempo.
En mi estudio más reciente sobre este tema, un colega y yo exploramos las condiciones que determinan si el texto predictivo es efectivo. Combinamos algunas de estas condiciones, o parámetros, para simular una gran cantidad de escenarios diferentes y, por lo tanto, determinar cuándo el texto predictivo es efectivo y cuándo no.
Construimos un par de parámetros fundamentales asociados con el rendimiento de texto predictivo en nuestra simulación. El primero es el tiempo promedio que le toma a un usuario presionar una tecla en el teclado (esencialmente una medida de su velocidad de escritura). Estimamos esto en 0,26 segundos, según investigaciones anteriores.
El segundo parámetro fundamental es el tiempo medio que tarda un usuario en ver una sugerencia de texto predictivo y seleccionarla. Arreglamos esto en 0,45 segundos, nuevamente según los datos existentes.
Más allá de estos, hay un conjunto de parámetros que son menos claros. Estos reflejan la forma en que el usuario interactúa con el texto predictivo, o sus estrategias, si lo desea. En nuestra investigación, analizamos cómo los diferentes enfoques de dos de estas estrategias influyen en la utilidad del texto predictivo.
La primera es la longitud mínima de las palabras. Esto significa que el usuario tenderá a mirar solo las predicciones de palabras más allá de una cierta longitud. Es posible que solo vea las predicciones si está escribiendo palabras más largas, más allá de, digamos, seis letras, porque estas palabras requieren más esfuerzo para deletrearlas y escribirlas. El eje horizontal en la visualización a continuación muestra el efecto de variar la longitud mínima de una palabra antes de que el usuario busque una predicción de palabras, de dos letras a diez.
La segunda estrategia, “escribir y luego mirar”, gobierna cuántas letras escribirá el usuario antes de mirar las predicciones de palabras. Es posible que solo vea las sugerencias después de escribir las primeras tres letras de una palabra, por ejemplo. La intuición aquí es que cuantas más letras escriba, es más probable que la predicción sea correcta. El eje vertical muestra el efecto de que el usuario varíe la estrategia de escribir y luego mirar desde mirar predicciones de palabras incluso antes de escribir (cero) hasta mirar predicciones después de una letra, dos letras, etc.
Una estrategia latente final, la perseverancia, captura cuánto tiempo el usuario escribirá y verificará las predicciones de palabras antes de darse por vencido y simplemente escribir la palabra completa. Si bien hubiera sido revelador ver cómo la variación en la perseverancia afecta la velocidad de escritura con texto predictivo, incluso con un modelo de computador, había limitaciones en la cantidad de puntos de datos cambiables que podíamos incluir.
Así que fijamos la perseverancia en cinco, lo que significa que si no hay sugerencias adecuadas después de que el usuario haya escrito cinco letras, completará la palabra sin consultar más el texto predictivo. Aunque no tenemos datos sobre la perseverancia promedio, esto parece una estimación razonable.
¿Qué encontramos?
Por encima de la línea punteada hay un aumento en la tasa de entrada neta, mientras que por debajo, el texto predictivo ralentiza al usuario. El rojo intenso muestra cuando el texto predictivo es más efectivo; una mejora de dos palabras por minuto en comparación con no usar texto predictivo. El azul es cuando es menos efectivo. En determinadas condiciones de nuestra simulación, el texto predictivo podría ralentizar a un usuario hasta en ocho palabras por minuto.
El círculo azul muestra el punto de funcionamiento óptimo, donde obtiene los mejores resultados del texto predictivo. Esto ocurre cuando las predicciones de palabras solo se buscan para palabras con al menos seis letras y el usuario mira una predicción de palabras después de escribir tres letras.
Por lo tanto, para el usuario promedio, es poco probable que el texto predictivo mejore el rendimiento. E incluso cuando lo hace, no parece ahorrar mucho tiempo. La ganancia potencial de un par de palabras por minuto es mucho menor que el tiempo potencial perdido.
Sería interesante estudiar el uso de texto predictivo a largo plazo y observar las estrategias de los usuarios para verificar que nuestras suposiciones del modelo se mantengan en la práctica. Pero nuestra simulación refuerza los hallazgos de investigaciones anteriores en humanos: el texto predictivo probablemente no le ahorra tiempo y podría ralentizarlo.
*Per Ola Kristensson, profesor de Ingeniería de Sistemas Interactivos, Universidad de Cambridge
