Detecting UX smells in Visual Studio Code using LLMs
Diese Studie nutzt Large Language Models, um durch die Analyse von GitHub-Issues UX-Mängel in Visual Studio Code zu identifizieren und zeigt, dass die meisten Probleme die Bereiche Informationsgehalt, Klarheit, Intuitivität und Effizienz betreffen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich Visual Studio Code (VSCode) wie eine riesige, hochmoderne Werkstatt für Software-Entwickler vor. In dieser Werkstatt gibt es Werkzeuge, Regale, Beleuchtung und eine riesige Bibliothek an Anleitungen. Die Entwickler kommen hierher, um ihre Programme zu bauen.
Aber manchmal ist die Werkstatt nicht perfekt. Vielleicht ist eine Lampe zu schwach, ein Werkzeug liegt an der falschen Stelle oder die Beschriftung auf einem Regal ist unleserlich. Das Programm funktioniert noch, aber die Arbeit fühlt sich mühsam an, verwirrend oder frustrierend an.
Genau diese kleinen, nervigen Probleme nennt das Papier „UX-Smells" (auf Deutsch: „Gerüche" oder „Mängel" im Nutzererlebnis). Sie sind keine schweren Defekte (wie ein kaputtes Werkzeug, das gar nicht mehr funktioniert), sondern eher wie ein schlechter Geruch in der Luft – man kann ihn riechen, er stört den Komfort, aber die Maschine läuft noch.
Hier ist die einfache Erklärung der Studie, wie sie von den Autoren durchgeführt wurde:
1. Das Problem: Der „stille" Unmut
Die Forscher stellten fest, dass wir zwar wissen, wie gut ein Werkzeug funktioniert, aber oft vergessen, wie es sich anfühlt, es zu benutzen. In einer großen Werkstatt wie VSCode mit Millionen Nutzern ist es unmöglich, jeden einzelnen Entwickler zu fragen: „Hey, stört dich das hier?"
2. Die Lösung: Ein digitaler Detektiv (die KI)
Anstatt Tausende von Menschen zu interviewen, nutzten die Autoren eine Künstliche Intelligenz (ein sogenanntes Large Language Model, LLM).
- Die Analogie: Stellen Sie sich vor, die KI ist ein sehr aufmerksamer Bibliothekar, der alle 2.350 Beschwerden und Vorschläge liest, die Entwickler auf GitHub (eine Art digitales Beschwerde- und Ideenbuch) hinterlassen haben.
- Die Aufgabe: Der Bibliothekar liest nicht nur, er versteht auch. Er sortiert die Beschwerden in Kategorien ein. Wenn ein Entwickler schreibt: „Ich weiß nicht, wo ich klicken muss, um das Menü zu öffnen", erkennt die KI: „Aha! Das ist ein Problem mit der Klarheit."
3. Was haben sie gefunden? (Die Ergebnisse)
Nachdem die KI alle Beschwerden sortiert hatte, zeigte sich ein sehr klares Bild. Die meisten „Gerüche" in der Werkstatt kamen nicht von kaputten Maschinen (technischen Fehlern), sondern von Problemen, die das Denken und die Orientierung betreffen.
Die Top-3-Probleme waren:
- Unklarheit: „Was bedeutet dieser Knopf?"
- Mangelnde Information: „Ich weiß nicht, was gerade passiert."
- Fehlende Intuition: „Das hier ist nicht da, wo ich es erwarten würde."
Die überraschende Erkenntnis:
Die Entwickler beschweren sich am meisten genau über die Dinge, die ihnen am wichtigsten sind: Effizienz und Übersicht.
- Die Metapher: Stellen Sie sich vor, Sie sind ein Profi-Koch. Ihnen ist es egal, ob der Boden etwas staubig ist (ein kleines, seltenes Problem). Aber wenn Ihr Messer stumpf ist oder Sie den Pfeffer nicht sofort finden können, wenn Sie kochen, werden Sie wütend. Die Studie zeigt, dass die „Koch-Kompetenz" (die Produktivität) durch kleine Unklarheiten in der Werkzeugkiste leidet.
4. Das Konzept der „UX-Schulden" (UXDebt)
Die Autoren sprechen von UX-Schulden.
- Die Analogie: Wenn Sie beim Bauen eines Hauses kurzfristig eine Treppe bauen, die etwas krumm ist, um Zeit zu sparen, sparen Sie heute Zeit. Aber morgen müssen Sie jeden Tag einen Schritt über die krumme Treppe machen. Das ist eine „Schuld".
- In VSCode haben sich diese Schulden angesammelt. Die Entwickler haben so viele neue Features (neue Werkzeuge) hinzugefügt, dass die Übersicht verloren ging. Die „Schuld" besteht darin, dass die Software zwar mächtig ist, aber das Gehirn des Entwicklers überlastet, weil es ständig raten muss, wie etwas funktioniert.
5. Was bedeutet das für die Zukunft?
Die Studie zeigt, dass bei großen, reifen Programmen wie VSCode die größten Probleme nicht mehr darin liegen, dass die Software abstürzt (das ist technisch meist gut gelöst), sondern darin, wie sie mit dem Menschen kommuniziert.
Die KI half dabei, diese unsichtbaren Probleme sichtbar zu machen. Die Botschaft an die Entwickler von VSCode ist: „Hört auf, nur neue Werkzeuge hinzuzufügen, und fangt an, die Beschriftungen und Abläufe so klar zu machen, dass sich der Entwickler wie ein König fühlt, nicht wie ein Verlierer in einem Labyrinth."
Zusammenfassend:
Die Autoren haben eine KI als Detektiv eingesetzt, um Tausende von Entwickler-Beschwerden zu lesen. Sie entdeckten, dass die größte Frustration nicht bei technischen Fehlern liegt, sondern bei kleinen, nervigen Unklarheiten, die den Arbeitsfluss stören. Um bessere Software zu bauen, müssen wir nicht nur auf den Code achten, sondern auch auf das „Gefühl" der Werkstatt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.