Impact of UX Internships on Human-computer Interaction Graduate Students: A Qualitative Analysis of Internship Reports
Notice bibliographique
Résumé
Objectives. Internships can bring a host of professional and academic benefits to students. Then, how do User Experience (UX) internships influence Human-Computer Interaction (HCI) graduate students’ professional and academic growth? What are the challenges experienced by HCI graduate students during internships? We explored these two research questions. Participants. Our study participants were 42 HCI graduate students who completed UX internships. They came from computing and related disciplines, including computer science, information technology, psychology, and design. Some of the participants’ internship titles were Interaction Designer, Design Researcher, UX Programmer, and Business Intelligence Analyst. Study Method. We conducted a thematic analysis on 42 graduate students’ UX internship reports that were collected over 6 years to uncover themes in relation to our two research questions. Findings. As for UX internship benefits, we found that students learned about the workplace culture (e.g., academia vs. industry/government on research design processes) and core UX technical (e.g., research, design, programming) and people skills (e.g., teamwork, empathy toward end-users); they also realized what they wanted in future careers after completing their internships. We also found internship challenges that were related to the internship program (e.g., the availability of internship opportunities), the host organizations (e.g., the quality of mentorship received), and remote working (e.g., difficulty over conducting remote usability testing). Conclusions. We make practical recommendations for HCI educators, UX practitioners, and HCI graduate students on how they can work collaboratively to create a meaningful UX internship experience. These recommendations include researching the host organization prior to internships, providing comprehensive onboarding, and being transparent with internship constraints.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».