UI/UX päivityksen tutkimus yritykselle Y
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena oli tutkia yritys Y:n asiakaskunnan tyytyväisyyttä sen tuotteeseen ja tarvittaessa luoda pohja UI- tai UX-päivitykselle, jolla pyritään parantamaan asiakastyytyväisyyttä ja tehostamaan tuottavuutta. Työn toimeksiantajana toimi yritys Y, joka haluaa pysyä anonyyminä tässä opinnäytetyössä. Tutkimuskohteena oli tuotteen UI:n käytettävyys ja käyttäjäkokemus, joiden pohjalta laadittiin asiakaskysely. Pääpainona oli datan keräys ja analyysi. \n \nTavoitteena oli kerätä hyödyllistä dataa asiakaskunnalta ja arvioida päivityksen tarvetta. Työn pääpaino oli kyselyn luomisessa ja sen tulosten analysoinnissa. Kysely kohdistettiin uusille tuotteen käyttäjille, mutta vastaaminen oli vapaaehtoista ja mahdollista kaikille asiakkaille. Analyysi keskittyi vahvasti yrityksen sovellukseen. Työn aikana käsittelen myös UI/UX terminologiaa ja -teoriaa sekä käyttäjätyytyväisyyden hyödyntämistä IT-alalla, mikä on hyödyllistä alasta kiinnostuneille. Työ päättyy kyselyn luomiseen, tulosten analysointiin ja lopulta päivitystarpeen arviointiin yritykselle. \n \nKysely jaettiin sähköpostitse ja uutiskirjeen kautta asiakaskunnalle, mutta vastaajamäärä jäi vähäiseksi. Otin dataan mukaan tikettijärjestelmästä tikettejä taustoittamaan dataa. Suodatin tiketit avainsanojen ja aikahaarukan avulla, jotta sain karsittua pois tarpeettomat, aiheeseen liittymättömät tai vanhentuneet kysymykset. Datakeräys ja analyysi jäivät vähäisiksi johtuen datamäärän puutteesta. Hyödynsin keräämääni dataa ja laskin siitä CSI-arvon, joka oli 73 pistettä eli varsin positiivinen. \n \nDatan vähyyden vuoksi tulosta ei kuitenkaan voi pitää edustavana koko asiakaskunnan osalta ja on epäluotettava. Tämän tutkimuksen perusteella suosittelin yritykselle datan keräyksen jatkamista säännöllisesti tai datan keruun laajentamista myös laadulliseen dataan tarkempien tulosten saamiseksi. Suositukseni oli jatkaa kehitystä ilman suurta huolta UI/UX-kehityksen painottamisesta.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.082 | 0.023 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".