Logo des Repositoriums

Auflistung nach Autor:in "Toussaint, Marc"

1 - 3 von 3
  • Textdokument
    HUX – Measuring Holistic User Experience
    (Tagungsband UP12, 2012) Toussaint, Claude; Toussaint, Marc; Ulrich, Stefan
    Welchen Einfluss haben einzelne Produktmerkmale auf die User Experience? In welche Produktmerkmale lohnt es sich, zu investieren? Welche sind die Mindestansprüche an einzelne Merkmale in einer Produktkategorie, die erfüllt werden müssen, damit die Nutzer das Produkt noch akzeptieren? Welche Qualitäten begeistern die Nutzer? Um verlässliche Antworten auf diese entscheidenden Fragen in der Produktstrategie zu finden, hat designaffairs das Tool HUX (Holistic User Experience) entwickelt. Für eine vollständige Beschreibung der User Experience berücksichtigt HUX 21 Merkmale. Neben reinen Produktmerkmalen wie Design oder Materialqualität, werden auch Kontextmerkmale wie beispielsweise Markenwahrnehmung oder Produktpräsentation abgefragt. Im Rahmen der Messung, werden die Merkmale in einem umfangreichen Panel unabhängig von einander bewertet und anschließend in einem statistischen Verfahren analysiert. Der Vorteil von HUX gegenüber etablierten UX-Messverfahren, liegt darin, dass als Ergebnis der Messungen, konkrete Handlungsanweisungen für einzelne Produktmerkmale erzielt werden. Es wird deutlich, in welche Merkmale es sich lohnt zu investieren, um das Produkt erfolgreich zu machen. Hierbei werden sogar nichtlineare Zusammenhänge wie beispielsweise Hygiene- oder Begeisterungsfaktoren inklusive kritischer Grenzwerte ermittelt. Am Ende werden klare Entscheidungsgrundlagen für die strategische Produktplanung geliefert.
  • Zeitschriftenartikel
    Special Issue on Autonomous Learning
    (KI - Künstliche Intelligenz: Vol. 29, No. 4, 2015) Hammer, Barbara; Toussaint, Marc
  • Zeitschriftenartikel
    The Optimization Route to Robotics—and Alternatives
    (KI - Künstliche Intelligenz: Vol. 29, No. 4, 2015) Toussaint, Marc; Ritter, Helge; Brock, Oliver
    Formulating problems rigorously in terms of optimization principles has become a dominating approach in the fields of machine learning and computer vision. However, the systems described in these fields are in some respects different to integrated, modular, and embodied systems, such as the ones we aim to build in robotics. While representing systems via optimality principles is a powerful approach, relying on it as the sole approach to robotics raises substantial challenges. In this article, we take this as a starting point to discuss which ways of representing problems should be best-suited for robotics. We argue that an adequate choice of system representation—e.g. via optimization principles—must allow us to reflect the structure of the problem domain. We discuss system design principles, such as modularity, redundancy, stability, and dynamic processes, and the degree to which they are compatible with the optimization stance or instead point to alternative paradigms in robotics research. This discussion, we hope, will bring attention to this important and often ignored system-level issue in the context of robotics research.