Digitar é uma das coisas mais comuns que fazemos em nossos telefones celulares. Uma pesquisa recente sugere que os millenials passam 48 minutos por dia enviando mensagens de texto, enquanto os boomers passam 30 minutos.
Desde o advento dos telefones celulares, a maneira como enviamos mensagens de texto mudou. Vimos a introdução da correção automática, que corrige erros à medida que digitamos, e a previsão de palavras (geralmente chamada de texto preditivo), que prevê a próxima palavra que queremos digitar e nos permite selecioná-la acima do teclado.

Funções como correção automática e texto preditivo são projetadas para tornar a digitação mais rápida e eficiente. Mas a pesquisa mostra que isso não é necessariamente verdade para o texto preditivo.

Um estudo publicado em 2016 descobriu que o texto preditivo não estava associado a nenhuma melhoria geral na velocidade de digitação. Mas este estudo teve apenas 17 participantes – e todos usaram o mesmo tipo de dispositivo móvel.

Em 2019, meus colegas e eu publicamos um estudo no qual analisamos dados de digitação móvel de mais de 37.000 voluntários, todos usando seus próprios telefones celulares. Os participantes foram solicitados a copiar as frases da forma mais rápida e precisa possível.

Os participantes que usaram texto preditivo digitaram uma média de 33 palavras por minuto. Isso foi mais lento do que aqueles que não usaram um método de entrada de texto inteligente (35 palavras por minuto) e significativamente mais lento do que os participantes que usaram a correção automática (43 palavras por minuto).

Decompondo

É interessante considerar a baixa correlação entre texto preditivo e desempenho de digitação. A ideia parece fazer sentido:se o sistema puder prever a palavra pretendida antes de digitá-la, isso deve economizar seu tempo.

Em meu estudo mais recente sobre esse tópico, um colega e eu exploramos as condições que determinam se o texto preditivo é eficaz. Combinamos algumas dessas condições, ou parâmetros, para simular um grande número de cenários diferentes e, portanto, determinar quando o texto preditivo é eficaz — e quando não é.

Construímos alguns parâmetros fundamentais associados ao desempenho de texto preditivo em nossa simulação. O primeiro é o tempo médio que um usuário leva para pressionar uma tecla no teclado (basicamente uma medida de sua velocidade de digitação). Estimamos isso em 0,26 segundos, com base em pesquisas anteriores.

O segundo parâmetro fundamental é o tempo médio que um usuário leva para analisar uma sugestão de texto preditivo e selecioná-la. Corrigimos isso em 0,45 segundos, novamente com base nos dados existentes.

Além destes, há um conjunto de parâmetros menos claros. Isso reflete a maneira como o usuário se envolve com o texto preditivo – ou suas estratégias, se você preferir. Em nossa pesquisa, analisamos como diferentes abordagens para duas dessas estratégias influenciam a utilidade do texto preditivo.

O primeiro é o comprimento mínimo da palavra. Isso significa que o usuário tenderá a olhar apenas para as previsões de palavras além de um determinado comprimento. Você só pode olhar para as previsões se estiver digitando palavras mais longas, além de, digamos, seis letras – porque essas palavras exigem mais esforço para soletrar e digitar. O eixo horizontal na visualização abaixo mostra o efeito de variar o comprimento mínimo de uma palavra antes que o usuário busque uma previsão de palavra, de duas letras a dez.

A segunda estratégia, "digite e veja", determina quantas letras o usuário digitará antes de ver as previsões de palavras. Você só pode olhar para as sugestões depois de digitar as três primeiras letras de uma palavra, por exemplo. A intuição aqui é que quanto mais letras você digitar, maior a probabilidade de a previsão estar correta. O eixo vertical mostra o efeito do usuário variando a estratégia de digitar e depois ver, de ver as previsões de palavras antes mesmo de digitar (zero) para ver as previsões depois de uma letra, duas letras e assim por diante.

Uma estratégia latente final, a perseverança, captura por quanto tempo o usuário digitará e verificará as previsões de palavras antes de desistir e apenas digitar a palavra inteira. Embora tenha sido perspicaz ver como a variação na perseverança afeta a velocidade de digitação com previsão de texto, mesmo com um modelo de computador, havia limitações na quantidade de pontos de dados mutáveis ​​que poderíamos incluir.

Portanto, fixamos a perseverança em cinco, ou seja, se não houver sugestões adequadas depois que o usuário digitar cinco letras, ele completará a palavra sem consultar mais o texto preditivo. Embora não tenhamos dados sobre a perseverança média, isso parece uma estimativa razoável.

O que encontramos?

Acima da linha tracejada, há um aumento na taxa de entrada líquida, enquanto abaixo dela, o texto preditivo diminui a velocidade do usuário. O vermelho escuro mostra quando o texto preditivo é mais eficaz; uma melhoria de duas palavras por minuto em comparação com a não utilização de texto preditivo. O azul é quando é menos eficaz. Sob certas condições em nossa simulação, o texto preditivo pode retardar um usuário em até oito palavras por minuto.

O círculo azul mostra o ponto de operação ideal, onde você obtém os melhores resultados do texto preditivo. Isso ocorre quando as previsões de palavras são procuradas apenas para palavras com pelo menos seis letras e o usuário observa uma previsão de palavras depois de digitar três letras.

Portanto, para o usuário médio, é improvável que o texto preditivo melhore o desempenho. E mesmo quando isso acontece, não parece economizar muito tempo. O ganho potencial de algumas palavras por minuto é muito menor do que o tempo potencial perdido.

Seria interessante estudar o uso de texto preditivo de longo prazo e observar as estratégias dos usuários para verificar se nossas suposições do modelo são válidas na prática. Mas nossa simulação reforça as descobertas de pesquisas humanas anteriores:o texto preditivo provavelmente não está economizando seu tempo – e pode estar deixando você mais lento.