Designing for Voice – Crafting Voice Experiences

Voice Design hilft Menschen und Computern dabei, einander zu verstehen.

Die größte Herausforderung bei der Entwicklung von Voice-Anwendungen ist es, Menschen und Computern dabei zu helfen, einander zu verstehen. Da beide Dialogpartner Information sehr unterschiedlich produzieren und verarbeiten, spielt das Design bei Voice eine herausragende Rolle: Erfolgreiches Design berücksichtigt immer die Stärken und Limitierungen beider Dialogpartner im Kontext der Aufgaben, die eine Anwendung erfüllen möchte.

Den Menschen helfen, Computer zu verstehen

Menschen sind kognitiv schnell überlastet

Interfaces, die über Sprache realisiert werden, unterscheiden sich in hohem Maße von grafischen Benutzeroberflächen. Die im wörtlichen Sinne augenfälligste Unterscheidung besteht darin, dass primäre Voice-Anwendungen fast gänzlich ohne visuelle Information daherkommen. Dieses Fehlen optischer Anker in Form von Grafik oder Text beeinflusst die Nutzung und damit auch das Design eines Voice User Interfaces (VUI).

Gesprochene Sprache ist Klang. Während Schrifttexte und grafische Zeichen uns permanent zugänglich sind, müssen wir gesprochene Sprache im jeweiligen Moment verarbeiten. Das ist eine kognitiv anspruchsvolle Aufgabe, zumal unsere Lautäußerungen oft unpräzise und mehrdeutig sind. Schon während wir zuhören, stellen wir fortlaufend Hypothesen darüber an, was die Laute bedeuten, die unser Gegenüber produziert. Dazu müssen wir jede Menge Information im Arbeitsgedächtnis behalten, um im Verlaufe eines Gesprächs darauf zurückgreifen zu können und eine Reaktion auf das Gesagte festzulegen.

Damit wir angesichts dieser Herausforderungen überhaupt erfolgreich kommunizieren können, halten wir uns unbewusst an Regeln. So gehen wir bei jedem Dialog unausgesprochen davon aus, dass sich beide Partner gemeinsam für ein bestimmtes Ziel einsetzen und das Gespräch in diesem Sinne vorantreiben. Wenn wir in einen Dialog treten, kooperieren wir in einer bestimmten Sache. Wie wir das tun, hat der Sprachphilosoph Paul Grice in seinem Kooperationsprinzip beschrieben (siehe Kasten).

Kooperationsprinzip nach Grice:

Quantität: Gebe deinem Dialogpartner genau die richtige Menge an Informationen
Qualität: Sei ehrlich und authentisch in dem, was du sagst
Relevanz: Achte darauf, dass deine Worte von Nutzen sind und das Gespräch voranbringen
Art und Weise: Fasse dich kurz, äußere dich strukturiert und so präzise wie möglich

Das Kooperationsprinzip von Grice ist eine Anpassung an den sequenziellen, flüchtigen und mehrdeutigen Charakter gesprochener Sprache und eine Kompensation unserer kognitiven Limitierungen. Es wird sichtbar, wenn wir in Gesprächen Dinge verdeutlichen, unterschiedlich betonen, wiederholen, wenn wir nachfragen, die Worte unseres Gegenübers bestätigen oder falsch verstandenes aufklären.

Digitale Systeme, die über Sprache funktionieren, müssen diese Regeln ebenfalls beherrschen, aktiv und passiv. Ihnen das „beizubringen“, ist die zentrale Aufgabe von Voice-Design.

Den Computern helfen, Menschen zu verstehen

Für Computer ist Mehrdeutigkeit und bildhafte Sprache problematisch.

Mündliche Sprache basiert auf sozialen Regeln, sie schafft aus einem begrenzten Inventar an Zeichen unendlich viele Kombinationen und ist letztlich immer mehrdeutig. Das macht sie für digitale Systeme zur Herausforderung – insbesondere beim Prozessieren (/verstehen einer Nutzeräußerung/) als auch Produzieren (/beantworten derselben/).

Menschliche Dialoge sind soziale Handlungen und als solche strukturell eingebettet in kognitive Modelle über die Welt und unsere Erfahrungen darin. Beim Sprechen gleichen wir gewissermaßen unsere mentalen Modelle mit denen unserer Gesprächspartner ab und einigen uns auf Bedeutungen. Dabei folgen wir zum einen dem weiter oben genannten Prinzip von Grice und beziehen zum anderen eine Vielzahl von Informationen aus unserer Umgebung ein.

Computer können heute recht zuverlässig Laute in Text umwandeln und mit Akzenten umgehen. Was ein Text jedoch bedeutet, muss nach wie vor programmiert werden, ebenso welche Reaktion darauf zu folgen hat. Über große Datenmengen aus relevanten Kontexten lässt sich die Zuverlässigkeit, mit der ein Text richtig interpretiert wird, erhöhen. Ebenso dadurch, dass man die Domäne, in der eine Aufgabe erfüllt werden soll, stark präzisiert. Weil Computer große Datenmengen parallel verarbeiten können, sind sie auch in der Lage, eine Vielzahl an Hypothesen abzugleichen, um sich auf eine Interpretation festzulegen – eine Grundvoraussetzung für Natural Language Processing.

Die Bedeutung von Kontext bei Voice:

Digitale Systeme verfügen nicht per se über Kontextwissen. Ein solches „Wissen“ muss ihnen aktiv über die Bereitstellung von Daten zugänglich gemacht werden. Da die Bedeutung menschlicher Äußerungen aber grundsätzlich kontextbezogen ist, müssen digitale Systeme möglichst große Mengen an entsprechenden Daten zur Verfügung haben, um Sprache interpretieren zu können. Für Voice-Anwendungen spielen hier insbesondere personalisierte Nutzerdaten, Anwendungsdaten und themenspezifische Sprachdaten eine Rolle.

Den Menschen helfen, Computer zu verstehen

Den Computern helfen, Menschen zu verstehen

Kontakt