An attribution expresses the underlying basis or rationale for a result, without explaining exactly how a model works. Depending on the design of your app, you might want to use attributions to impart transparency and give people insight into your results. For example, if your app suggests books for people to read, you might use an attribution like “Because you’ve read mysteries” when you suggest books in the “thrillers” category.
속성은 모델이 어떻게 작동하는지 정확하게 설명하지 않고 결과에 대한 기본적인 근거나 근거를 나타냅니다. 앱의 디자인에 따라 속성을 사용하여 투명성을 제공하고 결과에 대한 통찰력을 사람들에게 제공할 수 있습니다. 예를 들어, 앱에서 사람들이 읽을 책을 제안하는 경우 "스릴러" 범주의 책을 제안할 때 "당신이 미스터리를 읽었기 때문"과 같은 속성을 사용할 수 있습니다.
To help you decide whether to include attributions in your app, consider how you want them to affect people. For example, do you want attributions to:
앱에 속성을 포함할지 여부를 결정하는 데 도움이 되도록 속성이 사람들에게 어떤 영향을 미칠지 고려해 보십시오. 예를 들어, 다음과 같은 속성을 사용하시겠습니까:
-
Encourage people to change what they do in your app?
-
사람들이 당신의 앱에서 하는 일을 바꾸도록 격려합니까?
-
Minimize the impact of mistakes?
-
Help people build a mental model of your feature?
-
사람들이 당신의 특징에 대한 정신적 모델을 만드는 것을 돕나요?
-
Promote trust in your app over time?
-
시간이 지남에 따라 앱에 대한 신뢰도를 높입니까?
Consider using attributions to help people distinguish among results. For example, if you present a set of results as multiple options, including attributions can help people choose an option based on their understanding of the premise that led to it, such as "New books by authors you’ve read."
귀인을 사용하여 결과를 구별하는 것을 고려해 보십시오. 예를 들어 귀인을 포함하여 결과 집합을 여러 옵션으로 제시하면 "당신이 읽은 저자의 새 책"과 같이 결과를 이끌어낸 전제에 대한 이해를 바탕으로 선택을 선택하는 데 도움이 될 수 있습니다
Avoid being too specific or too general. Overly specific attributions can make people feel like they have to do additional work to interpret the results, whereas overly general attributions typically don’t provide useful information. In apps that make content recommendations, general attributions can make people feel like your app is not treating them as individuals, but overly specific attributions can make people think that your app is watching them too closely. The best attributions strike a balance between these extremes.
지나치게 구체적이거나 너무 일반적인 속성은 사람들로 하여금 결과를 해석하기 위해 추가적인 작업을 해야 한다고 느끼게 하는 반면, 지나치게 일반적인 속성은 일반적으로 유용한 정보를 제공하지 않습니다. 콘텐츠를 추천하는 앱에서 일반적인 속성은 사용자의 앱이 자신을 개인으로 취급하지 않는 것처럼 느끼게 만들 수 있지만, 지나치게 구체적인 속성은 사용자의 앱이 자신을 너무 가까이서 보고 있다고 생각하게 만들 수 있습니다. 최상의 속성은 이러한 극단 사이에서 균형을 이룬다.
Keep attributions factual and based on objective analysis. To be useful, an attribution should help people reason about a result; you don’t want to provoke an emotional response. Don’t provide an attribution that implies understanding or judgment of people’s emotions, preferences, or beliefs. For example, an app that recommends new content to people should use an attribution like "Because you’ve read nonfiction" instead of an attribution like "Because you love nonfiction."
속성을 사실적으로 유지하고 객관적인 분석에 기초해야 한다. 유용하기 위해서 속성은 사람들이 결과에 대해 추론하는 데 도움이 되어야 한다; 당신은 감정적인 반응을 유발하고 싶지 않다. 사람들의 감정, 선호도 또는 신념에 대한 이해 또는 판단을 의미하는 속성을 제공하지 마십시오. 예를 들어, 사람들에게 새로운 콘텐츠를 추천하는 앱은 "당신이 논픽션을 좋아하기 때문"과 같은 속성 대신 "논픽션을 읽었기 때문"과 같은 속성을 사용해야 한다
In general, avoid technical or statistical jargon. In most situations, using percentages, statistics, and other technical jargon doesn’t help people assess the results you provide. The exception to this is when the result itself is of a statistical or technical nature, such as information in the areas of weather, sports, polling and election results, or scientific data.
일반적으로 기술적 또는 통계적 용어를 사용하지 마십시오. 대부분의 경우 백분율, 통계 및 기타 기술적 용어를 사용하는 것은 사용자가 제공한 결과를 평가하는 데 도움이 되지 않습니다. 예외는 결과 자체가 날씨, 스포츠, 여론조사 및 선거 결과 분야의 정보 또는 과학적 데이터와 같은 통계적 또는 기술적 성격을 가진 경우이다.