هر مغز یک الگوی شناختی دارد

اگر انسان‌ها جهان را یکسان درک و بازنمایی نمی‌کنند، چرا باید انتظار داشته باشیم یک رابط واحد برای همه آن‌ها به یک اندازه طبیعی و قابل‌فهم باشد؟

این مقاله از یک مشاهده ساده آغاز می‌شود: انسان‌ها در شیوه دریافت، بازنمایی، سازمان‌دهی و حل مسئله یکسان نیستند. پژوهش‌های روان‌شناسی شناختی، علوم اعصاب و طراحی نشان می‌دهند که تفاوت‌های فردی در سبک‌های شناختی، توانایی‌های فضایی، بازنمایی تصویری و کلامی و راهبردهای حل مسئله واقعی و قابل‌اندازه‌گیری‌اند. در عین حال، شواهد کنونی اجازه نمی‌دهند ادعا کنیم برای هر انسان یک «اثر انگشت شناختی» کامل، جهانی و تغییرناپذیر اثبات شده است. ازاین‌رو این مقاله «منحصربه‌فرد بودن الگوی شناختی» را به‌عنوان فرضیه‌ای قابل‌آزمون مطرح می‌کند، نه یک حقیقت قطعی.

استدلال اصلی مقاله این است که بخش مهمی از آنچه در زبان روزمره «سلیقه» نامیده می‌شود ممکن است تنها ترجیح آزاد و سطحی نباشد؛ بلکه حاصل تعامل ادراک حسی، توجه، حافظه، زبان، فرهنگ، تجربه، تخصص، طرح‌واره‌های ذهنی و استعدادهای زیستی باشد. نمونه‌هایی مانند اختلال دید رنگ، تفاوت‌های زبانی در دسته‌بندی رنگ آبی در روسی، پژوهش‌های حافظه دیداری-فضایی کودکان Aboriginal استرالیا و شواهد وراثت‌پذیری برخی توانایی‌های فضایی، نشان می‌دهند که فضای انتخاب برای همه انسان‌ها الزاماً از نقطه‌ای یکسان آغاز نمی‌شود.

بر این پایه، مفهوم پیشنهادی «سازگاری شناختی رابط» (Cognitive Compatibility) برای این مقاله به‌عنوان یک چارچوب عملیاتی معرفی می‌شود: میزان هم‌راستایی شیوه ارائه یک محصول یا رابط با شیوه‌ای که کاربر اطلاعات را سریع‌تر و کم‌اصطکاک‌تر پردازش می‌کند. این ایده از خلأ آغاز نمی‌شود؛ نظریه Cognitive Fit، پژوهش‌های رابط‌های تطبیقی، Website Morphing، شناسایی خودکار سبک شناختی از تعاملات دیجیتال و مطالعات CAPTCHA پیش‌تر هرکدام بخشی از این مسیر را آزموده‌اند [19-24]. پیشنهاد این مقاله در ادغام این خطوط پژوهشی با امکانات امروز هوش مصنوعی و Generative UI است: چند انتخاب بسیار کوتاه و غیرمستقیم - از جمله انتخاب آزاد میان Micro-Puzzleهای تصویری، فضایی و قاعده‌محور - سیگنال شناختی تولید می‌کنند؛ سپس ترجیح کاربر میان دو بازنمایی متفاوت از یک قابلیت واحد اندازه‌گیری می‌شود و رابطه میان این دو در مقیاس جمعیت آموخته می‌شود. هدف برچسب‌زدن قطعی به افراد نیست؛ هدف ساخت یک فضای آماری از رابطه میان الگوهای انتخاب و الگوهای رابط است تا هوش مصنوعی بتواند در آینده، در کنار شخصی‌سازی مبتنی بر نیاز، شیوه نمایش همان قابلیت را نیز با نحوه فهم کاربر تطبیق دهد.

کلیدواژه‌ها: سبک شناختی، اثر انگشت شناختی، سازگاری شناختی، رابط کاربری تطبیقی، هوش مصنوعی، Object-Spatial-Verbal، Cognitive CAPTCHA، طراحی تعامل

در برخورد با یک محصول، طراحی، اثر هنری یا حتی یک نظریه علمی، اختلاف نظر انسان‌ها امری بدیهی تلقی می‌شود. یک نفر رابطی را «روشن و زیبا» می‌بیند، دیگری همان رابط را «سطحی و مبهم» می‌خواند؛ فردی از نمودار و نقشه ساختار لذت می‌برد و دیگری بدون دیدن نتیجه نهایی احساس نمی‌کند موضوع را فهمیده است. معمولاً تمام این تفاوت‌ها را با واژه‌ای عمومی جمع می‌کنیم: سلیقه. اما این واژه بیش از آنکه علت را توضیح دهد، غالباً نامی برای نتیجه مشاهده‌شده است.

پژوهش درباره سبک‌های شناختی نشان می‌دهد افراد در شیوه کسب و پردازش اطلاعات تفاوت دارند و این تفاوت‌ها را می‌توان به‌صورت الگوهای سازگاری شناختی با محیط در نظر گرفت؛ الگوهایی که بر پایه آمادگی‌های زیستی شکل می‌گیرند و با تقاضاهای محیط، تجربه و فرهنگ تغییر می‌کنند [1]. بنابراین نقطه آغاز انتخاب برای همه یکسان نیست. پیش از آنکه فرد چیزی را «دوست داشته باشد»، باید آن را ببیند، تفکیک کند، به آن توجه کند، آن را به دانسته‌های قبلی متصل کند و برایش مدلی ذهنی بسازد.

فرضیه محوری این مقاله: آنچه ما «ترجیح» می‌نامیم، گاهی خروجی یک زنجیره عمیق‌تر از ادراک، بازنمایی، تجربه و شناخت است؛ نه صرفاً یک انتخاب آزاد و هم‌سطح میان گزینه‌های برابر.

این مقاله نمی‌کوشد انسان‌ها را در چند جعبه ثابت قرار دهد. برعکس، از یک فضای چندبعدی سخن می‌گوید که در آن هر فرد می‌تواند ترکیبی متفاوت از ترجیحات و توانایی‌های شناختی داشته باشد. هدف نهایی نیز تشخیص شخصیت نیست؛ هدف بررسی این است که آیا می‌توان رابطه میان «نحوه فهمیدن» و «نحوه ارائه یک محصول» را اندازه‌گیری و در طراحی هوشمند به کار گرفت.

تفاوت در بازنمایی ذهنی را می‌توان ابتدا در فرایند خلاقیت دید. وقتی از چند نفر می‌خواهیم یک محصول جدید تصور کنند، ممکن است یک نفر پیش از هر چیز شکل محصول نهایی را ببیند؛ دیگری مکانیزم حرکت و ارتباط قطعات را شبیه‌سازی کند؛ شخص سوم از مسیر ساخت، تجهیزات و مونتاژ شروع کند؛ و نفر چهارم مسئله را در قالب هدف، محدودیت‌ها و قواعد کلامی صورت‌بندی کند. این تفاوت صرفاً تفاوت شغل نیست، هرچند تخصص و تجربه آن را تقویت می‌کند.

مدل سه‌بعدی Object-Spatial-Verbal و پرسشنامه OSIVQ بر این تمایز بنا شده‌اند که «تصویرسازی شیء» با جزئیات ظاهری، رنگ، فرم و کیفیت تصویری سروکار دارد؛ «تصویرسازی فضایی» بیشتر به روابط، تبدیل‌ها، حرکت، جهت و ساختار می‌پردازد؛ و پردازش کلامی بر واژه، گزاره و استدلال زبانی تکیه دارد [2]. پژوهش‌های پیشین نیز نشان داده‌اند که visualizer بودن یک بعد واحد نیست و می‌توان میان تصویرسازی iconic/object و تصویرسازی schematic/spatial تمایز گذاشت [3].

در علوم طراحی، چارچوب Function-Behaviour-Structure نیز نشان می‌دهد یک شیء طراحی را می‌توان از زاویه «برای چه ساخته شده»، «چه رفتاری دارد» و «از چه ساختار و روابطی تشکیل شده» بازنمایی کرد [12]. این چارچوب به‌تنهایی طبقه‌بندی افراد نیست، اما نشان می‌دهد حتی یک محصول واحد را می‌توان از سطوح شناختی متفاوت دید.

شکل ۱ - مسیرهای ممکن برای ورود ذهن به یک مسئله طراحی؛ این مسیرها الزاماً خطی یا انحصاری نیستند.

پژوهش طراحی همچنین نشان می‌دهد طراحان حرفه‌ای دائماً بین مسئله و راه‌حل رفت‌وبرگشت می‌کنند و تعریف مسئله همراه با شکل‌گیری راه‌حل تکامل می‌یابد [13]. از سوی دیگر، نشان دادن زودهنگام یک نمونه می‌تواند Design Fixation ایجاد کند و طراح را به ویژگی‌های نمونه اولیه مقید سازد [14]. بنابراین نقطه ورود ذهن به مسئله می‌تواند نه‌فقط سلیقه، بلکه فضای راه‌حل‌های قابل‌تصور را نیز تغییر دهد.

این مقاله ادعا نمی‌کند که علم امروز اثبات کرده است هر انسان یک پروفایل شناختی جامع، کاملاً یکتا و تغییرناپذیر مانند اثر انگشت پوستی دارد. چنین ادعایی بیش از شواهد موجود است. اما چند خط پژوهشی دلیل خوبی می‌دهند که این فرضیه را جدی و آزمون‌پذیر بدانیم.

در سطح مغز، Finn و همکاران نشان دادند الگوهای اتصال عملکردی مغز می‌توانند آن‌قدر فردویژه باشند که افراد را در داده‌های fMRI شناسایی کنند؛ نویسندگان از اصطلاح functional connectome fingerprint استفاده کردند [4]. این یافته به معنای وجود مستقیم «اثر انگشت شناختی» نیست، زیرا شاخصی که فرد را از روی اتصال‌های مغزی تشخیص می‌دهد لزوماً همان شاخصی نیست که ترجیحات یا رفتار او را پیش‌بینی می‌کند.

در سطح رفتار شناختی، Schulz و همکاران در تکلیف تولید اعداد شبه‌تصادفی نشان دادند که الگوهای فردی انتخاب و مهار الگوها می‌تواند «همان فرد» و «فرد دیگر» را با AUC حدود 96.5 درصد بر پایه 300 رقم از هم تفکیک کند و این الگو در بازه یک هفته ثبات نشان داد؛ نویسندگان آن را cognitive fingerprint نامیدند [5]. این نتیجه بسیار جالب است، اما به یک تکلیف خاص و نمونه محدود مربوط است و نباید آن را به کل شخصیت یا کل شناخت تعمیم داد.

از سوی دیگر، متاآنالیز 205 مطالعه طولی با 87,408 شرکت‌کننده نشان می‌دهد توانایی‌های شناختی از اواخر نوجوانی تا بزرگسالی ثبات رتبه‌ای بالایی دارند؛ برای فرد 20 ساله در فاصله پنج‌ساله، میانگین ثبات حدود ρ=.76 گزارش شده است [6]. بنابراین «نسبتاً پایدار» واژه دقیق‌تری از «ثابت» است.

صورت‌بندی علمی پیشنهادی: هر فرد ممکن است دارای یک پروفایل چندبعدی و نسبتاً پایدار از ترجیحات، توانایی‌ها و راهبردهای شناختی باشد؛ ترکیب این ابعاد می‌تواند تا حدی فردویژه باشد و امکان تعریف یک Cognitive Fingerprint عملیاتی را فراهم کند. این یک فرضیه پژوهشی است، نه یک حکم اثبات‌شده.

برای فهم محدودیت واژه سلیقه، می‌توان از یک مثال ادراکی استفاده کرد. فرد دارای اختلال دید رنگ معمولاً رنگ‌ها را کاملاً از دست نمی‌دهد؛ در شایع‌ترین انواع، تمایز بعضی رنگ‌ها دشوارتر می‌شود و در انواع نادرتر ممکن است دامنه دید رنگ بسیار محدود شود [18]. اگر چنین فردی در انتخاب پیراهن نسبت به بخشی از طیف رنگی بی‌تفاوت باشد یا دائماً به گروهی از رنگ‌ها متمایل شود، بخشی از رفتار او پیش از رسیدن به «ترجیح» توسط نظام ادراکی محدود شده است.

این مثال به معنای همسان دانستن تفاوت‌های شناختی با اختلال حسی نیست. هدف فقط نشان دادن یک اصل است: فضای گزینه‌هایی که ذهن عملاً می‌تواند از میان آن‌ها انتخاب کند، برای همه انسان‌ها لزوماً یکسان نیست. انتخاب نهایی پس از عبور اطلاعات از فیلترهای متعددی شکل می‌گیرد.

شکل ۲ - زنجیره ساده‌شده‌ای که نشان می‌دهد «ترجیح» در انتهای چند مرحله پردازش شکل می‌گیرد.

به این زنجیره باید طرح‌واره‌های روانی، فرهنگ، زبان، تجربه حرفه‌ای و هدف همان لحظه را نیز افزود. بنابراین وقتی کاربری می‌گوید «این رابط را دوست ندارم»، همیشه معنای عمیق‌تر جمله «این رنگ را نمی‌پسندم» نیست؛ گاهی ممکن است معنای پنهان‌تر آن این باشد که «این رابط اطلاعات را به شکلی ارائه می‌کند که تبدیل آن به مدل ذهنی برای من دشوارتر است».

زبان تنها نامی روی تجربه نمی‌گذارد؛ در برخی شرایط می‌تواند نحوه دسته‌بندی و سرعت پردازش تجربه را نیز تغییر دهد. نمونه مشهور، واژه‌های رنگ آبی در زبان روسی است. روسی میان آبی روشن (goluboy) و آبی تیره (siniy) تمایز واژگانی پایه و اجباری دارد، در حالی که در انگلیسی هر دو در طبقه عمومی blue قرار می‌گیرند.

Winawer و همکاران در سال 2007 نشان دادند روس‌زبان‌ها در یک تکلیف تشخیص سریع رنگ، دو طیف آبی را زمانی که در دو دسته زبانی متفاوت siniy/goluboy قرار می‌گرفتند سریع‌تر از زمانی تشخیص می‌دادند که هر دو در یک دسته بودند. انگلیسی‌زبان‌ها در همان محرک‌ها چنین مزیت دسته‌ای نشان ندادند. مهم‌تر آنکه یک تکلیف مزاحم کلامی این مزیت را حذف کرد، در حالی که مزاحمت فضایی چنین اثری نداشت [7].

این نتیجه نباید به این شکل اغراق شود که «روس‌ها رنگ‌هایی را می‌بینند که دیگران نمی‌بینند». مطالعه بازآزمایی Martinovic و همکاران در 2020 همان مزیت سرعت را برای مرز siniy/goluboy بازتولید نکرد و نشان داد اثر به زمینه، توزیع محرک‌ها و شرایط آزمایش حساس است [8]. بنابراین نتیجه محافظه‌کارانه این است که زبان می‌تواند در بعضی شرایط بر دسته‌بندی و پردازش ادراکی اثر بگذارد، اما اثر مطلق و تغییرناپذیر نیست.

برای استدلال این مقاله، همین مقدار کافی است: آنچه فرد در لحظه انتخاب «بدیهی» یا «متفاوت» می‌یابد، فقط محصول شیء بیرونی نیست؛ نظام مفهومی و زبانی او نیز می‌تواند بخشی از فرایند باشد.

موضوع ژنتیک نیازمند دقت بیشتری است. پژوهش Judith Kearins در 1981 نشان داد گروهی از کودکان Aboriginal مناطق بیابانی استرالیا در تکالیف حافظه دیداری-فضایی، شامل یادآوری محل اشیا، بهتر از کودکان سفیدپوست استرالیایی عمل می‌کردند. الگوی رفتار نیز متفاوت بود: کودکان Aboriginal بیشتر از راهبردهای دیداری استفاده می‌کردند، در حالی که بسیاری از کودکان سفیدپوست به راهبردهای نام‌گذاری کلامی متکی بودند [9].

در تفسیر اولیه، فرضیه «فشارهای محیطی» مطرح شد: مهارت‌های فضایی ممکن است در محیطی که جهت‌یابی و به‌خاطر سپردن نشانه‌های مکانی اهمیت بالایی دارد ارزش بیشتری داشته باشند. اما روایت ساده‌ای که این توانایی اکتسابی را مستقیماً ژنتیکی و منتقل‌شده به فرزندان می‌داند، توسط همان خط پژوهش تأیید نشد. Kearins در 1986 تصریح کرد که فرض ژنتیکی اولیه بر این تصور نادرست بنا شده بود که کودکان Aboriginal غیرسنتی مانند کودکان سفیدپوست پرورش یافته‌اند؛ در حالی که بسیاری از شیوه‌های سنتی تربیت و تجربه محیطی همچنان حفظ شده بود [10].

از سوی دیگر، ژنتیک رفتاری نشان می‌دهد برخی توانایی‌های فضایی واقعاً وراثت‌پذیری قابل‌توجهی دارند. متاآنالیز مطالعات دوقلوها میانگین مؤلفه ژنتیکی توانایی فضایی را حدود a²=.61 گزارش کرده است [11]. این عدد به معنای آن نیست که 61 درصد توانایی فضایی یک فرد «از ژن او آمده»؛ وراثت‌پذیری یک شاخص جمعیتی درباره منشأ تفاوت‌ها در یک محیط مشخص است.

مدل مناسب برای این مقاله نه «ژنتیک یا محیط»، بلکه تعامل آن‌هاست: آمادگی زیستی × رشد عصبی × تجربه × تربیت × فرهنگ × زبان × تخصص.

بنابراین ایده «الگوی شناختی» باید پویا باشد. اگر تفاوت‌های شناختی هم ریشه‌های زیستی و هم ریشه‌های محیطی دارند، یک سیستم تطبیقی نیز نباید کاربر را برای همیشه در یک طبقه ثابت حبس کند؛ باید مدل خود را با رفتار جدید اصلاح کند.

فرض کنیم مدیر یک شرکت در جلسه‌ای درخواست ساخت یک وب‌سایت را مطرح می‌کند. طراح، برنامه‌نویس، مدیر محصول و مسئول بازاریابی ممکن است به یک پنل سایت‌ساز واحد نگاه کنند، اما هرکدام عناصر متفاوتی را برجسته ببینند: فرم و زیبایی، تکنولوژی و معماری، فرایند و کنترل، یا نتیجه تجاری. بخشی از این تفاوت از نقش و منفعت آن‌ها می‌آید، اما بخشی نیز می‌تواند به نحوه بازنمایی اطلاعات مرتبط باشد.

First impression در رابط‌ها نیز بسیار سریع شکل می‌گیرد. Lindgaard و همکاران نشان دادند رتبه‌بندی جذابیت بصری صفحات وب پس از نمایش 50 میلی‌ثانیه‌ای با رتبه‌بندی در نمایش طولانی‌تر همبستگی داشت [15]. این یافته درباره جذابیت بصری است و نباید آن را به فهم کامل usability تعمیم داد، اما نشان می‌دهد اولین مواجهه می‌تواند پیش از تحلیل عمیق شکل بگیرد.

در چنین شرایطی، رابطی که Preview نهایی، تصاویر بزرگ و دستکاری مستقیم را در مرکز قرار می‌دهد ممکن است برای فردی با گرایش Object Representation سریعاً «قابل‌فهم» به نظر برسد. همان رابط برای فردی که برای اعتماد به سیستم نیازمند دیدن ساختار، وابستگی‌ها و مسیر عملکرد است، می‌تواند Black Box به نظر برسد. تفاوت داوری در اینجا لزوماً اختلاف درباره کیفیت واقعی قابلیت نیست؛ ممکن است اختلاف درباره هزینه تبدیل نمایش بیرونی به مدل ذهنی باشد.

پیشنهاد مفهومی مقاله: به‌جای سؤال «این رابط خوب است یا بد؟» می‌توان پرسید «این رابط برای چه شیوه‌های پردازش اطلاعات اصطکاک شناختی کمتر یا بیشتری ایجاد می‌کند؟»

یا «سازگاری شناختی رابط» برای توصیف درجه هم‌راستایی میان شیوه ارائه اطلاعات در یک رابط و شیوه پردازش کاربر به کار می‌رود. این مفهوم باید از نظریه تثبیت‌شده Cognitive Fit متمایز اما مرتبط دانسته شود. Vessey در 1991 نشان داد که حتی وقتی نمودار و جدول اطلاعات یکسانی دارند، نوع بازنمایی می‌تواند نوع متفاوتی از پردازش - فضایی یا نمادین - را برجسته کند و هنگامی که بازنمایی با نیاز شناختی تکلیف هم‌خوان باشد، حل مسئله سریع‌تر و دقیق‌تر می‌شود [19]. Cognitive Compatibility در این مقاله یک گام فرضی فراتر می‌رود و می‌پرسد آیا «تناسب بازنمایی» فقط با نوع تکلیف مرتبط است یا می‌تواند با تفاوت‌های پایدارتر میان کاربران نیز رابطه داشته باشد. این کاربرد هنوز یک Construct استاندارد و تثبیت‌شده نیست و باید از طریق پژوهش تجربی ساخته و اعتبارسنجی شود.

ردیف چهارم جدول یعنی Outcome الزاماً یک cognitive style مستقل و تثبیت‌شده نیست؛ در این مقاله به‌عنوان بعدی کاربردی برای طراحی محصول پیشنهاد می‌شود. به همین دلیل باید میان «ابعاد دارای پشتوانه نظری» و «ابعاد اکتشافی که از داده استخراج می‌شوند» تمایز گذاشت.

همچنین نباید Cognitive Style را با تخصص یکی دانست. Designer بودن مساوی Object Visualizer بودن نیست و Developer بودن مساوی Spatial Visualizer بودن نیست. مدل واقع‌بینانه‌تر چنین است: Cognitive Style × Expertise × Goal × Context → Interface Response. پژوهش باید سهم هرکدام را جدا کند.

ایده اصلی این مقاله - اینکه یک بازنمایی واحد ممکن است برای همه کاربران به یک اندازه طبیعی نباشد و بتوان از رفتار کاربر برای انتخاب بازنمایی مناسب‌تر استفاده کرد - پیشینه پژوهشی قابل‌توجهی دارد. بنابراین ادعای این مقاله «اختراع از صفر» این مفاهیم نیست؛ ارزش پیشنهادی آن در کنار هم قرار دادن چند خط پژوهشی است که در دوره‌های مختلف و با ابزارهای متفاوت توسعه یافته‌اند.

نقطه نظری مهم، نظریه Cognitive Fit از Vessey است. در این چارچوب، نمودارها و جداول می‌توانند همان اطلاعات را به شکل‌های شناختی متفاوت ارائه کنند؛ نمودار بیشتر اطلاعات فضایی را برجسته می‌کند و جدول اطلاعات نمادین را. عملکرد زمانی بهتر می‌شود که نوع بازنمایی، فرایند ذهنی و ماهیت تکلیف با یکدیگر هم‌خوان باشند [19]. این نظریه نشان می‌دهد «فرم ارائه» صرفاً پوسته‌ای زیبایی‌شناختی روی اطلاعات نیست؛ می‌تواند مستقیماً بر فرایند حل مسئله اثر بگذارد.

گام بعدی در ادبیات، شناسایی خودکار تفاوت‌های شناختی از خودِ تعامل بود. Frias-Martinez، Chen و Liu در 2007 نشان دادند که می‌توان از الگوهای تعامل کاربران با یک کتابخانه دیجیتال برای طبقه‌بندی خودکار سبک شناختی استفاده کرد و از نتیجه برای شخصی‌سازی رابط بهره گرفت؛ هدف مهم این کار حذف نیاز به آزمون‌های روان‌سنجی طولانی در هر بار استفاده بود [20].

در 2009، Hauser، Urban، Liberali و Braun در «Website Morphing» ایده را به سطح تصمیم‌گیری پویا در وب بردند: رفتار و clickstream برای به‌روزرسانی سریع احتمال تعلق کاربر به سبک‌های شناختی مختلف به کار می‌رفت و سپس look & feel سایت با آن سازگار می‌شد [21]. این کار از نظر مفهومی بسیار نزدیک به تمایزی است که در این مقاله میان Functional Personalization و Cognitive Adaptation مطرح می‌شود: قابلیت ممکن است ثابت بماند، اما شیوه ارائه آن تغییر کند.

نزدیک‌ترین پیشینه به مفهوم Cognitive CAPTCHA، مقاله Papatheocharous و همکاران در 2012 است. در مطالعه آنها 93 شرکت‌کننده ابتدا میان CAPTCHA متنی و تصویری انتخاب می‌کردند و CAPTCHA ترجیحی خود را حل می‌کردند؛ این انتخاب ده بار تکرار شد. سه دسته داده - Preference، Processing Time و Ability/Attempts - ثبت و سپس به یک شبکه عصبی داده شد تا نسبت سبک شناختی Verbal/Imager را پیش‌بینی کند. نویسندگان صریحاً هدف نهایی را استفاده از این پیش‌بینی برای ساخت تجربه رابط متفاوت برای تیپ‌های شناختی گوناگون بیان کردند [22]. بنابراین استفاده از CAPTCHA به‌عنوان یک نقطه جمع‌آوری سیگنال شناختی، سابقه مستقیم علمی دارد.

مطالعه بعدی Belk و همکاران در 2015 این ارتباط را با دو آزمایش گسترده‌تر بررسی کرد. در مطالعه نخست با 131 نفر، Verbals به‌طور معناداری CAPTCHA متنی را ترجیح می‌دادند و سریع‌تر حل می‌کردند و برای Imagers گرایشی به ترجیح و حل سریع‌تر CAPTCHA تصویری مشاهده شد. در مطالعه دوم با 125 نفر نیز سرعت پردازش، توجه کنترل‌شده و ظرفیت حافظه کاری با عملکرد در CAPTCHAهای مختلف ارتباط داشت. نویسندگان نتیجه گرفتند تفاوت‌های شناختی باید در طراحی CAPTCHAهای کاربرمحور و شخصی‌شده در نظر گرفته شوند [23].

از سوی دیگر، Leung و همکاران در 2012 مستقیماً رابطه میان ترجیح طراحی و عملکرد در آزمون‌های شناختی را با تولید خودکار وب‌سایت‌ها بررسی کردند. شرکت‌کنندگان نمایش‌های مختلف اطلاعات - از جمله tree و table - را تجربه و ترجیح خود را انتخاب کردند و برخی روابط میان توانایی‌های شناختی و ترجیح representation مشاهده شد [24]. این کار به بخش سوم پروتکل پیشنهادی ما - انتخاب میان دو رابط با قابلیت یکسان و بازنمایی متفاوت - نزدیک است.

ظهور Generative UI اکنون بعدی را فراهم کرده که در بسیاری از این پژوهش‌های قدیمی عملاً پرهزینه یا دشوار بود: تولید سریع چند بازنمایی از یک قابلیت واحد. Peng و همکاران در 2026 با گردآوری قضاوت‌های pairwise از 20 طراح روی 600 رابط تولیدشده نشان دادند ترجیحات طراحی حتی میان متخصصان اختلاف قابل‌توجهی دارد و با بازخورد سبک و کم‌تعداد می‌توان مدل شخصی‌سازی مؤثری ساخت. روش پیشنهادی آنها در تولید رابط‌های شخصی‌شده از baselineها بهتر عمل کرد [25]. این مطالعه مستقیماً Cognitive Style را مدل نمی‌کند، اما نشان می‌دهد pairwise micro-feedback می‌تواند در عصر Generative UI به یک سازوکار عملی برای سازگارسازی رابط تبدیل شود.

در نتیجه، نوآوری مورد ادعای این مقاله نه «اولین رابط تطبیقی»، نه «اولین ارتباط میان شناخت و طراحی»، و نه «اولین استفاده از CAPTCHA برای استنباط شناخت» است. پیشنهاد متمایز، ساخت یک چرخه واحد و بسیار کم‌اصطکاک است: انتخاب آزاد Micro-Puzzle -> سیگنال شناختی اولیه -> انتخاب/حل تطبیقی دوم -> انتخاب میان دو representation از یک قابلیت واحد -> یادگیری آماری رابطه میان این دو -> و در نهایت تولید یا انتخاب Cognitive Mode مناسب با کمک AI. افزون بر این، مدل پیشنهادی الزاماً نباید از ابتدا انسان‌ها را فقط در تیپ‌های از پیش تعریف‌شده قرار دهد؛ می‌توان مدل Theory-driven مانند Object/Spatial/Verbal را در کنار مدل Data-driven از latent factors قرار داد و اجازه داد داده‌های مقیاس‌بالا ساختار واقعی‌تر فضا را آشکار کنند.

چالش اصلی این نظریه عملیاتی آن است که هر دو سوی موازنه مجهول‌اند. از یک طرف نمی‌دانیم کاربر دقیقاً چه پروفایل شناختی دارد؛ از طرف دیگر نمی‌دانیم یک طراحی مشخص برای کدام پروفایل مناسب‌تر است. اگر از ابتدا به AI بگوییم «این رابط Object-oriented است» و سپس همان برچسب را برای آموزش مدل استفاده کنیم، چیزی جز بازتولید پیش‌فرض خودمان نساخته‌ایم.

راه‌حل پیشنهادی، انتقال مسئله از «تعریف از بالا» به «اندازه‌گیری رفتاری» است. به‌جای پرسشنامه طولانی یا سؤال مستقیم «آیا تصویری هستید؟»، کاربر در انتخاب‌های کوتاه و طبیعی قرار می‌گیرد. رفتار تعداد زیاد کاربران می‌تواند به‌تدریج هم مختصات نسبی کاربران و هم مختصات نسبی رابط‌ها را روشن کند.

از نظر روان‌سنجی، قالب‌های Forced Choice و مدل‌های IRT چندبعدی برای استنباط صفات پنهان از انتخاب‌های مقایسه‌ای توسعه یافته‌اند [16]. پژوهش‌های جدیدتر نشان می‌دهند نسخه‌های adaptive این رویکرد می‌توانند سؤال بعدی را بر اساس اطلاعات حاصل از پاسخ‌های قبلی انتخاب کنند و با تعداد آیتم کمتر به برآورد دقیق‌تری برسند [17]. Cognitive CAPTCHA پیشنهادی از این ادبیات الهام می‌گیرد، اما تا زمانی که Item Bank آن کالیبره نشده باشد یک آزمون روان‌سنجی معتبر محسوب نمی‌شود.

در این مقاله نام موقت یک الگوی تعامل سه‌مرحله‌ای است. همان‌طور که در بخش پیشینه نشان داده شد، استفاده از CAPTCHA و داده‌های Preference، Processing Time و Ability برای پیش‌بینی سبک شناختی پیش‌تر آزموده شده است [22,23]. تفاوت طرح حاضر در این است که خودِ «انتخاب آزاد نوع پازل» به‌عنوان سیگنال اول در نظر گرفته می‌شود، مرحله دوم به‌صورت تطبیقی میان دو Micro-Puzzle انجام می‌شود، و مرحله سوم مستقیماً ترجیح میان دو representation از یک قابلیت واحد را اندازه می‌گیرد. اصل طراحی این است که آزمون به پرسشنامه شخصیت تبدیل نشود و مسیر موفق در نسخه حداقلی تنها سه تعامل داشته باشد؛ هر کلیک همزمان بخشی از احراز تعامل و بخشی از داده پژوهشی است.

شکل ۳ - نسخه حداقلی سه‌کلیکی Cognitive CAPTCHA؛ هیچ دکمه تأیید اضافی در مسیر موفق وجود ندارد.

مرحله اول: انتخاب آزاد

سه چالش با دشواری، زمان مورد انتظار، جذابیت بصری و پاداش تا حد ممکن برابر ارائه می‌شوند، اما نوع بازنمایی متفاوت است: مثلاً تشخیص فرم/تصویر، چرخش و رابطه فضایی، و اجرای یک قاعده کلامی کوتاه. از کاربر خواسته می‌شود «هرکدام را بیشتر دوست داری حل کن». خود انتخاب اولین مشاهده است؛ نه پاسخ درست یا غلط.

مرحله دوم: دو پازل تطبیقی

بر اساس انتخاب اول، دو Micro-Puzzle دیگر نمایش داده می‌شود. کاربر مجبور نیست ابتدا یکی را انتخاب کند و سپس دکمه شروع بزند؛ اولین پاسخ او هم‌زمان انتخاب پازل و تلاش برای حل آن است. در مسیر موفق، این مرحله یک کلیک دارد. نوع پازل‌های مرحله دوم می‌تواند برای بیشترین قدرت تفکیک به‌صورت adaptive انتخاب شود.

مرحله سوم: سؤال واقعی تحقیق

دو Interface یا دو representation از یک قابلیت واحد نشان داده می‌شود. قابلیت‌ها باید از نظر Function تا حد امکان یکسان باشند و فقط نحوه ارائه تغییر کند؛ مثلاً A نتیجه نهایی و Preview را برجسته کند و B ساختار و وابستگی‌ها را. سؤال ساده است: «اگر قرار باشد هر روز با یکی کار کنی، کدام را انتخاب می‌کنی؟». این انتخاب Target اصلی برای یادگیری رابطه میان سیگنال شناختی و ترجیح رابط است.

سخت‌ترین بخش Cognitive CAPTCHA هوش مصنوعی نیست؛ طراحی درست آیتم‌هاست. اگر پازل Spatial زیباتر، ساده‌تر یا آشناتر از پازل Verbal باشد، انتخاب کاربر ممکن است aesthetic preference یا familiarity را اندازه بگیرد، نه پردازش شناختی. اگر یکی Drag و دیگری Click باشد، تفاوت motor interaction وارد داده می‌شود. اگر متن یک گزینه دشوارتر باشد، سواد یا زبان به‌جای سازه موردنظر سنجیده می‌شود.

• دشواری، زمان، تعداد حرکات و کیفیت بصری گزینه‌ها باید تا حد ممکن هم‌سطح شوند.

• جای گزینه‌ها و ترتیب راست/چپ باید تصادفی شود تا side bias کاهش یابد.

• نسخه‌های Anchor باید تکرار شوند تا ثبات پاسخ و خطای تصادفی قابل اندازه‌گیری باشد.

• بخشی از کاربران باید آزمون‌های معتبرتر مانند OSIVQ را نیز انجام دهند تا Item Bank کالیبره شود.

• Preference و Cognitive Efficiency باید جدا ثبت شوند؛ ممکن است فرد پازلی را انتخاب کند که زیباتر است اما در پازل دیگری سریع‌تر و دقیق‌تر باشد.

• آیتم‌هایی که dropout بالا، bias فرهنگی یا accessibility risk ایجاد می‌کنند باید حذف یا اصلاح شوند.

در فاز اولیه، بهتر است صدها آیتم خام ساخته شوند و سپس فقط آیتم‌هایی که discrimination مناسب، ثبات قابل‌قبول و حداقل bias دارند در بانک اصلی باقی بمانند. در این مرحله AI می‌تواند در تولید variant، تحلیل الگوها و انتخاب adaptive آیتم کمک کند، اما Ground Truth از رفتار انسان و ابزارهای کالیبراسیون می‌آید.

برای تبدیل این ایده به یک یافته علمی، باید از ادعای جذاب به پروتکل تکرارپذیر برسیم. پیشنهاد اولیه در چند فاز قابل اجراست.

فرضیه‌های آزمون‌پذیر

H1. انتخاب اولیه میان Micro-Puzzleهای هم‌سطح با نمرات ابعاد Object، Spatial و Verbal در ابزارهای معتبرتر رابطه آماری خواهد داشت.

H2. الگوهای انتخاب Micro-Puzzle می‌توانند احتمال انتخاب برخی representationهای رابط را بهتر از مدل بدون اطلاعات شناختی پیش‌بینی کنند.

H3. زمان پاسخ و عملکرد حل، اطلاعات افزوده‌ای فراتر از «انتخاب نوع پازل» فراهم می‌کنند.

H4. تخصص شغلی بخشی از واریانس ترجیح رابط را توضیح می‌دهد، اما اثر آن کاملاً جایگزین ابعاد شناختی نخواهد شد.

H5. مدل آموزش‌دیده روی یک منبع جذب، در منبع مستقل نیز بخشی از قدرت پیش‌بینی خود را حفظ خواهد کرد.

H6. اگر همان قابلیت در Cognitive Mode سازگارتر ارائه شود، continuation rate، فهم تکلیف یا رضایت نسبت به نسخه ثابت بهبود خواهد یافت؛ این فرضیه باید در A/B test جداگانه آزمون شود.

معیار موفقیت فقط Accuracy بالا نیست. مدل باید calibration مناسب، فاصله اطمینان، fairness بین گروه‌ها، robustness در برابر تغییر دستگاه و زبان و قابلیت تکرار در نمونه مستقل داشته باشد. در غیر این صورت، درصدهایی مانند «90٪ مناسب Object» صرفاً ظاهر علمی خواهند داشت.

اگر رابطه میان الگوهای شناختی و representationهای رابط تکرارپذیر باشد، گام بعدی صرفاً امتیازدهی به UI نیست؛ همان موتور می‌تواند رابط را Transform کند. یک قابلیت واحد می‌تواند چند بازنمایی داشته باشد: Preview-first برای کسی که با نتیجه نهایی سریع‌تر ارتباط می‌گیرد؛ Structure-first برای فردی که روابط و جریان را می‌خواهد؛ و Specification-first برای کسی که با قواعد صریح و متن ساخت‌یافته راحت‌تر است.

این ایده به‌طور استعاری شبیه Dark Mode و Light Mode است، اما به‌جای تغییر روشنایی و رنگ، شیوه سازمان‌دهی و ارائه اطلاعات تغییر می‌کند. با این حال، سیستم نباید در اولین تعامل برچسب دائمی بسازد. Cognitive Mode باید یک فرضیه نرم و قابل‌اصلاح باشد و کاربر همیشه امکان تغییر یا بازگشت به نمایش عمومی را داشته باشد.

بنابراین این رویکرد جایگزین شخصی‌سازی نیست؛ لایه‌ای در کنار آن است. Functional Personalization محتوای مناسب را تعیین می‌کند و Cognitive Adaptation می‌کوشد representation مناسب‌تری از همان محتوا ارائه کند.

هر روشی که از رفتارهای کوچک کاربر برای استنباط ویژگی‌های پنهان استفاده می‌کند می‌تواند به‌راحتی از ابزار طراحی به ابزار پروفایل‌سازی تبدیل شود. بنابراین اعتبار علمی و اخلاقی باید هم‌زمان ساخته شوند.

• نباید نتیجه چند کلیک به‌عنوان «تشخیص شخصیت» یا حقیقت قطعی درباره فرد نمایش داده شود.

• در طراحی عمومی، استفاده از داده برای بهبود یا تطبیق تجربه باید شفاف و مطابق الزامات رضایت و حریم خصوصی باشد.

• ویژگی‌های حساس یا تصمیم‌های پرخطر نباید از چنین پروفایلی استنباط شوند.

• Accessibility باید مستقل از مدل شناختی تضمین شود؛ کاربر دارای محدودیت بینایی، حرکتی یا زبانی نباید به‌دلیل عملکرد متفاوت به‌اشتباه طبقه‌بندی شود.

• مدل باید امکان تغییر در طول زمان و context را بپذیرد؛ شناخت انسان یک برچسب ثابت نیست.

• نباید این رویکرد با نظریه‌های ساده‌سازی‌شده «Learning Styles» که ادعا می‌کنند آموزش باید صرفاً با ترجیح خودگزارش‌شده تطبیق یابد یکی دانسته شود؛ پرسش این مقاله درباره prediction و interaction قابل‌اندازه‌گیری است، نه نسخه آموزشی از پیش‌فرض‌شده.

همچنین باید پذیرفت که preference همیشه معادل performance نیست. رابطی که کاربر در نگاه اول دوست دارد ممکن است در استفاده طولانی‌مدت بهره‌وری کمتری ایجاد کند. بنابراین First Impression، comprehension، task completion، cognitive load، trust و retention باید جداگانه سنجیده شوند.

رشد سریع هوش مصنوعی فرصتی کم‌سابقه پدید آورده است تا بسیاری از نظریه‌ها و آرزوهای قدیمی درباره تفاوت‌های شناختی از بایگانی پژوهش‌ها بیرون بیایند و به ابزارهای عملی و قابل‌آزمایش تبدیل شوند. ادبیات Cognitive Fit، Website Morphing، تشخیص خودکار سبک شناختی و CAPTCHAهای مبتنی بر تفاوت‌های شناختی نشان می‌دهد بسیاری از قطعات این پازل سال‌هاست وجود دارند [19-24]. آنچه امروز تغییر کرده، توان محاسباتی، مدل‌های چندوجهی، یادگیری از رفتار در مقیاس بزرگ و امکان تولید بلادرنگ رابط‌های متفاوت با AI است [25]. شاید هنوز نتوانیم - و شاید اصلاً نباید - برای هر انسان یک مدل کامل و قطعی بسازیم؛ اما اکنون می‌توانیم برای گروه‌های آماری با الگوهای شناختی متفاوت، شیوه‌های ارائه متفاوتی از یک قابلیت واحد طراحی، تولید و اثر آن را اندازه‌گیری کنیم.

برای طراح ابزارهای مدیریتی، این پرسش کاملاً عملی است. اگر بتوان با چند مرحله کوتاه و غیرمحسوس - مانند انتخاب آزاد یک Micro-Puzzle، حل یک پازل تطبیقی و سپس انتخاب میان دو representation - فقط یک سیگنال احتمالی از نحوه پردازش کاربر به دست آورد، هوش مصنوعی می‌تواند در مرحله بعد شیوه ارائه ابزار را طوری انتخاب کند که رغبت به ادامه، فهم یا احساس طبیعی بودن تعامل افزایش یابد. این روش نباید کاربر را در یک تیپ قطعی حبس کند؛ مدل باید با هر تعامل به‌روزرسانی شود.

این رویکرد با Personalization معمول تفاوت دارد. ابزارهای امروزی به‌سادگی می‌توانند براساس نیاز، نقش و سابقه کاربر تغییر کنند. موضوع این مقاله «نیاز» نیست؛ «شناخت» است. دو نفر ممکن است دقیقاً به یک قابلیت نیاز داشته باشند، اما یکی آن را وقتی بهتر می‌فهمد که نتیجه را ببیند و دیگری وقتی ساختار را ببیند. در مدل پیشنهادی، سیستم فقط نمی‌پرسد «چه چیزی لازم داری؟»؛ می‌پرسد «همان چیز را چگونه بهتر می‌فهمی؟».

وقتی فرد در محیطی کار می‌کند که representation آن با شیوه پردازش او سازگاری بیشتری دارد، ممکن است بدون آنکه دقیقاً علت را بداند احساس راحتی بیشتری کند. اگر این فرضیه در آزمایش‌های کنترل‌شده تأیید شود، کیفیت تجربه دیجیتال دیگر فقط حاصل زیبایی، امکانات یا سرعت نخواهد بود؛ میزان سازگاری میان زبان رابط و زبان شناختی کاربر نیز به بخشی از طراحی تبدیل خواهد شد.

محصول هوشمند آینده فقط محصولی نیست که کاربر را بشناسد؛ محصولی است که بتواند شیوه فهمیدن خود را با شیوه فهمیدن کاربر هماهنگ کند.

برای من این بحث در همین نقطه پایان نظری ندارد. به‌عنوان طراح ابزارهای مدیریتی، سال‌هاست مسئله تفاوت انسان‌ها در فهم ابزار، پذیرش تغییر و شیوه مواجهه با رابط‌ها را در مطالعه و تجربه عملی دنبال کرده‌ام. بسیاری از ایده‌هایی که پیش‌تر به دلیل هزینه جمع‌آوری داده، دشواری ساخت چند نسخه از یک رابط و محدودیت مدل‌سازی عملیاتی باقی می‌ماندند، با پیدایش نسل جدید هوش مصنوعی دوباره ارزش اجرایی پیدا کرده‌اند. اکنون با کمک AI مشغول ساخت و توسعه نمونه عملی این ابزار هستم و مسیر ارائه و آزمون آن را بر بستر Trust-Login دنبال می‌کنم؛ جایی که تصمیم امنیتی می‌تواند مستقل از محتوای چالش تعیین کند آیا Cognitive CAPTCHA نمایش داده شود یا خیر، و خود چالش در صورت نمایش، در چند تعامل کوتاه هم احراز تعامل انسانی و هم جمع‌آوری سیگنال‌های پژوهشی را انجام دهد. هدف نسخه نخست اثبات یک «تشخیص شخصیت» نیست؛ هدف ساخت زیرساختی برای گردآوری داده واقعی، کالیبراسیون پازل‌ها و آزمون تجربی رابطه میان الگوهای شناختی و ترجیح رابط است.

از این دیدگاه، «سلیقه» پایان توضیح نیست؛ آغاز یک سؤال است. شاید بخشی از آنچه سلیقه می‌نامیم نشانه‌ای از مسیرهایی باشد که ادراک، زبان، فرهنگ، تجربه و زیست‌شناسی برای ساختن جهان ذهنی هر فرد طی کرده‌اند. پژوهش‌های پیشین نشان داده‌اند که representation، cognitive style، رفتار دیجیتال و حتی نوع CAPTCHA می‌توانند با یکدیگر رابطه داشته باشند؛ هوش مصنوعی امروز امکان می‌دهد این قطعات پراکنده در یک چرخه عملی واحد کنار هم قرار گیرند. ارزش واقعی Cognitive CAPTCHA پیشنهادی در ادعای شناخت انسان با سه کلیک نیست؛ در ساختن یک ابزار کم‌اصطکاک برای گردآوری میلیون‌ها مشاهده، آزمون فرضیه‌ها و تبدیل رابطه میان «نحوه فهمیدن» و «نحوه طراحی» از شهود به مسئله‌ای علمی، تکرارپذیر و در نهایت قابل استفاده در طراحی است.

منابع زیر برای تفکیک یافته‌های تثبیت‌شده از فرضیه‌ها و پیشنهادهای این مقاله استفاده شده‌اند.

[1] Kozhevnikov, M., Evans, C., & Kosslyn, S. M. (2014). Cognitive Style as Environmentally Sensitive Individual Differences in Cognition: A Modern Synthesis and Applications in Education, Business, and Management. Psychological Science in the Public Interest, 15(1), 3-33. https://doi.org/10.1177/1529100614525555

[2] Blazhenkova, O., & Kozhevnikov, M. (2009). The new object-spatial-verbal cognitive style model: Theory and measurement. Applied Cognitive Psychology, 23(5), 638-663. https://doi.org/10.1002/acp.1473

[3] Kozhevnikov, M., Hegarty, M., & Mayer, R. E. (2002). Revising the Visualizer-Verbalizer Dimension: Evidence for Two Types of Visualizers. Cognition and Instruction, 20(1), 47-77. https://doi.org/10.1207/S1532690XCI2001_3

[4] Finn, E. S., Shen, X., Scheinost, D., et al. (2015). Functional connectome fingerprinting: identifying individuals using patterns of brain connectivity. Nature Neuroscience, 18, 1664-1671. https://doi.org/10.1038/nn.4135

[5] Schulz, M.-A., Baier, S., Timmermann, B., Bzdok, D., & Witt, K. (2021). A cognitive fingerprint in human random number generation. Scientific Reports, 11. https://doi.org/10.1038/s41598-021-98315-y

[6] Breit, M., Scherrer, V., Tucker-Drob, E. M., & Preckel, F. (2024). The Stability of Cognitive Abilities: A Meta-Analytic Review of Longitudinal Studies. Psychological Bulletin, 150(4), 399-439. https://doi.org/10.1037/bul0000425

[7] Winawer, J., Witthoft, N., Frank, M. C., Wu, L., Wade, A. R., & Boroditsky, L. (2007). Russian blues reveal effects of language on color discrimination. Proceedings of the National Academy of Sciences, 104(19), 7780-7785. https://doi.org/10.1073/pnas.0701644104

[8] Martinovic, J., Paramei, G. V., & MacInnes, W. J. (2020). Russian blues reveal the limits of language influencing colour discrimination. Cognition, 201, 104281. https://doi.org/10.1016/j.cognition.2020.104281

[9] Kearins, J. M. (1981). Visual spatial memory in Australian Aboriginal children of desert regions. Cognitive Psychology, 13(3), 434-460. https://doi.org/10.1016/0010-0285(81)90017-7

[10] Kearins, J. (1986). Visual spatial memory in Aboriginal and White Australian children. Australian Journal of Psychology, 38(3), 203-214. https://doi.org/10.1080/00049538608259009

[11] King, M. J., Katz, D. P., Thompson, L. A., & Macnamara, B. N. (2019). Genetic and environmental influences on spatial reasoning: A meta-analysis of twin studies. Intelligence, 73, 65-77. https://doi.org/10.1016/j.intell.2019.01.001

[12] Gero, J. S., & Kannengiesser, U. (2004). The situated function-behaviour-structure framework. Design Studies, 25(4), 373-391. https://doi.org/10.1016/j.destud.2003.10.010

[13] Dorst, K., & Cross, N. (2001). Creativity in the design process: co-evolution of problem-solution. Design Studies, 22(5), 425-437. https://doi.org/10.1016/S0142-694X(01)00009-6

[14] Jansson, D. G., & Smith, S. M. (1991). Design fixation. Design Studies, 12(1), 3-11. https://doi.org/10.1016/0142-694X(91)90003-F

[15] Lindgaard, G., Fernandes, G., Dudek, C., & Brown, J. (2006). Attention web designers: You have 50 milliseconds to make a good first impression! Behaviour & Information Technology, 25(2), 115-126. https://doi.org/10.1080/01449290500330448

[16] Brown, A., & Maydeu-Olivares, A. (2011). Item Response Modeling of Forced-Choice Questionnaires. Educational and Psychological Measurement, 71(3), 460-502. https://doi.org/10.1177/0013164410375112

[17] Qin, W., Zheng, Y., Kai, L., Yan, C., Siwei, P., & Dongbo, T. (2024). Item selection methods in multidimensional computerized adaptive testing for forced-choice items using Thurstonian IRT model. Behavior Research Methods, 56, 600-614. https://doi.org/10.3758/s13428-022-02037-6

[18] National Eye Institute. Types of Color Vision Deficiency. U.S. National Institutes of Health. https://www.nei.nih.gov/eye-health-information/eye-conditions-and-diseases/color-blindness/types-color-vision-deficiency

[19] Vessey, I. (1991). Cognitive Fit: A Theory-Based Analysis of the Graphs Versus Tables Literature. Decision Sciences, 22(2), 219-240. https://doi.org/10.1111/j.1540-5915.1991.tb00344.x

[20] Frias-Martinez, E., Chen, S. Y., & Liu, X. (2007). Automatic cognitive style identification of digital library users for personalization. Journal of the American Society for Information Science and Technology, 58(2), 237-251. https://doi.org/10.1002/asi.20477

[21] Hauser, J. R., Urban, G. L., Liberali, G., & Braun, M. (2009). Website Morphing. Marketing Science, 28(2), 202-223. https://doi.org/10.1287/mksc.1080.0459

[22] Papatheocharous, E., Belk, M., Germanakos, P., & Samaras, G. (2012). On Modelling Cognitive Styles of Users in Adaptive Interactive Systems using Artificial Neural Networks. In Proceedings of the 4th International Joint Conference on Computational Intelligence (NCTA-2012), 563-569. https://doi.org/10.5220/0004158905630569

[23] Belk, M., Fidas, C., Germanakos, P., & Samaras, G. (2015). Do human cognitive differences in information processing affect preference and performance of CAPTCHA? International Journal of Human-Computer Studies, 84, 1-18. https://doi.org/10.1016/j.ijhcs.2015.07.002

[24] Leung, S.-W., Lee, J., Johnson, C., & Robertson, D. (2012). Design preferences and cognitive styles: experimentation by automated website synthesis. Automated Experimentation, 4, 2. https://doi.org/10.1186/1759-4499-4-2

[25] Peng, Y.-H., Das, S., Bigham, J. P., & Wu, J. (2026). Efficient Personalization of Generative User Interfaces. arXiv:2604.09876. https://arxiv.org/abs/2604.09876