2.3 Progettare l'architettura informativa: utilizzo e metodologia del card sorting

Michela Ferron

Fino ad ora è stato illustrato quanto l'architettura dell'informazione possa influenzare l'usabilità generale di un sito web, e sono state analizzate le principali caratteristiche distintive dei sistemi organizzativi.

Di seguito una delle tecniche più diffuse ed efficaci per l'elaborazione di una struttura centrata sull'utente, il card sorting, verrà esaminata nei suoi aspetti metodologici, mentre per una trattazione più approfondita dei suoi fondamenti teorici si rimanda al quarto capitolo.

Il card sorting è una procedura che colloca al centro della progettazione dell'architettura informativa i potenziali fruitori di un sito web, e viene impiegato in una fase in cui i contenuti sono già stati individuati (Rosenfeld & Morville, 2002). In generale, attraverso la determinazione delle modalità in cui gli utenti raggruppano i diversi item, esso consente la pianificazione di una struttura che sia facilmente intuitiva e accessibile.

Dal punto di vista applicativo, i nomi degli item da categorizzare vengono appuntati su dei cartoncini e presentati ai partecipanti, ai quali viene assegnato il compito di raggrupparli in un certo numero di categorie, secondo una modalità aperta o chiusa (Gaffney, 2000). La differenza tra queste due procedure consiste fondamentalmente nell'esistenza di una categorizzazione a priori oppure no. Infatti, mentre nel primo caso agli utenti viene richiesta una libera organizzazione degli stimoli, consentendo la formazione dei gruppi e sottogruppi ritenuti necessari, nel card sorting chiuso viene richiesta una semplice associazione tra gli item ed un elenco di categorie predefinite (Maurer & Warfel, 2004; Rosenfeld & Morville, 2002).

Una volta ottenuti i raggruppamenti, è possibile procedere all'esaminazione dei dati mediante l'analisi dei cluster, che attraverso il computo di una matrice di prossimità degli item catalogati, permette di determinare la forza delle relazioni tra gli stimoli.

Un'esaminazione più dettagliata della metodologia consente di individuare le principali fasi coinvolte nell'implementazione del card sorting, ossia la scelta ed il campionamento del contenuto informativo, la selezione dei partecipanti, la preparazione dei cartoncini, l'esecuzione vera e propria e l'analisi dei dati.

In primo luogo, è necessario determinare la lista degli item da categorizzare, cioè individuare il contenuto che si desidera analizzare e ripartirlo in maniera approriata fissandone la granularità.

Successivamente si può procedere alla scelta di un campione di partecipanti che sia rappresentativo dei potenziali profili di utenza del sito web, conformemente ai principi dello user centered design (Maurer & Warfel, 2004). Il card sorting può essere eseguito individualmente o in gruppo: a questo proposito è utile considerare che, mentre nelle sessioni individuali i soggetti devono essere incoraggiati a pensare ad alta voce, i gruppi di partecipanti tendono a discutere delle proprie categorizzazioni, ed è quindi più probabile che forniscano dei dati più ricchi, comprendendo anche le motivazioni delle loro scelte (ibidem).

In terzo luogo è possibile proseguire con la creazione dei cartoncini, tenendo presente che le etichette degli item sono estremamente importanti, dal momento che devono essere abbastanza brevi da permettere ai partecipanti di leggerle e comprenderle velocemente, ma anche sufficientemente dettagliate e rappresentative del significato del contenuto informativo.

A questo punto si può avviare l'esecuzione vera e propria: Maurer e Warfel (2004) hanno trovato che il numero di item che produce le prestazioni migliori è compreso in un intervallo fra trenta e cento stimoli. Infatti, una quantità minore di elementi non consente l'elicitazione di un numero sufficiente di categorie, mentre se gli item sono più di cento la sessione sperimentale può richiedere troppo tempo e risultare affaticante per gli utenti.

Una volta terminata la fase di esecuzione è possibile procedere con l'analisi dei dati indagando la reciproca somiglianza tra gli stimoli. A questo proposito può risultare utile calcolare una matrice di prossimità, che costituisce l'input per la cluster analysis (Sinha, 2003) e permette di progettare dei raggruppamenti caratterizzati da un'alta somiglianza intracategoriale e da una sufficiente varietà intercategoriale che ne permette una facile discriminazione.

Una matrice di prossimità consiste in un insieme di misure di similarità (o di dissimilarità) tra gli item, e può essere ottenuta mediante un approccio indiretto, ossia tramite opportune trasformazioni dei dati iniziali, oppure mediante il giudizio diretto dei partecipanti. Essa esprime il grado di somiglianza (o di diversità) tra tutte le possibili coppie di oggetti, in modo tale che se due item sono molto simili tra loro, ovverosia, nel caso del card sorting, occorrono frequentemente nello stesso gruppo, allora la loro misura di similarità sarà elevata, mentre il valore della loro dissimilarità sarà basso (Luccio, 1996).

La matrice di prossimità rappresenta il punto di partenza per uno dei metodi di raggruppamento più utilizzati, ossia l'analisi dei cluster, che può essere gerarchica o partitiva (o non gerarchica). Mentre la prima non richiede una definizione a priori del numero dei cluster, nella seconda è necessario determinare fin dall'inizio il numero dei raggruppamenti.

L'analisi dei cluster gerarchica presenta un notevole vantaggio dal punto di vista computazionale, tuttavia risulta maggiormente sensibile ai dati anomali o outlier, e non permette di falsificare le partizioni individuate, dato che i raggruppamenti rimangono invariati. I metodi partitivi, invece, non presentano questa mancanza, ma dal momento che l'output finale e la stabilità della configurazione dipendono da una scelta accurata iniziale dei cluster, è consigliabile procurarsi delle informazioni a priori sufficientemente affidabili (ibidem).

Le peculiari caratteristiche delle due tecniche di analisi determinano come buona prassi procedurale quella di applicare in un primo momento l'analisi dei cluster gerarchica, in modo da ottenere un certo numero di raggruppamenti sufficientemente stabile e di identificare gli item anomali, e di utilizzare in un secondo momento un'analisi partitiva allo scopo di consentire la modificazione della configurazione ottenuta (ibidem).

Mentre l'outpout di un'analisi dei cluster non gerarchica può essere rappresentato graficamente attraverso la proiezione dei raggruppamenti su un piano, lo strumento che sintetizza al meglio la configurazione ottenuta tramite analisi dei cluster gerarchica è il dendrogramma. Questo particolare albero di aggregazione riporta generalmente sull'asse orizzontale la distanza a cui avviene la fusione tra due item, mentre sull'asse verticale rappresenta i singoli oggetti. Di conseguenza, tanto più un cluster è elevato, ossia vicino all'origine dell'albero, tanto più tale raggruppamento è delimitato e separato dagli altri (Martin, 1999).

Dal momento che le procedure per eseguire l'analisi dei cluster comportano solitamente un notevole dispendio di tempo, si ricorre frequentemente ai più rapidi pacchetti software per l'analisi statistica automatica dei dati, come SPSS (Statistical Package for Social Science).