Sepantapouya.ux

این یکی توضیح می‌دهد چرا داشبورد دقیق و به‌روزِ شما هیچ تصمیمی را عوض نمی‌کند: پیوستار فهم (Continuum of Understanding) 🪜 مدل شدروف چهار پله دارد — داده، اطلاعات، دانش، خرد. و کاربردی‌ترین چیزی که می‌دهد این است که می‌گوید هر پله به چه چیزی نیاز دارد تا پلهٔ بعدی شود. چیزایی که توی مقاله می‌خونی: 🧮 «۱۲۴۰» داده است · «۱۲۴۰ سفارش در فروردین» اطلاعات · و دانش یک چیز دیگر می‌خواهد 💸 هزینهٔ هر گذار: بافت · مقایسه و علت · تجربهٔ تکرارشده 📊 سه چیزی که یک داشبورد را یک پله بالا می‌برند و هیچ‌کدام دادهٔ تازه لازم ندارد ❓ سه پرسش سر هر عدد: در برابر چه؟ چرا تکان خورد؟ چه کاری را جور دیگری می‌کنیم؟ 🇮🇷 و پله‌ای که پیش از پلهٔ اول است: داده‌ای که غیرتصادفی گم می‌شود مکمل تصویرسازی اطلاعات و سنجه‌های تجربه کاربری است. 📖 لینک: sepantapouya.com/t/continuum-of-understanding ⏱️ زمان مطالعه: حدود ۱۰ دقیقه ✅ منبع (بنیاد طراحی تعامل — IxDF) هم پای مقاله ذکر شده.

«این طراحی قابل استفاده است» یک جملهٔ ناتمام است. قابل استفاده برای چه کسی، کجا، و برای چه کاری؟ موضوع امروز: بافت‌های استفاده (Contexts of Use) 🧭 نکتهٔ اصلی‌اش این است که بافت، مقدمهٔ پژوهش نیست — بخشی از خودِ تعریف کاربردپذیری است. چیزایی که توی مقاله می‌خونی: ⚖️ بافت حقوقی، همان که همیشه جا می‌افتد (دسترس‌پذیری، دادهٔ شخصی، محدودیت سنی) 🧊 مثال‌های صریح منبع: خودپرداز بیرونی، رایانهٔ کشاورزی که با بخار شسته می‌شود، انبار سردخانه 🗂 پنج خانوادهٔ بافت با پرسش تشخیصی هرکدام 📝 بیانیهٔ بافت در یک خط — قابل ابطال، تصمیم‌ساز، قابل بازبینی 🇮🇷 بدترین حالت واقع‌بینانه در بازار ما: گوشی چندساله، دادهٔ همراه، دستگاه مشترک، مقررات متغیر کنار کاربردپذیری و طراحی کاربرمحور بخوانیدش. 📖 لینک: sepantapouya.com/t/contexts-of-use ⏱️ زمان مطالعه: حدود ۱۱ دقیقه ✅ منبع (بنیاد طراحی تعامل — IxDF) هم پای مقاله ذکر شده.

ترجمهٔ تازه: نقشه‌برداری بافت (Context Mapping) 🗺 مصاحبه آنچه کاربر می‌تواند به واژه دربیاورد را می‌دهد. مسئله این است که مهم‌ترین بخش بافت استفاده همان چیزی است که کاربر نمی‌تواند بگوید — چون برایش بدیهی است. این روش دقیقاً برای همان بخش ساخته شده. چیزایی که توی مقاله می‌خونی: 📸 چهار لایهٔ بافت — و اینکه لایهٔ فیزیکی با عکس گرفته می‌شود نه با پرسش 🔔 مرحلهٔ حساس‌سازی: چند روز پیش از جلسه، کاربر به همان موضوع توجه می‌کند 🧱 چرا در جلسه کاربر باید چیزی بسازد، نه توضیح بدهد ⏱️ نسخهٔ کوچک اجرایی: سه روز حساس‌سازی، یک جلسهٔ ۴۰ دقیقه‌ای، دو تحلیل‌گر مستقل 🇮🇷 و اینکه مراجعهٔ خانگی اینجا وزن اجتماعی دارد — جانشین‌های عملی‌اش چیست جفت طبیعی‌اش پژوهش زمینه‌ای و کاوشگر فرهنگی است. 📖 لینک: sepantapouya.com/t/context-mapping ⏱️ زمان مطالعه: حدود ۱۱ دقیقه ✅ منبع (بنیاد طراحی تعامل — IxDF) هم پای مقاله ذکر شده.

این یکی یک عادت خیلی رایج را هدف گرفته: طراحی با «لورم ایپسوم». موضوع: رویکرد محتوا-اول (Content-First) 📝 جای متن، خودش یک تصمیم طراحی است — و متن جایگزین دقیقاً همان را از شما پنهان می‌کند. چهار چیز را قربانی می‌کند: طول واقعی، سلسله‌مراتب واقعی، حالت‌های مرزی، و لحن. چیزایی که توی مقاله می‌خونی: 📐 چرا عنوان واقعی همیشه یا نصف آن جعبه است یا دو برابرش 🧾 چهار گام اجرا: سیاههٔ محتوا، مدل محتوا پیش از چیدمان، اولویت از محتوا، آزمون با بلندترین و کوتاه‌ترین حالت 🛑 سه جایی که این رویکرد کار نمی‌کند (و رایج‌ترین سوءاستفاده‌اش: «تا محتوا نیاید نمی‌توانیم طراحی کنیم») 🇮🇷 متن فارسی ۲۰ تا ۴۰ درصد بلندتر است و اختصار هم ندارد — «Config.» معادل فارسی ندارد 🗣 و گرته‌برداری، مسئلهٔ اصلی لحن: «عملیات با موفقیت انجام شد» را کسی این‌طور نمی‌گوید اگر راهبرد محتوا و نوشتن تجربهٔ کاربری را خوانده‌اید، این یکی ترتیب کار را عوض می‌کند. 📖 لینک: sepantapouya.com/t/content-first ⏱️ زمان مطالعه: حدود ۱۰ دقیقه ✅ منبع (بنیاد طراحی تعامل — IxDF) هم پای مقاله ذکر شده.

ترجمهٔ امروز دربارهٔ مسئله‌هایی است که ابزارهای معمولی رویشان نتیجهٔ معکوس می‌دهند: سامانه‌های پیچیدهٔ اجتماعی-فنی 🕸 نکتهٔ اصلی‌اش شناختی است: مغز ما برای زنجیرهٔ علّی مستقیم ساخته شده — سنگ را می‌اندازی، افتادنش را می‌بینی. سامانهٔ پیچیده تأخیر دارد، و همین یعنی مداخلهٔ بی‌اثر عیناً شبیه مداخله‌ای است که هنوز اثر نکرده. چیزایی که توی مقاله می‌خونی: 🧠 چرا فشار بیشتر، جهش نهایی بزرگ‌تری می‌سازد — و چرا آن‌وقت نمی‌دانید کدام مداخله اثر داشت 🔍 پنج نشانهٔ تشخیص: تأخیر، جابه‌جا‌شدن هزینه، اختلاف بر سر صورت‌بندی، بی‌صاحبی، و عوض‌شدن مسئله 👣 چهار شرطِ یک «گام کوچک» که واقعاً چیزی یاد می‌دهد 🗣 ایراد دان نورمن به اصطلاح «مسئلهٔ شرور» و اینکه چرا کنارش گذاشت 🇮🇷 و محصولی که یک گره از شبکه‌ای چندطرفه است: بانک، درگاه، پیک، مقررات مکمل مسئلهٔ شرور و تفکر سیستمی است — این یکی روی تأخیر و گام کوچک تمرکز دارد. 📖 لینک: sepantapouya.com/t/complex-socio-technical-systems ⏱️ زمان مطالعه: حدود ۱۱ دقیقه ✅ منبع (بنیاد طراحی تعامل — IxDF) هم پای مقاله ذکر شده.

رفتیم سراغ پرقدرت‌ترین ابزار نظریهٔ رنگ — که در رابط کاربری پرخطرترین هم هست: رنگ‌های مکمل (Complementary Colors) 🎨 همان خصیصه‌ای که جفت مکمل را در پوستر تئاتر درخشان می‌کند، در یک صفحهٔ پر از متن به لرزش بصری تبدیل می‌شود. و کلاسیک‌ترین جفت نظریهٔ رنگ — سرخ و سبز — بدترین انتخاب ممکن برای رمزگذاری وضعیت است. چیزایی که توی مقاله می‌خونی: 🎡 دو چرخهٔ رنگ، نه یکی: مکمل سرخ روی کاغذ سبز است، روی صفحهٔ نمایش فیروزه‌ای 👁 لرزش بصری: چرا چشم مرز را با روشنایی پیدا می‌کند نه با فام 🚫 چهار قاعدهٔ عملی، از جمله «برای متن هرگز جفت مکمل نگذارید» 🧱 و یک جفت مکمل آماده در سنت خودمان: فیروزه‌ای و آجری — که هیچ‌کدام کاملاً اشباع نیستند ✍️ خط فارسی از این لرزش بیشتر آسیب می‌بیند، چون معنا روی نقطه‌های ریز سوار است کنار نظریهٔ رنگ و هماهنگی رنگ بخوانیدش؛ و کوررنگی توضیح می‌دهد چرا آن جفت کلاسیک را باید کنار گذاشت. 📖 لینک: sepantapouya.com/t/complementary-colors ⏱️ زمان مطالعه: حدود ۱۱ دقیقه ✅ منبع (بنیاد طراحی تعامل — IxDF) هم پای مقاله ذکر شده.

این یکی برای وقتی است که دو طراحی دارید و نمی‌دانید کدام سریع‌تر است: مدل‌سازی شناختی (Cognitive Modeling) ⏱️ قدیمی‌ترین ابزار کمّی تجربهٔ کاربری است و کم‌استفاده‌ترینشان. ایده‌اش ساده است: جریان را به عملگرهای ابتدایی بشکن، به هرکدام زمان بده، و جمع بزن. و همان لحظه یک چیز خودش را نشان می‌دهد — گران‌ترین عملگر، فکرکردن است. چیزایی که توی مقاله می‌خونی: 🔢 چهار عملگر و زمانشان: کلید ۰٫۲ · اشاره‌گر ۱٫۱ · حرکت دست ۰٫۴ · مکث ذهنی ۱٫۳۵ ثانیه ♟ چرا طراحی‌ای که یک کلیک کم و یک تصمیم اضافه می‌کند، کندتر شده 📉 داستان ایستگاه‌کاری که مدل پیش‌بینی کرد کندتر است — و خرید چند ده میلیون دلاری متوقف شد ⚠️ اپراتور M، جایی که همهٔ عدم‌قطعیت پنهان است (و چرا این ابزار مقایسه است نه پیش‌گویی) 🇮🇷 و اینکه چرا عددهای استاندارد برای فرم فارسی درست نیستند. جفت طبیعی‌اش قانون فیتس و قانون هیک است — این یکی همان دو را در یک جمع واحد کنار هم می‌گذارد. 📖 لینک: sepantapouya.com/t/cognitive-modeling ⏱️ زمان مطالعه: حدود ۱۱ دقیقه ✅ منبع (بنیاد طراحی تعامل — IxDF) هم پای مقاله ذکر شده.

سلام رفقا 👋 ترجمهٔ تازه رسید! این یکی دربارهٔ همان چیزی است که هیچ نمودار جریانی نشانش نمی‌دهد: تحلیل وظیفهٔ شناختی (Cognitive Task Analysis) 🧠 یک تحلیل وظیفهٔ معمولی می‌گوید کاربر چه کارهایی می‌کند — وارد می‌شود، فیلتر می‌زند، تأیید می‌کند. کاری که نمی‌گوید این است که میان دو گام، در سر آن آدم چه گذشته. و در پنل‌های داخلی که کاربرشان خبره است، معمولاً همان فاصله است که تمام مسئله را نگه داشته. چیزایی که توی مقاله می‌خونی: 🏭 ریشه‌اش کجاست: اتاق کنترل تری مایل آیلند که اطلاعات داشت و خوانده نمی‌شد 🧩 دو لایهٔ هر وظیفه — و اینکه لایهٔ دوم در سر سه نفر است و با خودشان می‌برندش 🎯 چهار چیزی که واقعاً قابل شکار است: نقطهٔ تصمیم، نشانهٔ تشخیصی، بار ذهنی، دانش ناگفته 🛠 سه روش از ارزان به گران — و پرسشی که از همه پربارتر است: «تازه‌کار اینجا چه اشتباهی می‌کند؟» 🇮🇷 و کاربرد محلی‌اش: مستندکردن دانشی که فقط در سر یکی‌دو نفر است اگر تحلیل وظیفه را خوانده‌اید، این یکی دقیقاً همان لایه‌ای است که آنجا جا می‌ماند — و با مدل ذهنی هم جفت می‌شود. 📖 لینک: sepantapouya.com/t/cognitive-task-analysis ⏱️ زمان مطالعه: حدود ۱۳ دقیقه ✅ منبع (بنیاد طراحی تعامل — IxDF) هم پای مقاله ذکر شده.

شصت و یکمین رویداد AI Talks موضوع: مهندسی کانتکست؛ قصه میز یک همکار نابغه بخش‌های نشست: ▪️ ارائه ▪️ پرسش و پاسخ ▪️ آخرین اخبار هوش مصنوعی ▪️ شبکه‌سازی مدل‌ها فقط آنچه جلوی چشمشان است را می‌دانند و «مهندسی کانتکست» (Context Engineering) هنر چیدن میز کار است. آنتروپیک بیش از ۸۰ درصد سیستم‌پرامپت Claude Code را بی‌افت کیفیت حذف کرده؛ مقاله‌اش را مرور می‌کنیم: • کانتکست چیست و چرا «میز شلوغ» جای فکرکردن مدل را می‌گیرد • شش باور قدیمی پرامپت‌نویسی که برای مدل‌های جدید عوض شد • چیدمان عملی میز نو: سیستم‌پرامپت، فایل CLAUDE.md، اسکیل‌ها و ارجاع‌ها • چرا چیدن کانتکست کار طراحی است و کدام مرزها نباید حذف شوند • سه کاری که از فردا می‌توانید روی دستیار یا محصول هوشمند خودتان انجام دهید مناسب همه کسانی که با ابزارهای هوش مصنوعی کار می‌کنند یا محصول هوشمند می‌سازند، از توسعه‌دهنده و مدیر محصول تا طراح؛ بدون نیاز به پیش‌زمینه فنی. 🎙 ارائه‌دهنده: سپنتا پویا | طراح محصول ارشد و منتور تجربه کاربری 🗓 شنبه ۱۱ مهر ۱۴۰۵ 🕗 ساعت ۱۸ الی ۲۰ 📍 پویتک ملاصدرا ثبت‌نام رایگان: https://evand.com/events/aitalks61 @aitalkshub

🗂 مگا‌منو: یک شرط‌بندی، نه یک الگو بهترین جملهٔ این مقاله وسط یک بند دفن شده: «مگا‌منو در حوزه‌هایی بهترین کار را می‌کند که مسئله‌شان خوب فهمیده شده**؛ برای خواروبار آنلاین به‌سرعت کابوس می‌شود.» صورت تعمیم‌یافته‌اش: **مگا‌منو شرط‌بندی است بر اینکه کاربر از قبل دسته‌بندی شما را می‌شناسد — چون تمام سلسله‌مراتب را یک‌جا نشان می‌دهد و هیچ راهی برای *یاد‌گرفتنش* نمی‌گذارد. ▪️ دسته‌های متعارف (پوشاک ← زنانه/مردانه) → شرط را می‌برید ▪️ دسته‌های هم‌پوشان («لبنیات» یا «صبحانه»؟) → تصمیم را *سخت‌تر* می‌کند ▪️ نمودار سازمانی شما → سرگشتگی‌تان را در اندازهٔ بزرگ نمایش می‌دهد آزمونش: آیا کاربر تازه می‌تواند پیش از باز‌کردن منو حدس بزند فلان کالا زیر کدام تیتر است؟ و «هاور» یک ملاحظه نیست، تصمیم است: ▪️ روی لمس وجود ندارد — پس منوی فقط‌هاوری هیچ داستان موبایلی ندارد ▪️ مسئلهٔ حرکت مورب: مسیر مورب ماوس از ناحیهٔ فعال بیرون می‌زند و منو بسته می‌شود — یعنی دقیقاً *عمیق‌روها* را جریمه می‌کند ▪️ و برای صفحه‌کلید بی‌معناست پس کلیک پیش‌فرض است و هاور شتاب‌دهندهٔ اختیاری روی آن. و یک نکتهٔ محلی: مسئلهٔ واقعی، نام دسته‌هاست. دسته‌بندی را از لاگ جست‌وجوی خودتان دربیاورید، نه نمودار سازمانی — آنچه کاربران تایپ می‌کنند دسته‌بندی واقعی‌شان است. 🔗 https://sepantapouya.com/fa/mega-menus.html

🗺 نقشهٔ همدلی: منشأ هر برگه را رویش بنویسید منبع خودش می‌گوید تیم باید دادهٔ موجود را تفسیر کند تا ربع‌های «فکر می‌کند» و «احساس می‌کند» را پر کند. اما آن مصنوع چهار جعبهٔ *هم‌اندازه* روی یک تخته است — و در آن قالب، یک احساسِ حدس‌زده‌شده عیناً شبیه یک نقل‌قول ثبت‌شده به‌نظر می‌رسد. و بعد همان برگه در سند مشخصات نقل می‌شود. یک قرارداد یک‌نویسه‌ای حلش می‌کند: ▪️ «» نقل‌قول عیناً — کسی این را گفت ▪️ ← رفتار مشاهده‌شده — کسی این را کرد و دیدیم ▪️ ؟ استنتاج تیم — هیچ‌کس نگفت و نکرد و قاعده‌اش: ویژگی‌ای نسازید که تنها پشتوانه‌اش یک برگهٔ «؟» است. آن یک *فرضیه* است و جایش صف آزمون است، نه بک‌لاگ. و فایدهٔ دومش: نسبت «؟» به «» می‌گوید چقدر واقعاً پژوهش کرده‌اید. خروجی واقعی نقشه هم چهار ربع نیست — تناقض‌هاست. نقشه را *عرضی* بخوانید: *می‌گوید* ویژگی بیشتر می‌خواهم — *می‌کند* در گام دوم رها می‌کند. و اگر نقشهٔ تمام‌شده‌تان هیچ تناقضی ندارد، احتمالاً یک منبع داشته‌اید. و در بافت ما ترتیب را برعکس کنید: منبع «می‌گوید» را آسان‌ترین ربع می‌داند، و اینجا آلوده‌ترین است. اول «می‌کند» را پر کنید. 🔗 https://sepantapouya.com/fa/empathy-mapping.html

📖 خوانایی: تفکیکی که ساخته می‌شود و بعد رها می‌شود منبع مرز درستی می‌کشد: خوانا‌پذیری یعنی تشخیص‌دادن حروف از هم، و خوانایی یعنی *فهمیدن*. و بعد هر شش توصیهٔ عملی‌اش — تایپوگرافی، یکدستی، فضا، رنگ و کنتراست، چیدمان، طول سطر — دربارهٔ دیدن متن است، نه فهمیدنش. علتش هم روشن است: کنتراست عدد دارد و فهم ندارد. پس یک تیم می‌تواند همهٔ سنجه‌ها را کامل کند و متنی منتشر کند که هیچ‌کس نمی‌فهمد. آزمون فهم ارزان است، فقط عدد نمی‌دهد: صفحه را دست کسی بدهید و بپرسید «اگر این را بزنی چه می‌شود؟» — نه «واضح است؟» که جوابش همیشه بله است. و «۴۵ تا ۷۲ نویسه در هر سطر» متغیر چاپ است: روی صفحهٔ ۳۶۰ پیکسلی در اندازهٔ خوانا، ۳۰ تا ۳۵ نویسه می‌گیرید — قاعده خودبه‌خود برآورده شده. متغیری که واقعاً در موبایل قید می‌گذارد: طول بند بر حسب صفحه. بندی که کل نما را پر می‌کند هیچ *خروجی مرئی* ندارد. و برای فارسی، نصف این قواعد برای خط لاتین نوشته شده‌اند: ▪️ حروف بزرگ نداریم → سلسله‌مراتب از اندازه و فاصله و رنگ ▪️ فاصلهٔ سطر ۱٫۷ تا ۱٫۸**، نه ۱٫۴ ▪️ **هم‌تراز نکنید — کلمه‌ها پیوسته‌اند ▪️ از ۱۶–۱۷ پیکسل شروع کنید — معنا در نقطه‌های کوچک است و مهم‌تر از همه: نا‌خوانا‌بودن فارسی رابط‌ها معمولاً مسئلهٔ قلم نیست، گرته‌برداری است. آزمونش: بلند بخوانیدش. 🔗 https://sepantapouya.com/fa/readability-in-ux-design.html

🤝 تحویل طراحی: خودِ کلمه باگ را می‌سازد Handoff یعنی پاس‌دادن باتون: یکی کارش تمام می‌شود، دیگری شروع می‌کند، و اولی می‌رود. اما هر چیزی که این مقاله توصیه می‌کند — کامنت در فایل، تگ‌کردن افراد، پرسیدن قالب فایل از توسعه‌دهنده، نمونهٔ تعاملی برای حرکت — توصیف یک گفت‌وگوی جاری است، نه یک انتقال. و آن کلمه به طراح می‌گوید اینجا نقطهٔ خروج اوست. از آن لحظه، پرسش‌های میانهٔ ساخت حس *وقفه* می‌دهند — در حالی که هر چیزِ تصریح‌نشده دارد همان‌جا تصمیم‌گیری می‌شود، با یا بی حضور شما. تحویل پایان دخالت شما نیست؛ شروع گران‌ترین بخش آن است. آزمونش: چند دقیقه از وقت طراح برای *دو هفتهٔ بعد از* تحویل بودجه شده؟ و یک قاعدهٔ عملی که از جملهٔ خود منبع بیرون می‌آید («توسعه‌دهنده مشخصات بصری را خودش از ابزار بیرون می‌کشد»): سند تحویل نباید هیچ چیزی داشته باشد که فایل خودش می‌گوید. تکرار کد رنگ و فاصله فقط حجم می‌سازد و مهم‌ها را پنهان می‌کند. آنچه فایل نمی‌تواند بگوید: حالت‌هایی که صفحه ندارند · رفتار در شکست · قاعدهٔ تقدم · و «چرا». پس نُه حالت را بشمارید و هر کدام را فریم کنید: بارگذاری · خالی · یک آیتم · چند · بیش‌از‌حد · خطا · بی‌اینترنت · بی‌دسترسی · کهنه چون حالتی که فریم ندارد را کسی که کد را می‌نویسد، ساعت شش عصر و تنها، از خودش می‌سازد. 🔗 https://sepantapouya.com/fa/design-handoffs.html

۴۰۰ 🎉 امروز چهارصدمین مقالهٔ تجربهٔ کاربری روی سایت منتشر شد. ۲۸ تیر، وقتی اولین مقاله رو گذاشتم، فقط یه سؤال ساده تو ذهنم بود: چرا یه طراح فارسی‌زبان باید برای خوندن دربارهٔ کار خودش، همیشه بره سراغ یه زبون دیگه؟ 🌱 از اون روز هر مقاله یه قدم بوده. از «پرسونا چیه» و «تفکر طراحی» شروع کردیم، رسیدیم به اصول گشتالت و دسترس‌پذیری، و امروز به الگوهای فریبنده و سئو و مدیریت محصول. هر کدوم رو سعی کردم فقط ترجمه نکنم. از نو به فارسی نوشتمشون، با مثال‌هایی که به بازار و کاربر ما نزدیک‌تره، با نمودارهایی که از صفر کشیدم، و با یه بخش «در بافت فارسی» که تو هیچ منبع انگلیسی‌ای پیداش نمی‌کنی: از راست‌به‌چپ و نیم‌فاصله گرفته تا تعارف تو جلسهٔ بازخورد 🇮🇷 ✨ فان فکت: این ۴۰۰ مقاله روی هم 📝 حدود ۶۱۳ هزار کلمه، یعنی به‌طور میانگین هر مقاله ۱٬۵۰۰ کلمه ✏️ حدود ۴۷ هزار و ۶۰۰ جمله 📖 حدود ۵۷ ساعت خوندن پشت سر هم، اگه یکی بخواد همه‌ش رو یه‌جا بخونه 🎨 ۱٬۲۱۹ نمودار اختصاصی، همه فارسی و راست‌به‌چپ 🔤 متن منتشرشده حدود ۲ میلیون توکن می‌شه (توکن واحدیه که هوش مصنوعی متن رو باهاش می‌شمره) 🧠 ولی برای نوشتن همین‌ها، هوش مصنوعی بارها و بارها منبع و پیش‌نویس و نمودارها رو خونده؛ سر جمع احتمالاً بیش از یک میلیارد توکن 💸 اگه با قیمت API حساب کنیم، چیزی حدود هزار تا هزار و پونصد دلار (این یه تخمین سرانگشتیه، نه صورت‌حساب واقعی) یعنی تقریباً هر مقاله چند دلار خرج داشته، و چند ساعت فکر و بازبینی ☕️ چیزایی که الان روی سایت هست: 📚 ۴۰۰ مقاله، از مبانی تا پژوهش کاربر، طراحی رابط، استراتژی محصول و مسیر شغلی 🔗 مقاله‌ها به هم وصلن، هر کدوم رو که بخونی، راه بعدی رو نشونت می‌ده 🔍 همه رو می‌تونی با جست‌وجو و دسته‌بندی پیدا کنی ✅ پای هر مقاله منبعش (بنیاد طراحی تعامل — IxDF) کامل اومده 🤖 و با صداقت: ترجمه و بازنویسی با کمک هوش مصنوعی انجام شده این مجموعه بدون شما معنی نداشت. هر پیامی که گفتین «این مقاله به دردم خورد»، هر بار که یه لینک رو برای همکارتون فرستادین، هر پیشنهادی که برای موضوع بعدی دادین، دلیل ادامه دادن بود. ممنونم ❤️ اگه تازه به این کانال اومدی، از هر جایی که دوست داری شروع کن. اگه هم مدتیه همراهی، یه سر بزن و ببین چه چیزایی اضافه شده که هنوز نخوندی 👇 🌐 همهٔ مقاله‌ها: sepantapouya.com/fa/translations.html 🏠 سایت: sepantapouya.com

📉 دانینگ‌–‌کروگر: آن نمودار معروف در مقالهٔ اصلی نیست «کوه حماقت»، «درهٔ ناامیدی»، «شیب روشنگری» — این نمودار ساختهٔ اینترنت است، نه یافتهٔ پژوهش. یافتهٔ واقعی یک پراکندگی است: برآورد افراد از خودشان حول «کمی بالاتر از میانگین» جمع می‌شود، پس چارک پایین بیش‌برآورد می‌کند و چارک بالا کم‌برآورد. همین. و بخش بزرگی از این الگو از دو چیز بی‌ربط به فرا‌شناخت بیرون می‌آید: بازگشت به میانگین + یک خوش‌بینی ثابت. عدد تصادفی با آفست مثبت بسازید، همان الگو را می‌گیرید. آنچه سالم می‌ماند ضعیف‌تر است: آدم‌ها در برآورد رتبهٔ خودشان بد‌اند، و خطا در دو انتها بیشتر است. و یک نکتهٔ مهم‌تر: ساختار این مقاله را نگاه کنید — طراح تازه‌کار، طراح خبره، کارفرما، کاربر. همه سوگیرانده‌اند و در هر مورد راه‌حل این است که به طراح اعتماد شود. این اثر فقط روی خودتان قابل استفاده است. نسبت‌دادنش به دیگری ابطال‌ناپذیر می‌شود: او مطمئن حرف می‌زند؟ بی‌صلاحیت است. با احتیاط؟ خبره است. هیچ مشاهده‌ای ردش نمی‌کند. و درمانش «خودآگاهی» نیست — چون کمبود در همان قوهٔ داوری است. درمان خودِ پژوهش آموزش بود: ▪️ نمونهٔ خوب را کنار کار بگذارید ▪️ معیار را *پیش از* کار اعلام کنید ▪️ و بگذارید شکست یک کاربر واقعی را ببیند 🔗 https://sepantapouya.com/fa/dunning-kruger-effect.html

یه پروژه بامزه لانچ شده که طراح های ux فارسی زبان روی نقشه جهان میتونن خودشونو ثبت کنن. میتونه کلی جذاب بشه و دراینده چیزای بیشتر بهش اضافه بشه. ایده جذاب و باحالیه. خودتون رو ثبت کنید به دوستاتونم بفرستید اونا هم ادد کنن خودشون رو.😅 https://persianuxmap.com/

📄 صفحه‌بندی: بار کم نشده، جا عوض کرده منبع اولین مزیت صفحه‌بندی را «کاهش بار شناختی» می‌گوید، و چند بند پایین‌تر یکی از عیب‌هایش را این می‌داند که «مقایسهٔ محتوا میان چند صفحه خسته‌کننده می‌شود». این دو یک چیزند. تقسیم ۲۰۰ آیتم به ۱۰ صفحه، مقدار چیزی که کاربر باید در نظر بگیرد را کم نمی‌کند؛ یک کار اسکن را به کار حافظه و پیمایش تبدیل می‌کند. صفحه‌بندی بار را در هر صفحه کم می‌کند و در کل کار زیاد می‌کند. که یک قاعدهٔ تصمیم روشن‌تر می‌دهد: ▪️ کاربر یک آیتم می‌خواهد → صفحه‌بندی کنید ▪️ کاربر باید مقایسه کند → هرگز. مرز صفحه دقیقاً همان چیزی را می‌شکند که کار به آن نیاز دارد و مهم‌ترین چیزی که در آن متن نیست: قوی‌ترین استدلال منبع این است که شمارهٔ صفحه «نشانهٔ راه» می‌شود — اما این فقط وقتی درست است که ترتیب فهرست پایدار بماند. روی فهرست مرتب‌شده بر پایهٔ تازگی، یا موجودی زنده، یا رتبه‌بندی شخصی‌سازی‌شده، یک باگ مشخص رخ می‌دهد: آیتم‌ها هنگام ورق‌زدن از مرز صفحه‌ها می‌لغزند — پس یک آیتم می‌تواند کاملاً از چشم کاربر بیفتد یا دو بار دیده شود. راه‌حل: نشانگر پایدار به‌جای آفست («بعد از این آیتم مشخص»، نه «از شمارهٔ بیست») — که شمارهٔ صفحه نمی‌دهد، و این صادقانه‌تر از شماره‌ای است که دروغ می‌گوید. 🔗 https://sepantapouya.com/fa/pagination.html

یه خبر دیگه هم اینکه مایکروسافت یه ابزار اوپن‌سورس به اسم AI Engineering Coach منتشر کرده. این ابزار نحوه‌ی کار شما با دستیارهای کدنویسی AI رو تحلیل می‌کنه و بهتون فیدبک میده. کارش اینه که لاگ‌های لوکالِ سشن‌های AI رو می‌خونه و روی یه داشبورد داخل VS Code نشون میده که چطور از این ابزارها استفاده می‌کنید و کجاها میشه بهترش کرد. نکته‌ی مهمش حریم خصوصیه: همه‌ی تحلیل‌ها روی سیستم خودتون انجام میشه، دسترسیش فقط read-only هست و هیچ دیتایی بیرون فرستاده نمیشه. چند تا از قابلیت‌های جالبش: - تشخیص Anti-patternها: ۴۵ تا Rule قابل ویرایش داره که کیفیت پرامپت، مدیریت Context، نظم سشن‌ها، Code Review و میزان تسلط روی ابزارها رو بررسی می‌کنن. Rule اختصاصی خودتون رو هم می‌تونید بنویسید و همون‌جا روی دیتای خودتون تستش کنید. - پیشنهاد Skill: پرامپت‌هایی رو که مدام تکرار می‌کنید پیدا می‌کنه تا بتونید تبدیلشون کنید به Skill. - امتیاز سلامت Context: یه چک‌لیست داره که نشون میده پروژه‌تون چقدر برای کار Agentic آماده‌ست. - آمار و روندها: امتیاز هفتگی، Heatmap ساعت‌های کاری، حجم کد تولیدشده به تفکیک زبان و مدل، و Timeline سشن‌ها. یکپارچگی با GitHub: سشن‌هایی رو که به Issueها وصل هستن دنبال می‌کنه و نشون میده چه تعدادشون به PR تبدیل شدن. یه بخش آموزشی با کوییزهای شخصی‌سازی‌شده و یه سیستم Achievement هم داره. روی Marketplace منتشر نشده. برای نصب باید ریپو رو کلون کنید، خودتون بیلدش کنید و فایل .vsix رو دستی نصب کنید. https://github.com/microsoft/AI-Engineering-Coach