Att skriva är en av de vanligaste sakerna vi gör på våra mobiltelefoner. En färsk undersökning tyder på att millenials spenderar 48 minuter varje dag på att skicka sms, medan boomers spenderar 30 minuter.

Sedan mobiltelefonernas tillkomst har sättet vi sms:ar på förändrats. Vi har sett införandet av autokorrigering, som korrigerar fel när vi skriver, och ordprediktion (ofta kallad prediktiv text), som förutsäger nästa ord vi vill skriva och låter oss välja det ovanför tangentbordet.

Funktioner som autokorrigering och prediktiv text är utformade för att göra skrivning snabbare och effektivare. Men forskning visar att detta inte nödvändigtvis är sant för prediktiv text.

En studie publicerad 2016 fann att prediktiv text inte var förknippad med någon övergripande förbättring av skrivhastigheten. Men den här studien hade bara 17 deltagare – och alla använde samma typ av mobil enhet.

Under 2019 publicerade jag och mina kollegor en studie där vi tittade på mobil typdata från mer än 37 000 frivilliga, alla med sina egna mobiltelefoner. Deltagarna ombads att kopiera meningar så snabbt och korrekt som möjligt.

Deltagare som använde prediktiv text skrev i genomsnitt 33 ord per minut. Detta var långsammare än de som inte använde en intelligent textinmatningsmetod (35 ord per minut) och betydligt långsammare än deltagare som använde autokorrigering (43 ord per minut).

Dela upp det

Det är intressant att överväga den dåliga korrelationen mellan prediktiv text och skrivprestanda. Idén verkar vara vettig:om systemet kan förutsäga ditt avsedda ord innan du skriver det, bör detta spara tid.

I min senaste studie om detta ämne undersökte jag och en kollega villkoren som avgör om prediktiv text är effektiv. Vi kombinerade några av dessa villkor, eller parametrar, för att simulera ett stort antal olika scenarier och därför avgöra när prediktiv text är effektiv – och när den inte är det.

Vi har byggt in ett par grundläggande parametrar förknippade med prediktiv textprestanda i vår simulering. Den första är den genomsnittliga tid det tar för en användare att trycka på en tangent på tangentbordet (i huvudsak ett mått på deras skrivhastighet). Vi uppskattade detta till 0,26 sekunder, baserat på tidigare forskning.

Den andra grundläggande parametern är den genomsnittliga tid det tar för en användare att titta på ett textförslag och välja det. Vi fixade detta till 0,45 sekunder, återigen baserat på befintliga data.

Utöver dessa finns det en uppsättning parametrar som är mindre tydliga. Dessa återspeglar hur användaren engagerar sig i prediktiv text – eller deras strategier, om du så vill. I vår forskning tittade vi på hur olika förhållningssätt till två av dessa strategier påverkar användbarheten av prediktiv text.

Den första är minsta ordlängd. Detta innebär att användaren tenderar att bara titta på förutsägelser för ord över en viss längd. Du kanske bara tittar på förutsägelser om du skriver längre ord, utöver till exempel sex bokstäver – eftersom dessa ord kräver mer ansträngning att stava och skriva ut. Den horisontella axeln i visualiseringen nedan visar effekten av att variera minsta längd på ett ord innan användaren söker en ordförutsägelse, från två bokstäver till tio.

Den andra strategin, "skriv-sen-titta", styr hur många bokstäver användaren ska skriva innan han tittar på ordförutsägelser. Du kanske bara tittar på förslagen efter att ha skrivit de tre första bokstäverna i ett ord, till exempel. Intuitionen här är att ju fler bokstäver du skriver, desto mer sannolikt kommer förutsägelsen att vara korrekt. Den vertikala axeln visar effekten av att användaren varierar skriv-sedan-se-strategin från att titta på ordförutsägelser även innan man skriver (noll) till att titta på förutsägelser efter en bokstav, två bokstäver och så vidare.

En sista latent strategi, uthållighet, fångar hur länge användaren kommer att skriva och kontrollera ordförutsägelser innan han ger upp och bara skriver ut ordet i sin helhet. Även om det skulle ha varit insiktsfullt att se hur variation i uthållighet påverkar skrivhastigheten med prediktiv text, även med en datormodell, fanns det begränsningar för mängden föränderliga datapunkter vi kunde inkludera.

Så vi fastställde uthållighet till fem, vilket innebär att om det inte finns några lämpliga förslag efter att användaren har skrivit fem bokstäver, kommer de att slutföra ordet utan att konsultera prediktiv text ytterligare. Även om vi inte har data om den genomsnittliga uthålligheten, verkar detta vara en rimlig uppskattning.

Vad hittade vi?

Ovanför den streckade linjen ökar nettointrädesfrekvensen, medan under den saktar prediktiv text ner användaren. Den djupröda visar när prediktiv text är mest effektiv; en förbättring med två ord per minut jämfört med att inte använda prediktiv text. Det blå är när det är minst effektivt. Under vissa förhållanden i vår simulering kan prediktiv text bromsa en användare med så mycket som åtta ord per minut.

Den blå cirkeln visar den optimala driftpunkten, där du får de bästa resultaten från prediktiv text. Detta inträffar när ordförutsägelser endast söks för ord med minst sex bokstäver och användaren tittar på en ordförutsägelse efter att ha skrivit tre bokstäver.

Så för den genomsnittliga användaren är det osannolikt att prediktiv text förbättrar prestandan. Och även när det gör det verkar det inte spara mycket tid. Den potentiella vinsten med ett par ord per minut är mycket mindre än den potentiella förlorade tiden.

Det skulle vara intressant att studera långsiktig prediktiv textanvändning och titta på användarnas strategier för att verifiera att våra antaganden från modellen håller i praktiken. Men vår simulering förstärker resultaten av tidigare mänsklig forskning:prediktiv text sparar förmodligen inte dig tid – och kan sakta ner dig.