ANTES DE LEER: * Radar COVID (España) es una app que monitoriza tus contactos en el día a día y te avisará si alguno de ellos comunica que es positivo. Es una app fácil de usar y que respeta tu privacidad. Si no has instalado aún Radar COVID hazlo ahora: [Radar COVID en App Store] [Radar COVID en Google Play]*
Cada día surgen miles de nuevas apps que prometen facilitarnos la vida y resolver nuestros problemas. Pero la mayoría de estas pasan desapercibidas y nunca se instalan, se instalan pero nunca se usan, o se desinstalan tras un rápido vistazo.
Esto entra dentro de la lógica de mercado, pero debe preocuparnos a todos cuando estamos hablando de una aplicación de servicio público y con el potencial de salvar vidas como es Radar COVID. La aplicación está en el punto de mira debido a dudas sobre su eficacia real, seguridad y privacidad de los datos y falta de transparencia en su desarrollo. A esto se une la frustración de los usuarios, evidente al revisar los comentarios en Google Play y la App store [4].
Aunque los ejemplos y problemas mostrados en este artículo se refieren a la app española, se han desarrollado aplicaciones parecidas en diferentes países que muestran dificultades similares [1]. Por ejemplo, un estudio realizado en Holanda por la Universidad de Twente mostró que la percepción de su utilidad y la confiabilidad afectan la adopción de este tipo de tecnología, concluyendo [2]:
Apart from providing receiving notifications about possible infections, current contract tracing apps appear to not provide a clear benefit to the user and are perceived as somewhat unsafe and privacy-invading.
Pero, ¿qué es lo que hace que una persona decida no instalar y usar una app como Radar COVID? En este artículo voy a tratar de dar algunas pistas usando teorías y modelos de diseño conductual e interacción persona-ordenador.
Tabla de contenidos
¿Por qué no se instala más la aplicación? El modelo de BJ Fogg: B = M+A+P
En el modelo de diseño conductual de BJ Fogg, nuestras acciones se producen como resultado de la ecuación B = M+A+P. Es decir, un comportamiento (B, Behavior) ocurre cuando la persona tiene la motivación (M, Motivation) y capacidad (A, Ability) adecuadas, y se presenta una señal o requerimiento de acción (P, Prompt) en el momento preciso. Podemos ver una representación del modelo a continuación:
Todas las personas nos situamos en un punto determinado de esta gráfica, en función de nuestro grado de motivación y capacidad para hacer una determinada tarea. Las personas situadas a la derecha de la línea de acción probablemente haremos la tarea cuando se nos pida, mientras que las situadas a la izquierda de ese límite no lo haremos.
Es un modelo desarrollado en el Behavior Design Lab de la Universidad de Stanford que se ha aplicado extensivamente para crear tecnología persuasiva y fomentar acciones y hábitos saludables. Por ejemplo, actualmente trabajan en un proyecto para incrementar la tasa de vacunación COVID cuando la vacuna esté disponible [6].
Veamos cómo se aplicaría este modelo para incrementar el número de personas que instalan una aplicación como Radar COVID. Damos por hecho que todo el mundo conoce su existencia y ha recibido a estas alturas una señal o requerimiento para instalarla (la P de en la ecuación B=M+A+P) . Esto puede ser una noticia en TV, una conversación con otra persona o una llamada a la acción de las autoridades en redes sociales:
Bien, es importante saber que esa señal o requerimiento para instalar Radar Covid va a ser infructuosa en un gran número de casos. ¿Por qué? El modelo señala que para que el comportamiento tenga lugar (la instalación de la app) los usuarios deben estar suficientemente motivados y tener la capacidad para hacerlo (la tarea debe ser fácil de hacer). Por lo tanto, debemos incrementar la motivación de los usuarios al mismo tiempo que hacemos que la tarea sea tan fácil como sea posible. O dicho de otra forma, debe intentarse que la mayor parte de los potenciales usuarios se sitúen a la derecha de la línea de acción.
¿De qué depende la motivación? No se trata de querer o no querer hacerlo, sino que es resultado de un proceso complejo en el que distintas fuerzas pueden jugar a favor o en contra de realizar una acción. Por ejemplo, la esperanza de superar la pandemia puede motivarnos para instalar la app, pero el miedo a perder el control de nuestros datos o privacidad puede desmotivarnos para hacerlo. La aplicación trabaja este aspecto durante el proceso de instalación, mostrando las ventajas de la app y destacando el anonimato y discreción en el uso de los datos:
Pero el que los usuarios motivados se instalen la aplicación también depende de su capacidad. Es decir, la gente puede estar convencida de que quiere usar Radar COVID, pero luego no tener las capacidades, conocimientos técnicos o habilidades para hacerlo. Y cuando el objetivo de esta aplicación es ser usada por millones de usuarios, podemos pensar que habrá un porcentaje muy alto con una capacidad reducida de interactuar con la tecnología. Tenemos poco margen de acción directa sobre las capacidades, no podemos pensar en entrenar a millones de personas en un uso efectivo de la tecnología móvil y la app en el corto plazo. Así que la mejor manera de asegurarnos que todo el mundo puede instalar Radar COVID es que la usabilidad y accesibilidad del proceso sean excepcionales. A muchas personas puede parecerle que la instalación es muy fácil, pero otras personas (p.ej. personas mayores o con escasos conocimientos técnicos) el proceso de activar bluetooth, permitir notificaciones, desactivar ahorro de energía, gestionar los posibles errores de comunicación, etc., puede ser muy complejo:
En cuanto a la accesibilidad, por el momento presenta importantes barreras. No se entiende una app como esta se desarrolle excluyendo a grupos de usuarios como las personas ciegas [5]:
Tampoco que sus requisitos a nivel de sistema operativo sean tan altos, dejando a muchos usuarios sin la posibilidad de instalarla en sus dispositivos:
Por último, añadir que según este modelo es importante que las señales o requerimientos de instalación se presenten cuando la motivación y capacidad son máximas. Algo que desde mi punto de vista está limitando el número de instalaciones es que las llamadas a la instalación se han presentado cuando la aplicación aún no estaba activa en algunas comunidades autónomas:
¿Por qué no se comprende su funcionamiento? El modelo mental del usuario
Muchas personas no instalan ni usan Radar COVID porque no comprenden su funcionamiento, y creo que parte de culpa está en no haber considerado los modelos mentales de los usuarios.
Los modelos mentales de los usuarios son las creencias que tienen las personas sobre cómo funciona un sistema o aplicación. Cuando una persona se enfrenta por primera vez con una tecnología que no conoce, trata de entenderla basándose en su experiencia previa y su conocimiento general sobre cómo funciona el mundo [4].
En el caso de Radar COVID, se ha demostrado que el modelo mental de los usuarios dista bastante de cómo funciona realmente la aplicación. Muchos usuarios piensan que la detección y comunicación de contactos positivos se produce en tiempo real, cuando en realidad solo puede producirse en diferido. Algunos ejemplos de comentarios de usuarios en Google Play:
Algunos usuarios tratan de hacer pedagogía sobre el funcionamiento real, aunque sin mucho éxito:
Pero, ¿porque los usuarios tienen estos pensamientos erróneos sobre el funcionamiento de la app? Una de las principales razones es que la metáfora elegida, RADAR, no parece muy adecuada. Todos tenemos una idea aproximada de cómo funciona un radar, lo hemos visto en películas, series o documentales. Sin necesidad de entrar en detalles técnicos, un radar puede detectar en tiempo real la posición, dirección y velocidad de objetos (por ejemplo, barcos o submarinos de guerra en el mar). En condiciones normales, el radar también ofrece información sobre si es un objeto amigo o enemigo. Pero Radar COVID no funciona así. Es como si un radar que quiere detectar barcos de guerra no mostrase los barcos enemigos que hay alrededor, sino que solo te alertará si en el pasado estuviste cerca de uno (“La semana pasada pasaste muy cerca de un submarino alemán, revisa por si tuviste algún daño”). Un radar un poco extraño, ¿no?
Pero independientemente de que la metáfora no sea la más adecuada, es necesario ayudar a los usuarios a actualizar y corregir su modelo mental. Una de las funciones principales de las interfaces de usuario es establecer un diálogo entre el funcionamiento de un sistema y el modelo mental del usuario. Como señalaba JuanRa Martín en Twitter ¿Cómo podemos hacer visible esta información?
Realmente, un buen diseño de interacción debería visibilizar la información de que se dispone y dar feedback al usuario de cómo va el proceso.
¿Por qué no se usa la app una vez instalada? El modelo UTAUT
Un modelo que explica el proceso por el que una persona adopta una tecnología es el modelo UTAUT (Unified Theory of Acceptance and Use of Technology) [7]. En este, una serie de factores personales y sociales generan reacciones en el usuario que determinan la intención de uso, y esa intención lleva al comportamiento de uso (el uso real y continuo de la tecnología). Esta diferencia entre intención y comportamiento de uso es importante, porque no basta la intención para que un comportamiento se lleve a cabo.
El modelo tiene cierta complejidad, pero una representación simple puede verse en el siguiente esquema:
Imaginemos que la persona ya ha instalado Radar COVID y veamos cuales son los factores que predicen su uso según este modelo. Vamos a mostrar ejemplos de las dificultades usando comentarios de usuarios reales.
Expectativa de ejecución
También llamada percepción de utilidad, es el grado en que la persona piensa que usar Radar COVID le ayudará a conseguir sus objetivos. Pero, ¿cuáles son los objetivos en este caso? Hay que diferenciar los objetivos de la app y los del usuario. Para la app el objetivo es que se comuniquen los positivos para identificar de manera temprana los contactos de riesgo, y atajar así la cadena de contagios en la comunidad. Pero en la mente de muchas personas el objetivo es mucho más directo: evitar contagiarse uno mismo. En ese sentido, algunos usuarios dudan de la utilidad real de la app:
Expectativa de esfuerzo
La expectativa de esfuerzo es la percepción que se tiene sobre la usabilidad de un sistema (por ejemplo, si una aplicación parece muy difícil de usar a primera vista). Puede pensarse que Radar COVID es fácil de usar ya que funciona en segundo plano, pero aun así, algunos usuarios sienten que los requisitos de conectividad, el consumo de batería y algunos fallos técnicos suponen un esfuerzo que no están dispuestos a realizar.
Influencia social
Se define como el grado en el que una persona percibe que otras personas relevantes para ella creen que debe usar esta nueva tecnología. Una influencia social positiva de nuestros referentes fomentará nuestra intención de uso de la app. Lamentablemente, el actual clima de confrontación política y el negacionismo COVID no ayudan en este sentido. Es decir, si tus referentes políticos se posicionan en contra de este tipo de apps o personas en las que confías piensan que el gobierno quiere controlarte a través de la aplicación, es muy posible que acabes por no usar Radar COVID.
Factores mediadores y condiciones facilitadoras
Existen muchos factores y condiciones que actúan de intermediarios para hacer que finalmente se haga un uso efectivo de Radar COVID. Por ejemplo, la edad, experiencia con la tecnología, confianza en la privacidad de datos, etc. son factores mediadores que influyen en que decidamos usar la app. Igualmente, hay algunas condiciones técnicas que van a facilitar su uso (por ejemplo, una persona con un móvil de alta gama y una batería de larga duración se va a ver menos afectada por las dudas sobre el uso de Bluetooth).
Estos factores y condiciones existen en la sociedad y no se podrán modificar, pero es necesario conocerlo para paliar su efecto. Por ejemplo, ¿qué porcentaje de población tiene móviles de baja gama? ¿Se puede asegurar un funcionamiento mínimo en todos los dispositivos? ¿Puede hacerse una campaña para promover su uso entre personas mayores con pocos conocimientos técnicos?
Conclusiones: Algunas recomendaciones de mejora
En este artículo se han presentado algunos modelos de diseño conductual para tratar de explicar porque algunos usuarios deciden no instalar o usar Radar COVID. No se pretende ofrecer soluciones de diseño concretas, pero sí se pueden hacer algunas recomendaciones para mejorar la adopción de esta y otras similares que puedan surgir en el futuro:
- Incrementar la motivación de los usuarios para instalar y usar la app, destacando sus beneficios y clarificando las dudas sobre seguridad y privacidad.
- Mejorar la usabilidad y accesibilidad del proceso de instalación y uso de la aplicación.
- Vincular las acciones de promoción de la instalación y uso de la app a los dos puntos anteriores. No basta con informar de su existencia, hay que hacerlo cuando los usuarios estén motivados y sean capaces de llevarlo a cabo.
- Resolver el salto que hay entre cómo funciona la aplicación realmente y el modelo mental de los usuarios sobre cómo funciona. Un buen diseño de interacción debería poder hacer este funcionamiento visible y ofrecer información interactiva que resulte valiosa para los usuarios.
- La app debe percibirse como útil, fácil de usar y deseable socialmente. Personajes públicos, referentes sociales e influencers deberían apoyar y recomendar su uso.
- Considerar factores y condicionantes específicos que pueden afectar a algunos usuarios, y mejorar el diseño en futuras versiones para dar respuesta a esas situaciones concretas. Ampliar cada vez más la población de personas capaces de usar la app.
Referencias
[1] BBC (21/07/2020). Coronavirus: The great contact-tracing apps mystery
[2] Kukuk, L (2020). Analyzing Adoption of COVID-19 Contact Tracing Apps Using UTAUT. University of Twente Students Theses
[3] IDF. The Glossary of Human Computer Interaction. Mental models.
[4] El Pais (05/09/20). Las preguntas sin respuesta de la ’app’ Radar Covid.
[5] Montiel, J. (04/09/20). De coronavirus, rastreo y accesibilidad.
[6] Stanford Behavior Design Lab (2020). Optimizing COVID-19 Vaccination Rates
[7] Venkatesh, V., Thong, J. Y., & Xu, X. (2016). Unified theory of acceptance and use of technology: A synthesis and the road ahead. Journal of the association for Information Systems, 17(5), 328-376.