AIのモダリティをユーザーの意図に合わせる：適切なインターフェースの設計

• 22 min read
• AI, UX, Design

私たちは会話型インターフェースの視野狭窄に陥り、LLMが対話データで学習されているという理由だけで、あらゆるAI機能をチャット形式のUIに当てはめてしまっています。しかし優れたUXとは、モダリティをユーザーの文脈・意図・認知負荷に適合させることであり、インターフェースがユーザーに適応するのであって、その逆ではありません。

デザインコミュニティは会話型インターフェースの視野狭窄期に入っています。Large Language Models（LLM）が対話で学習されているため、業界はAI機能の自然な居場所はチャットバブルであると集団的に判断してしまいました。チャットインターフェースは多くのタスクにとって有効かつ強力な選択肢ではありますが、広大なツールキットの中の一つの道具に過ぎません。UXおよびプロダクトチームは、ユーザーがデータやコマンドを入力する方法、そしてシステムがアウトプットを表示する方法について、モダリティを意図的に選択する必要があります。

モダリティとは、人がシステムと相互作用するために用いる感覚の使い方——見る、聞く、触る、話す、またはタイプすること——を指します。

最適な方法を選ぶには、ユーザーが何をしたいのか、どこにいるのか、そしてすでにどれだけの認知負荷がかかっているかを考える必要があります。本ガイドでは、Task Audit（タスク監査）とInput/Output Alignment Matrix（入出力整合マトリックス）という2つのツールを用いて、あらゆるプロダクトに最適なアプローチを導き出す明確な方法を提示します。

突然の搭乗口変更で、騒がしい空港ターミナルを走る旅行者を想像してください。ローラーバッグを引きずり、もう片方の手にはコーヒーを持っています。航空会社のアプリを開いてAIアシスタントに次の場所を尋ねる必要があります。しかしこのツールは即座に入力モダリティのテストに失敗します。歩くのを止め、コーヒーのバランスを取りながら、長い予約番号を小さなチャットボックスに入力させられるのです。そして送信した後、今度は出力モダリティのテストにも失敗します。大きくてコントラストの高い搭乗口番号を表示する代わりに、AIは遅延の原因となった大気の気象パターンを説明する長文の段落を返してきます。実際の搭乗口番号は最下部に埋もれています。

無事に搭乗できたとしても、ユーザーはAIツールを使用した際の不安な瞬間を忘れないでしょう——UXへのコミットメントを強化するはずだった体験が、企業が顧客や自社製品を理解していないという一般的な認識を裏付ける結果となってしまったのです。このシナリオでは、航空会社は賢いツールを構築しましたが、インターフェースがユーザーを失敗させました。入力には身体的な器用さが求められましたが、旅行者にはそれがありませんでした。出力には集中して読む能力が必要でしたが、旅行者には余裕がありませんでした。本記事では、AIを活用したツールでこのようなシナリオを回避する方法を解説します。成功するためには、ユーザーの身体的・認知的負荷を評価し、入力と出力の両方のモダリティをユーザーの即時的な意図に適合させる必要があります。

まず、チャットベースのインターフェースの限界について議論しましょう。

万能チャットボットの神話

チャットボットの魅力は、製品開発の観点から理解しやすいものです。それは白紙の状態です。システムがユーザーの入力を何でも扱えることを示唆しています。しかし、テキスト中心のインターフェースはしばしば高い適応負荷を引き起こします。この負荷はユーザーの認知的負担を増大させます。時間が経つにつれ、この認知的負担は、人が自然な思考プロセスを機械に合わせるために支払う心理的税金へと変わります。

インターフェースが会話のみに依存する場合、二重の負担を課します：入力における言語的課題と出力における認知的課題です。以下でそれぞれを個別に検証します。

入力：テキストボックスが言語的障壁となる理由

空のチャットボックスは、ツールが実際に何ができるのかを知りたいユーザーにとって大きな問題を引き起こします。標準的なグラフィカルインターフェースでは、メニューやボタンが利用可能なすべてのオプションを明確に示す視覚的キューを提供します。一方、チャットボックスは選択麻痺を引き起こしがちです。ユーザーはAIが何をできるのかを推測せざるを得ず、望む結果を得るために必要な正確な表現や専門用語を覚えておかなければならないからです。

スプレッドシート内の特定の傾向を見つけたいデータアナリストを考えてみましょう。従来のツールでは、フィルターやソートボタンをクリックするかもしれません。チャットインターフェースでは、突然ライターになり、その複雑なロジックを完全な文章で記述しなければなりません。別の例として、チームのスケジュールを再編成しようとするマネージャーを考えてみましょう。カレンダー上でブロックをドラッグ＆ドロップするのは直感的です。同じスケジュール変更をテキストプロンプトで記述することは、タスクを本来あるべきよりも困難に感じさせる作業のレイヤーを追加します。

入力を設計するとは、プロンプトの作成が創造的行為であることを認識することです。それは、漠然とした考えを具体的なコマンドに翻訳することを人に要求します。多くの専門家にとって、これは言語的障壁を生み出します。デザイナーは画像がどのように見えるべきかを正確に知っていても、テキストプロンプトで照明やテクスチャを記述するのに苦労するかもしれません。そのような場合、スライダーやカラーピッカーはテキストボックスよりもはるかに優れた入力方法です。

入力プロンプト構築の言語的障壁に対処したので、次に会話の負担のもう半分を考慮する必要があります。これはAIが密集したテキストブロックで応答する際に課す認知的コストです。

出力：長文テキストを読む認知的コスト

AIが長文のテキストブロックで応答する場合、それは解釈作業をあなた、つまりユーザーに移譲します。テキストは逐次媒体です。意味を抽出するには、脳が一語ずつ読む必要があります。それには時間がかかります。逐次読解は多くのシナリオで必要です。複雑な法的分析や微妙な病歴のレビューには、完全な段落を読むことが必要です。チームは、視覚形式の方が速く伝達できるデータに対してテキストをデフォルトで使用すると摩擦を生み出します。視覚的手法は並列処理を可能にします。チャートを見てパターンを1秒未満で発見できます。

プロジェクトのステータス更新をAIに尋ねることを想像してください。カラフルなダッシュボードの代わりに、その週に完了したすべてのタスクを列挙した3つの段落を受け取ります。必要な情報を1つ見つけるために、応答全体を読んで精神的に要約しなければなりません。素早い視覚的確認は読書の課題に置き換えられました。

この作業の認知的税金は、職業的な利害関係とともに増大します。患者のバイタルサインを尋ねる医師は、明確な数値表示を必要としており、読み取り値を記述した物語ではありません。株価の急騰を探している株式トレーダーは、即座に折れ線グラフを必要としており、過去1時間の価格変動を記述した文章ではありません。どちらの場合も、テキスト応答は速度と正確性が最も重要なときに、専門家を遅く、エラーが発生しやすい抽出プロセスに強いることになります。

入出力モダリティの分類体系

モダリティを選択する前に、実務者は実際にどのような選択肢があるのかについて共通の語彙を必要とします。以下の表は、一般的な入出力モダリティを、それぞれが最も効果を発揮する文脈にマッピングしたものです。これはランキングではありません。各モダリティには役割があり、常に問われるのは、特定のワークフローにおいてどの役割を果たしているかということです。

モダリティを設計するには、本質的にアクセシビリティに強い焦点を当てる必要があります。視覚ダッシュボードは多くの人々に迅速な洞察を提供しますが、デザイナーは視覚障害を持つユーザーのためにスクリーンリーダー最適化された音声代替手段を提供する必要があります。モダリティの選択は、情報への経路を増やすべきです。

入力モダリティ

出力モダリティ

Table 1: Input and Output Modality Taxonomy. Use this as a reference during the Task Audit to identify candidate modalities before narrowing to a recommendation.

以下のFigure 2は認知スペクトラムを示しており、さまざまなインタラクション方法における精神的努力のスケールをマッピングしています。このスペクトラムは、デザイナーが低努力の周辺的インタラクションから高努力の集中した体験への移行を視覚化するための重要なツールです。特定のタスクがこのスペクトラムのどこに位置するかを理解することで、チームはユーザーが精神処理を最小限に抑える「一目でわかる」出力が必要なのか、それとも深い分析的思考をサポートする高密度の形式が必要なのかを特定できます。

この分類体系が確立されたので、次のステップは最適な入力と出力の組み合わせを選択するための厳密な方法を適用することです。実務者は、ユーザーの現実世界の環境と文脈に基づいてこの選択プロセスを根拠づける必要があります。

Task Audit：モダリティ選択のためのフレームワーク

適切なインタラクション方法を選択するために、実務者はインターフェース設計を開始する前にTask Auditを完了すべきです。正式なTask Auditは、ユーザーの行動に関する仮定から証拠へとチームを移行させるフレームワークです。このプロセスは、作業が実際にどのように行われるのかについての物理的・社会的・認知的文脈に関するデータを収集し、それがすべての入出力モダリティの決定を駆動します。

監査を定着させるために、以下の4つの焦点領域を使用してください：

• 入力制約：ユーザーが手を自由に使ってシステムと物理的に相互作用できるかどうか（タイピングやタッピングなど）を扱います。ツールや装備で手がふさがれている場合に音声入力のようなハンズフリーのインタラクション方法の必要性を決定づけることがよくあります。
  • ユーザーはタイピングやタッピングに手を使えますか？車両の下で作業する整備士は、手がふさがれて油まみれなので、音声だけで質問する必要があるかもしれません。
• 出力制約：ユーザーが画面上の情報を安全かつ実用的に見ることができるかどうかを定義します。ユーザーの視線が環境に集中し続けなければならない状況に関わり、その場合は音声または一目でわかる視覚的手がかりが適切な表示方法となります。
  • ユーザーは画面を見て情報を読むことを安全にできますか？配送ドライバーのナビゲーションシステムは、交差点を運転しながら詳細な地図を読むのは危険なので、音声による指示を提供すべきです。
• 社会的制約：音声による対話（話すこと、または音声出力の聴取）に対する環境の許容度を考慮します。静かな空間がサイレントアラートを必要とするか、騒がしい環境が非音声の出力方法を必要とするかを判断するのに役立ちます。
  • 環境は声を出して話したり音声を聞いたりするのに適切ですか？静かなオープンプランのオフィスで働く人は、音声応答よりもサイレントテキスト通知を好むでしょう。
• 認知負荷：ユーザーがすでに主なタスクに費やさなければならない精神的努力の量を測定します。チームは、迅速な視覚的インジケーターのような精神処理を最小限に抑えるか、詳細な要約で深い思考をサポートするよう、インターフェース出力を設計する必要があります。
  • タスクはすでにどれだけの精神的努力を必要としますか？外科医は処置中に素早い視覚的赤色インジケーターを必要としますが、ケース戦略を調査する弁護士は自分のペースで吸収できる詳細なテキスト要約を必要とします。

監査はすべての機能について2つの質問に答えます：

1. ここでユーザーが物理的に入力に使用できるモダリティはどれか？
2. ここでユーザーが現実的に出力として処理できるモダリティはどれか？

以下は、タスク監査に情報を提供する証拠を収集する方法です。これらの一般的なUXリサーチ関連の方法を1つ以上使用してください：

1. コンテキスト調査と観察

これは、人々が自然な環境でどのように働くかを捉える最も直接的な方法であり、入力と出力の両方の物理的制約を特定するための最も豊かなデータを提供します。観察が必要なのは、ユーザーがインタビューで言及し忘れる小さなステップや回避策、または適応してしまっているため記述しようと思わない環境の詳細など、隠れた作業をしばしば行うからです。

アプローチ：フィールドサイト、倉庫、またはオフィスフロアなど、ユーザーの実際の作業スペースへ行きます。研究対象のタスクを実行するよう依頼し、注意深く観察します。

何を探すか：この方法は、入力制約と出力制約に対して最も明らかです。

• 入力の例
  ツールを置くことができない機器診断を行う技術者は、タイピングを排除し、音声入力を直接指し示します。
• 出力の例
  画面と何度も見上げたり見下ろしたりする会議中の監督者は、スクロールするテキスト要約ではなく、一目でわかる低密度の出力を必要としていることを示します。

2. フォーカスインタビュー

インタビューは、観察では捉えられないメンタルモデルや意思決定ポイントを浮き彫りにします。認知負荷を理解するのに最も価値があります。

アプローチ：エンドユーザーおよび成果を管理するステークホルダーと1対1のセッションを実施します。具体的なタスクに焦点を当てた構造化されたプロトコルを使用します。一般的な意見ではなく、過去の成功と失敗についてのストーリーを求めます。

何を探すか：

• 高認知負荷の「理由」
  ユーザーにタスクの最も難しい部分を説明するよう求めます。弁護士は、詳細の量が課題ではなく、倫理的または戦略的判断のための統合であると説明するかもしれません。これは、ユーザーが自分のペースで読み、吸収できる詳細なテキスト出力が必要であることを確認します。サマリーダッシュボードではありません。
• プロセスの曖昧さ
  不明確またはエラーが発生しやすい状況を明らかにし、AI機能が最もレバレッジを提供できる場所と、曖昧さを低減する出力形式を特定します。

3. 協働ワークショップ

ワークショップは、タスクの境界を定義し、必要な忠実度レベルを確立するために不可欠です。プロダクトマネージャーとステークホルダーはシステム要件の基礎知識をもたらし、リサーチャーは監査基準を適用します。

アプローチ：ワークショップを使用して共有のタスクインベントリを構築します。デザイナー、エンジニア、プロダクトマネージャー、ビジネスアナリストを集めて、プロセスのすべてのステップをマッピングします。プロダクトマネージャーとビジネスアナリストは事実の正確性を確保し、リサーチチームは各ステップに監査基準を適用します。

何を探すか：

• 社会的制約
  タスクがどこで実行されるかを確認します。騒がしい製造フロアで行われるワークフローと、共有の静かな図書館で行われるワークフローでは、非常に異なる出力モダリティが求められます。
• 曖昧さと速度テスト
  インベントリ内のすべてのタスクに対して2つのテストを適用します。第一に：このステップは人間の倫理的判断を必要としますか？はいの場合、AI出力はその判断をサポートしなければならず、置き換えてはなりません。第二に：このステップは即時実行を必要としますか？はいの場合、インターフェースは最小限の認知的オーバーヘッドで高速な入力をサポートしなければなりません。

これらのリサーチチャネルを通じてフィールド証拠を収集したら、モダリティ分類体系に直接マッピングします。文書化した具体的な物理的または社会的制約は、それぞれ不適合なインターフェースを体系的に排除します。このプロセスは設計の推測を剥ぎ取り、ユーザーの環境の現実に耐えうる特定の入出力組み合わせにアーキテクチャの選択肢を絞り込みます。

入力と出力のモダリティの決定をインターフェースの慣習ではなくフィールド証拠に基づいて行うと、結果として得られる設計はユーザーの適応負荷を低減し、モダリティの選択を証拠に根拠づけます。フィールドデータに基づいて決定を下すと、インターフェースの慣習を超えて、ユーザーに適切な体験を作成するために必要なリソースを正当化する強力なケースを構築できます。

監査が完了したら、最終ステップはInput/Output Alignment Matrixを使用して、ユーザーの意図と最適なモダリティの組み合わせとのつながりを形式化することです。

Input/Output Alignment Matrix

Task Auditの結果を手に入れたら、Input/Output Alignment Matrixを使用して、ユーザーの意図を特定のモダリティの組み合わせにマッピングできます。このマトリックスは、特定の瞬間にユーザーが達成しようとしていることによって整理されています。これは、AIが何ができるかに焦点を当てるのではなく、重要な違いです。同じユーザーの意図が1日の勤務の中で変化する場合、インターフェースはその変化に対応すべきです。

ユーザーの文脈に合わないモダリティを選択すると、ユーザーの不満につながる可能性があります。大量の情報がテキストのような処理しにくい形式で配信された場合、ユーザーは精神的に疲弊するかもしれません。正確なコマンドが長いチャットのやり取りの中に埋もれている場合、アクションが実際に正しく完了したかどうかを心配し始めるかもしれません。最後に、システムはユーザーに不器用な回避策を強いる可能性があり、ユーザーが自然で最も効果的な方法で作業するのではなく、機械の方法に適応することを余儀なくされます。

Table 2: Input/Output Alignment Matrix. Map user intent to modality combinations using Task Audit evidence. The two added rows (Monitoring/Alert and Guided Task Completion) cover common enterprise and mobile scenarios not captured in simpler frameworks.

チームがこれらの要素を調整すると、チャットボットを自動的に追加するというデフォルトを超えることができます。視覚レイアウトは迅速なスキャンを可能にします。構造化された入力は完璧な文を構築する負担を除去します。音声出力は、手と目が他の作業でふさがれているユーザーに役立ちます。

The right modality combination respects the user’s physical and cognitive state at the moment of interaction.

環境制約が設計戦略の変更を決定づけた実世界のシナリオが、このマトリックスとより広範な監査フレームワークの実践的な適用を最もよく示しています。

ケーススタディ：フィールド技術者のための適応型モダリティ

問題：高リスク環境における認知過負荷

高圧送電網を保守するフィールド技術者は、インターフェースモダリティの危険な不整合に直面することがよくあります。伝統的に、これらの技術者は技術マニュアルにアクセスし、ステータス更新を記録するために頑丈なタブレットに頼らざるを得ませんでした。しかし、作業現場では重い保護手袋を着用し、バケットトラックでかなりの高さで作業するという仕事の物理的制約により、標準的なタッチインターフェースを操作することはほぼ不可能でした。さらに、状況認識を維持しながら画面上で複雑でテキスト中心の診断レポートを読むことは、高い認知負荷を生み出し、安全上のエラーのリスクを増大させました。

リサーチ方法：現場の現実を捉える

これに対処するため、リサーチャーは本記事の3つの特定の方法を利用したTask Auditを実施しました。第一に、コンテキスト調査と観察により、技術者がしばしば「手がふさがれ、目がふさがれた」状態で作業しており、手動入力は大きな障壁となることが明らかになりました。リサーチャーは、技術者がバケットトラック内で必須の厚い保護手袋を着用しているのを観察しました。これにより、正確な画面タップがほぼ不可能になり、誤ったコマンドがトリガーされることがありました。

高所環境では、直接日光による激しい画面の映り込みも発生し、最大輝度でも表示が洗い流され、テキストの読み取りが困難になりました。さらに、技術者は不自然な姿勢でバランスを取りながら重い頑丈なタブレットを操作・固定しようとする身体的安全リスクに直面し、危険な滑落や機器との接触につながる可能性のある注意散漫を生み出していました。これらの要因と、活線や周囲の環境を常に監視する必要性が相まって、技術者は標準的なタブレットインターフェースに目や手を安全に割くことができず、目がふさがれ、手がふさがれた制約の深刻さが確認されました。

第二に、ベテラン技術者とのフォーカスインタビューにより、フィールドでの発見が検証されました。彼らは、厚い手袋、画面の映り込み、安全リスクを含む運用上の課題が、1つの場所に特有のものではなく、高圧送電線や広大な変電所を含む複数の現場で一般的に経験されていることを確認しました。この広範な確認により、非タッチの音声優先ソリューションの必要性が固まりました。インタビューでは、電圧値や温度トレンドなどのバイタルサインの「一目確認」の必要性など、重要な認知的制約も浮き彫りになりました。長い物語によるシステム健全性の記述を強制されるのではなく、即時的で曖昧さのない確認（これは安全か？故障箇所はどこか？）が必要であると技術者は強調し、テキスト中心の応答はワークフローにとって危険であることを示しました。

これらの方法により、環境が従来のチャットやフォームベースのAI機能インターフェースからの脱却を必要とすることが確認されました。

解決策：マルチモーダルハンドオフソリューション

結果として得られたソリューションは、リサーチ中に特定された物理的および認知的障壁を軽減するために設計された適応型モダリティハンドオフを実装しました。作業現場で活動している間、技術者は音声入力を使用してシステムにクエリを発行します。この方法により、画面の正確な操作を妨げる厚い保護手袋を着用したまま生産性を維持できます。

AIは即時診断データの短い音声要約で応答します。この音声フィードバックは、高所環境における画面の映り込みの課題を回避し、技術者が高圧送電網の危険な機器から目を離す安全リスクなしに、状況認識を維持することを可能にします。故障箇所を音声で即座に回答することで、システムはハンズフリーかつアイズフリーのチャネルを通じて技術者の一目確認のニーズを満たします。

技術者がトラックに戻り、安全装備を確保すると、システムは自動的にワークフローを車両内に設置された15インチの視覚ダッシュボードにハンドオフします。頑丈な10インチのフィールドタブレットでは、複雑な回路図を表示するのに十分な画面領域がありません。大型の車両ディスプレイは、過去のトレンドデータや広範な送電網マップの並列処理を可能にします。このケーススタディは、国内の公益事業者に対して実施された実際のフィールド監査を反映しています。この適応型アプローチの実装により、診断時間が20%短縮され、フィールドクルーによるツールの1日の採用率が向上しました。

環境に合わせた設計

AI機能は、それを配信するインターフェースと同じくらいしか使用可能ではありません。リサーチャーとデザイナーは、最小抵抗経路への引力に抵抗する必要があります。チャットボットを構築するのは速くて馴染みがあり、私たちが何十年も行ってきたことです。誰かがすでに働いている方法の自然な延長のように感じられるインターフェースを構築するのはより困難ですが、それが重要な作業です。

画面から離れることから始めましょう。Task Auditは、作業が実際に起こっている場所——現場、倉庫のフロア、手術室——に存在することを要求します。それらの空間の物理的・社会的現実はエッジケースではありません。それらは設計のブリーフです。

AIインターフェース設計の未来は、ユーザーの意図と環境の文脈に合わせて調整された、視覚的・音声的・触覚的・周辺的な多様なエコシステムです。チャットウィンドウはそのエコシステムの中の一つのツールです。特定の仕事には適切なツールですが、私たちが反射的に割り当てる仕事にはしばしば不適切なツールです。

In order for us to create the greatest likelihood of acceptance and use of the AI capability we offer users, we must fit the modality to the person and the place.

始め方

すぐに始めるために、次のデザインスプリントの前にTask Auditの軽量版を実行してください。実際の環境でワークフローを観察するのに2時間を費やしてください。そのタスクを実行する人々と3〜5回のインタビューを実施してください。PMまたはアナリストを90分のワークショップに招いてタスクインベントリを構築し、4つの監査質問を適用してください。完全なデータは得られませんが、慣習ではなく証拠に裏打ちされた、擁護可能なモダリティの推奨を行うのに十分なデータは得られるでしょう。

私はチームが前進するのを助けるためにModality Task Audit Templateを作成しました。このワークシートをダウンロードして、次のフィールド観察に直接持ち込むことができます。これにより、デザインおよびプロダクトチームは、1行のコードを書く前に特定の物理的障壁を文書化できます。

• Download: Modality Task Audit Field Template (PDF)

このテンプレートの内容：

• ステップ1：物理的現実チェック。
  特定の作業スペースにおける手の可用性、目の焦点要件、周囲の騒音レベルを記録する観察チェックリスト。
• ステップ2：認知的ベースライン。
  特定のワークフローについて、必要な読み取り密度と確認不安を評価するスコアリンググリッド。
• ステップ3：ハンドオフマップ。
  ユーザーがタスクを開始する場所（例：倉庫で携帯電話の音声を使用）と、完了する場所（例：オフィスモニターで視覚ダッシュボードを確認）を図示する空白のフローダイアグラム。

私たちはよりスマートなAIモデルをトレーニングすることに大きく焦点を当てています。私たちは人間のインターフェースにも同等の注意を払う義務があります。怠惰なテキストインターフェースにパッケージ化された優れた基盤モデルは失敗します。実際の作業環境を観察し、インタラクションモダリティをそれらに合わせると、適応の摩擦が除去されます。

Modality Task Audit Field Template

フィールド観察中にこのワークシートを使用してください。これにより、デザインチームはコードを書く前に特定の物理的障壁を文書化できます。

Part 1: Physical Reality Check

実際の作業スペースでユーザーが主なタスクを実行しているのを観察します。該当するすべての条件にチェックを入れてください。

手の状態

• タイピングに手が空いている。
• クリップボードまたはスマートフォンを手に持っている。
• ツールを持っている、車を運転している、または厚い手袋を着用している。

視覚的焦点要件

• 画面に完全に集中している。
• 画面と物理的周囲の間を視線を交互に移動させている。
• 稼働中の機械を見ている、または混雑した空間を移動している。

周囲の騒音レベル

• 静かな環境（オフィス）。
• 中程度の騒音（賑やかなカフェ）。
• 騒がしい環境（建設現場、騒がしい小売フロア）。

Part 2: Cognitive Baseline

特定のワークフローを完了するために必要な精神的努力を評価します。

Part 3: Handoff Map

異なる環境にわたるユーザージャーニーを図示します。各段階で必要な入力と出力を文書化します。

Stage 1: Initial Action

• Location: ________________________
• Input Method: ________________________
• Output Method: ________________________

Stage 2: Context Transition

• Trigger for environment change (example: user returns to a desk): ________________________

Stage 3: Completion Action

• Location: ________________________
• Input Method: ________________________
• Output Method: ________________________

(yk)