Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

© 1999 IAW Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen Christopher Schlick Dr.-Ing Christopher Schlick Institut für Arbeitswissenschaft.

Ähnliche Präsentationen


Präsentation zum Thema: "© 1999 IAW Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen Christopher Schlick Dr.-Ing Christopher Schlick Institut für Arbeitswissenschaft."—  Präsentation transkript:

1 © 1999 IAW Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen Christopher Schlick Dr.-Ing Christopher Schlick Institut für Arbeitswissenschaft RWTH Aachen

2 © 1999 IAW Gliederung des Vortrags 1. Einführung 2. Grundlagen dynamischer Bayes-Netze 3. Fallbeispiel: ActiveUI als multimodale Benutzungsschnittstelle 4. Statistische Versuchsplanung 5. Ergebnisse und Diskussion 6. Zusammenfassung und Ausblick Christopher Schlick

3 © 1999 IAW Individualisierung von Benutzungsschnittstellen (ISO 9241, Teil 10) Christopher Schlick1. Einführung 1. Zeitlicher Bezug 2. Abstraktionsebene der Interaktion Statische Individualisierung: - Vor Applikationsstart - benutzerinitiiert Dynamische Individualisierung: - Mitlaufend bzw. beim Benutzen - benutzerinitiiert oder systeminitiiert

4 © 1999 IAW Christopher Schlick1. Einführung Anwendungsbeispiel: Agentengestützte Benutzungsschnittstelle Benutzer Applikations- programm interagiert Syntaktisches Benutzermodell Interface Agent steuert nutzt erweitert beobachtet, protokolliert befragt schlägt vor Feedback

5 © 1999 IAW Christopher Schlick1. Einführung Semantisch- pragmatische Ebene... Voraussetzungen schaffen Ziel erreichen Auswirkungen erkennen Neuer Kontext I. PhaseII. PhaseIII. PhaseIV. Phase Syntaktische Ebene... 2a. Interpretation & Kontext Physische Ebene t(0) t(1)... t(n) Ereignis- strom t(n-1)t(2)... 2b. Ereignisfusion & Abstraktion Ebenenschema 1. Modellierung und Prognose

6 © 1999 IAW Spur eines syntaktischen Benutzermodells Christopher Schlick2. Grundlagen Syntaktisch relevante Ereignisse Verweildauern Auslösezeitpunkt Stochastischer Interaktionsprozeß

7 © 1999 IAW Stochastischer Modellansatz für syntaktisch relevante Ereignisse Christopher Schlick2. Grundlagen Graphisches Modell der stochastischen Abhängigkeiten für k=1 O1O1 O2O2 O3O3 OTOT... t = 1t = 2t = 3t = T... Zeitscheiben Beobachtungssequenz Faktorzerlegung durch Bayesschen Satz Abhängigkeitsannahme für k Stützstellen

8 © 1999 IAW Topologien für dynamische Bayes-Netze (I) Christopher Schlick2. Grundlagen Markov-Kette erster Ordnung O1O1 O2O2 O3O3 OTOT... t = 1t = 2t = 3t = T... Zeitscheiben Interaktions- ereignis Auslösung AuswählenÄndern Vorbedingung Auswählen Ändern 0,1 0,3 0,9 0,7 Interaktions- ereignis Wkt. Startbedingung Auswählen Ändern 0,5

9 © 1999 IAW Topologien für dynamische Bayes-Netze (II) Christopher Schlick2. Grundlagen Markov-Kette zweiter Ordnung O1O1 O2O2 O3O3 OTOT... t = 1t = 2t = 3t = T... Zeitscheiben Interaktions- ereignis Auslösung AuswählenÄndern Vorbedingung Auswählen Ändern 0,05 0,5 0,95 0,5 Interaktions- ereignis Vor-Vorbedingung Auswählen Ändern 0,5 0,1 0,5 0,9 Ändern Interaktions- ereignis Wkt. Startbedingung Auswählen Ändern 0,5

10 © 1999 IAW Topologien für dynamische Bayes-Netze (III) Christopher Schlick2. Grundlagen Hidden- Markov-Modell Autoregressives Hidden-Markov- Modell Q1Q1 Q2Q2 Q3Q3 QTQT... O1O1 O2O2 O3O3 OTOT Q1Q1 Q2Q2 Q3Q3 QTQT O1O1 O2O2 O3O3 OTOT

11 © 1999 IAW Topologien für dynamische Bayes-Netze (IV) Christopher Schlick2. Grundlagen Faktorielles Hidden-Markov- Modell Einfach- hierarchisches Hidden-Markov- Modell O1O1 O2O2 O3O3 OTOT Q21Q21 Q22Q22 Q23Q23 Q2TQ2T... O1O1 O2O2 O3O3 OTOT Q21Q21 Q22Q22 Q23Q23 Q2TQ2T Q11Q11 Q12Q12 Q13Q13 Q1TQ1T Q11Q11 Q12Q12 Q13Q13 Q1TQ1T

12 © 1999 IAW Topologien für dynamische Bayes-Netze (V) Christopher Schlick2. Grundlagen Baumartiges Hidden-Markov- Modell O1O1 O2O2 O3O3 OTOT Q21Q21 Q22Q22 Q23Q23 Q2TQ2T... Q11Q11 Q12Q12 Q13Q13 Q1TQ1T

13 © 1999 IAW Fallbeispiel (I): ActiveUI als multimodale Benutzungsschnittstelle Christopher Schlick3. Fallbeispiel

14 © 1999 IAW Fallbeispiel (II): ActiveUI als multimodale Benutzungsschnittstelle Christopher Schlick3. Fallbeispiel

15 © 1999 IAW Aufgabenhierarchie für Interaktionsszenarium Christopher Schlick3. Fallbeispiel

16 © 1999 IAW Stochastisches Aufgabennetz als Erzeugungsmodell Christopher Schlick3. Fallbeispiel

17 © 1999 IAW Statistische Versuchsplanung Christopher Schlick4. Versuchsplanung Abhängige Variable Unabhängige Variable Ziel der Untersuchung ist, am Beispiel des Interaktionsszenariums zu untersuchen, welches der stochastischen Modelle am besten geeignet ist, die Sequenz der Interaktionssymbole zu approximieren und darauf aufbauend das synatktische Benutzerverhalten zu prognostizieren. Mittlere Prognosegüte (MPQ) für einschrittige Prognosen (pl=1): 1. Topologie des dynamischen Bayes-Netzes 2. Anzahl der Interaktionsfälle für die Modellanpassung 1.1: Klassisches HMM; 1.2: Autoregressives HMM; 1.3: Faktorielles HMM; 1.4: Einfach-hierarchisches HMM; 1.5: Baumartiges HMM 2.1: 25 Fälle; 2.2: 50 Fälle; 2.3: 100 Fälle; 2.4: 200 Fälle

18 © 1999 IAW Vorgehensweise Christopher Schlick4. Versuchsplanung 1. Einfaktorielle Varianzanalyse der vollständigen Modellbasis (alpha=5%) 2. Zweifaktorielle Varianzanalyse der bereinigten Modellbasis (alpha=5%) Interaktionsfälle - 30 Replikationen zur Erzeugung der Modell- und Datenbasis - zufällige Vorbelegung von Modellparametern - Iterationsabbruch bei jeder Replikation, wenn Likelihood nicht mehr als 1% zunahm - Post-hoc Analyse mit Hilfe des Newman-Keuls-Tests (alpha=5%) - Nur beste Modelle, die in Post-Hoc Analyse nicht signifikant unterschiedlich waren - 25, 50, 100 sowie 200 Interaktionsfälle - 30 Replikationen zur Erzeugung der Modell- und Datenbasis - zufällige Vorbelegung von Modellparametern - Iterationsabbruch bei jeder Replikation, wenn Likelihood nicht mehr als 1% zunahm

19 © 1999 IAW Ergebnisse (I): Einfaktorielle ANOVA Christopher Schlick5. Ergebnisse und Diskussion Signifikante Differenz

20 © 1999 IAW Ergebnisse (II): Zweifaktorielle ANOVA Christopher Schlick5. Ergebnisse und Diskussion 1. Faktor: Modelle der bereinigten Modellbasis 1.1: Einfach-hierarchisches HMM; 1.2: Faktorielles HMM; 1.3 Klassisches HMM 2. Faktor: Anzahl der Interaktionsfälle für Modellparametrisierung 2.1: 25 Fälle; 2.2: 50 Fälle; 2.3: 100 Fälle; 2.4: 200 Fälle

21 © 1999 IAW Ergebnisse (III): Boxplots aus zweifaktorieller ANOVA Christopher Schlick5. Ergebnisse und Diskussion

22 © 1999 IAW Ergebnisse (IV): Boxplots aus zweifaktorieller ANOVA Christopher Schlick5. Ergebnisse und Diskussion

23 © 1999 IAW Ergebnisse (V): Boxplots aus zweifaktorieller ANOVA Christopher Schlick5. Ergebnisse und Diskussion

24 © 1999 IAW Zusammenfassung und Ausblick Christopher Schlick5. Ergebnisse und Diskussion Zusammenfassung - Dynamische Bayes-Netze = adaptiver diskreter stochastische Prozeß + transparente graphische Darstellung zur syntaktischen Benutzermodellierung - Es kann sich selbst bei kleiner Anzahl von Interaktionsfällen lohnen, komplexe Topologien zur Prognose des Benutzerverhaltens heranzuziehen - Auslegung der Modellstruktur auch für komplexe Topologien notwendig, da Prognosegüte signifikant abhängig von Anzahl der Interaktionsfälle Ausblick - Integration eines dynamischen Bayes-Netzes in ActiveUI und Auswahl geeigneter Dialogmodi für dynamische Individualisierung - Evaluation der dynamisch individualiserbaren ActiveUI-Benutzungsschnittstelle unter Laborbedingungen - Untersuchung von Hypertext-Fallstudien basierend WWW-Zugriffen


Herunterladen ppt "© 1999 IAW Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen Christopher Schlick Dr.-Ing Christopher Schlick Institut für Arbeitswissenschaft."

Ähnliche Präsentationen


Google-Anzeigen