Gliederung des Vortrags

Slides:



Advertisements
Ähnliche Präsentationen
Eine Frage der Sichtweise
Advertisements

Stochastik und Markovketten
Statistische Aspekte der PSG
Webseitenranking für Suchanfragen anhand von Linkgraphen
Modellbasierte Software-Entwicklung eingebetteter Systeme
Masterstudiengang IE (Industrial Engineering)
Das „Vorgehensmodell“
Multivariate Datenanalyse Datum: Betreuer: Dr. Bellmann Quellen: Multivariate Statistik, Hartung/Elpelt 1989 Stochastik für Ingenieure und Naturwissenschaftler,
Proseminar “Software Pioneers” (Prof. Dr. Heike Wehrheim)
Zufallsgrößen und Beschreibung – Wiederholung Sek. I
Thema der Stunde I. Einführung in die Varianzanalyse:
ASAM ODS Daten standardisiert auswerten
Forschungsstatistik II Prof. Dr. G. Meinhardt SS 2005 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz KLW-24.
Forschungsstatistik II
Forschungsstatistik II Prof. Dr. G. Meinhardt SS 2005 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz KLW-17.
Messung in Einheiten der Standardabweichung
Forschungsstatistik II Prof. Dr. G. Meinhardt SS 2006 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz KLW-26.
Forschungsstatistik II Prof. Dr. G. Meinhardt SS 2006 Fachbereich Sozialwissenschaften, Psychologisches Institut Johannes Gutenberg Universität Mainz KLW-18.
Eine prominente Strategie qualitativer Sozialforschung
Ein frohes und erfolgreiches Jahr
1 Endliche Automaten in der Sprachtechnologie Kursthemen Karin Haenelt
Seminar Modellgetriebene Softwareentwicklung Einführung Seminar modellgetriebene Softwareentwicklung WS 05/06 Dipl.-Inf. Nadine Fröhlich Prof. Dr.-Ing.
Grundlegende Analysen & Zwischendarstellungen
PG 520 Intelligence Service – gezielte Informationen aus dem Internet
Herzlich willkommen beim 1. Workshop der AG Methodik
Bruchpunktanalyse langzeitkorrelierter Daten
Effektgrößen, Kontraste & Post-hoc-Tests
Fragen Was wird mit der Alphafehler-Kumulierung bzw. –inflation bezeichnet? Wie hoch ist die Wahrscheinlichkeit bei einer Untersuchung mit 4 Gruppen einen.
Einführung von Groupware
4. Markov-Ketten 4.1. Übergangsmatrizen
Forschungsprozess Car
Tutorium
Unser zehntes Tutorium Materialien unter:
Hidden Markov Modelle (HMM) (Rabiner Tutorial)
Entitäten Extraktion Einführung
Vorlesung: ANOVA I
Datenverteilung in Ad-hoc Netzen 1/24 Adaptive Datenverteilung in mobilen Ad-hoc Netzen unter Verwendung des Area Graph basierten Bewegungsmodells S. Bittner,
Varianzanalyse IV: Messwiederholung
K. Meusburger & C. Alewel finanziert vom BAfU
Ausgleichungsrechnung II
Chi Quadrat Test Tamara Katschnig.
Seminar: Datenerhebung
Varianzanalyse III: Zweifaktorielle Varianzanalyse
Überblick Statistik Deskriptive Statistik=beschreibende Statistik
Die Poisson-Verteilung: Mittelwert und Standardabweichung
Evaluation von softwaregestützten Modellierungsmöglichkeiten innerhalb der Analysephase von Fortbildungsmaßnahmen Kolloquium - Thomas Vogt –
Überblick Statistik Deskriptive Statistik=beschreibende Statistik
Verbundprojekt OUTSHORE Studie und Methodikentwicklung zur Beurteilung der Erfolgsfaktoren bei der Vergabe von Softwareprojekten an Niedriglohnländer.
IWB Abteilung Solothurn, Dr. Barbara SieberHerbsttagung CH-Q1 Portfolio- persönliches Kompetenzmanagement Ein Instrument für die Erarbeitung.
Elman-Netzwerke Wintersemester 2004/05 Seminar Kindlicher Spracherwerb C. Friedrich & R. Assadollahi vorgestellt von Christian Scharinger & Guido Heinecke.
teWT301: Von der Statistik zur Wahrscheinlichkeit
ERKENNTNIS THEORETISCHE DARSTELLUNG
Lernmodelle und Experimentelle Untersuchungen
Unified Modeling Language UML
Stochastik Grundlagen
Die einfache/multiple lineare Regression
Wiederholung/Zusammenfassung
Überblick Statistik Deskriptive Statistik=beschreibende Statistik
Die einfache/multiple lineare Regression
Institut für Biomedizinische Technik Universität Karlsruhe Institut für Biomedizinische Technik Seminarvortrag Segmentierung medizinischer Bilder anhand.
Niko Zenker1 Besondere Aspekte in Multimedia-Datenbanken Methoden zur iterativen Anfrageverfeinerung (Relevanz Feedback)
Projekt A4: „Alignment of Situation Models“ Dr. Gerd Rickheit Dr. Sven Wachsmuth Dr. Constanze Vorwerg Agnes Swadzba SFB-Kolloqium,
Seminar Ingenieurdatenbanken WS 04/05 Dr. Schallehn, Prof. Paul, Dipl.-Inf. Fröhlich {eike | paul | iti.cs.uni-magdeburg.de.
Vorlesung Wasserwirtschaftliche Modellierung
Comprehensive Information Base (CIB) – ein Prototyp zur semantischen Datenintegration Stefan Arts
 Gegenstandsbereich der Testtheorie: Analyse der Charakteristika von Tests:  Güte von Tests.  Struktur von Tests.  Schwierigkeit von Tests.  Gruppenunterschiede.
Prognose von Zeitreihen Hans Nübel Hans Nübel Prognose von Zeitreihen Aufbau 1.Motivation 2.Holt-Winters-Verfahren 3.Prognose.
1. Betreuer: Prof. Dr. Jörg Striegnitz 2. Betreuer: Dr. Martin Schindler Kontextsensitive Autocompletion für Klassendiagramme in der UML/P Florian Leppers.
Außenhandelsbeziehungen zwischen China, USA, EU Makroökonometrie Vorlesung Dr. Oliver Bode.
ANOVA für unabhängige Daten.
 Präsentation transkript:

Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen Inhalt Titel des Vortrags Gliederung des Vortrags Dr.-Ing Christopher Schlick Institut für Arbeitswissenschaft RWTH Aachen Christopher Schlick

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

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

Anwendungsbeispiel: Agentengestützte Benutzungsschnittstelle Feedback Benutzer schlägt vor Interface Agent befragt beobachtet, protokolliert interagiert nutzt erweitert steuert Syntaktisches Benutzermodell Applikations- programm 1. Einführung Christopher Schlick

. . . 1. Modellierung und Prognose Syntaktische Ebene . . . . . . Ebenenschema I. Phase II. Phase III. Phase IV. Phase ... Semantisch- pragmatische Ebene Voraussetzungen schaffen Ziel erreichen Auswirkungen erkennen Neuer Kontext . . . 2a. Interpretation & Kontext 1. Modellierung und Prognose Syntaktische Ebene . . . 2b. Ereignisfusion & Abstraktion Physische Ebene t(0) t(1) . . . t(n) Ereignis- strom t(n-1) t(2) 1. Einführung Christopher Schlick

Syntaktisch relevante Ereignisse Spur eines syntaktischen Benutzermodells Stochastischer Interaktionsprozeß Syntaktisch relevante Ereignisse Verweildauern Auslösezeitpunkt 2. Grundlagen Christopher Schlick

... Stochastischer Modellansatz für syntaktisch relevante Ereignisse Beobachtungssequenz Faktorzerlegung durch Bayesschen Satz Abhängigkeitsannahme für k Stützstellen Graphisches Modell der stochastischen Abhängigkeiten für k=1 O1 O2 O3 OT ... t = 1 t = 2 t = 3 ... t = T Zeitscheiben 2. Grundlagen Christopher Schlick

... ... Topologien für dynamische Bayes-Netze (I) Interaktions- ereignis Wkt. Startbedingung Auswählen Ändern 0,5 Interaktions- ereignis Auslösung Auswählen Ändern Vorbedingung 0,1 0,3 0,9 0,7 Markov-Kette erster Ordnung O1 O2 O3 OT ... t = 1 t = 2 t = 3 t = T ... Zeitscheiben 2. Grundlagen Christopher Schlick

... Topologien für dynamische Bayes-Netze (II) Interaktions- ereignis Wkt. Startbedingung Auswählen Ändern 0,5 Interaktions- ereignis Auslösung Auswählen Ändern Vorbedingung 0,05 0,5 0,95 Vor-Vorbedingung 0,1 0,9 Markov-Kette zweiter Ordnung O1 O2 O3 OT ... t = 1 t = 2 t = 3 t = T Zeitscheiben 2. Grundlagen Christopher Schlick

... Topologien für dynamische Bayes-Netze (III) Hidden- Markov-Modell Autoregressives Hidden-Markov- Modell Q1 Q2 Q3 QT ... O1 O2 O3 OT 2. Grundlagen Christopher Schlick

... Topologien für dynamische Bayes-Netze (IV) Faktorielles Hidden-Markov- Modell Einfach- hierarchisches Hidden-Markov- Modell O1 O2 O3 OT Q21 Q22 Q23 Q2T ... Q11 Q12 Q13 Q1T 2. Grundlagen Christopher Schlick

... Topologien für dynamische Bayes-Netze (V) Baumartiges Hidden-Markov- Modell O1 O2 O3 OT Q21 Q22 Q23 Q2T ... Q11 Q12 Q13 Q1T 2. Grundlagen Christopher Schlick

Fallbeispiel (I): ActiveUI als multimodale Benutzungsschnittstelle Christopher Schlick

Fallbeispiel (II): ActiveUI als multimodale Benutzungsschnittstelle Christopher Schlick

Aufgabenhierarchie für Interaktionsszenarium 3. Fallbeispiel Christopher Schlick

Stochastisches Aufgabennetz als Erzeugungsmodell 3. Fallbeispiel Christopher Schlick

Statistische Versuchsplanung 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. Abhängige Variable Mittlere Prognosegüte (MPQ) für einschrittige Prognosen (pl=1): Unabhängige Variable 1. Topologie des dynamischen Bayes-Netzes 1.1: „Klassisches“ HMM; 1.2: Autoregressives HMM; 1.3: Faktorielles HMM; 1.4: Einfach-hierarchisches HMM; 1.5: Baumartiges HMM 2. Anzahl der Interaktionsfälle für die Modellanpassung 2.1: 25 Fälle; 2.2: 50 Fälle; 2.3: 100 Fälle; 2.4: 200 Fälle 4. Versuchsplanung Christopher Schlick

Vorgehensweise 1. Einfaktorielle Varianzanalyse der vollständigen Modellbasis (alpha=5%) - 100 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%) 2. Zweifaktorielle Varianzanalyse der bereinigten Modellbasis (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 4. Versuchsplanung Christopher Schlick

Ergebnisse (I): Einfaktorielle ANOVA Signifikante Differenz 5. Ergebnisse und Diskussion Christopher Schlick

Ergebnisse (II): Zweifaktorielle ANOVA 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 5. Ergebnisse und Diskussion Christopher Schlick

Ergebnisse (III): Boxplots aus zweifaktorieller ANOVA 5. Ergebnisse und Diskussion Christopher Schlick

Ergebnisse (IV): Boxplots aus zweifaktorieller ANOVA 5. Ergebnisse und Diskussion Christopher Schlick

Ergebnisse (V): Boxplots aus zweifaktorieller ANOVA 5. Ergebnisse und Diskussion Christopher Schlick

Zusammenfassung und Ausblick - 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 5. Ergebnisse und Diskussion Christopher Schlick