Gliederung des Vortrags

Präsentation zum Thema: "Gliederung des Vortrags"—  Präsentation transkript:

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

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

2 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

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

4 . . . 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

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

6 ... 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

7 ... ... 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

8 ... 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

9 ... 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

10 ... 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

11 ... 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

12 Fallbeispiel (I): ActiveUI als multimodale Benutzungsschnittstelle
Christopher Schlick

13 Fallbeispiel (II): ActiveUI als multimodale Benutzungsschnittstelle
Christopher Schlick

14 Aufgabenhierarchie für Interaktionsszenarium
3. Fallbeispiel Christopher Schlick

15 Stochastisches Aufgabennetz als Erzeugungsmodell
3. Fallbeispiel Christopher Schlick

16 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

17 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

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

19 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

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

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

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

23 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