© 1999 IAW Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen Christopher...

© 1999 IAW

Syntaktische Benutzermodellierung mitdiskreten stochastischen Prozessen

Christopher Schlick

Dr.-Ing Christopher SchlickInstitut für Arbeitswissenschaft

RWTH Aachen

© 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

© 1999 IAW

Individualisierung von Benutzungsschnittstellen (ISO 9241, Teil 10)

Christopher Schlick1. Einführung

Dialogarten

Interaktions-ausführung

Nutzungs-funktionen

Aufgaben-repräsentation

Dialog-Manager

Display- undI/O-Manager

Werkzeug-Manager

Applikations-modell

Pragmatische Ebene:Konzepte, Modelle

Semantische Ebene:Funktionale Spezifikation

Syntaktische Ebene:Sequenzialisierung

Lexikalische Ebene:Systeminteraktion

Benutzer Computer

1. Zeitlicher Bezug

2. Abstraktionsebene der Interaktion

Statische Individualisierung:

- Vor Applikationsstart

- benutzerinitiiert

Dynamische Individualisierung:

- Mitlaufend bzw. beim Benutzen

- benutzerinitiiert oder systeminitiiert

© 1999 IAWChristopher Schlick1. Einführung

Anwendungsbeispiel: Agentengestützte Benutzungsschnittstelle

Benutzer

Applikations-programm

interagiert

SyntaktischesBenutzermodell

InterfaceAgent

steuert

nutzt erweitert

beobachtet,protokolliert

befragt

schlägt vor

Feedback

© 1999 IAWChristopher Schlick1. Einführung

Semantisch-pragmatische Ebene

... ...

Voraussetzungenschaffen

Zielerreichen

Auswirkungenerkennen

NeuerKontext

I. Phase II. Phase III. Phase IV. 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

© 1999 IAW

Spur eines syntaktischen Benutzermodells

Christopher Schlick2. Grundlagen

Syntaktisch relevante Ereignisse

Verweildauern

Auslösezeitpunkt

StochastischerInteraktionsprozeß

© 1999 IAW

Stochastischer Modellansatz für syntaktisch relevante Ereignisse


T21T1 O,...,O,OO

Graphisches Modellder stochastischenAbhängigkeiten für k=1

O1 O2 O3 OT...

t = 1 t = 2 t = 3 t = T...

Zeitscheiben

Beobachtungssequenz

T

2t

1t1t1

T1 )OO(P)O(P)O(PFaktorzerlegung durch

Bayesschen Satz

T

2t

1tktt1

T1 )OO(P)O(P)O(PAbhängigkeitsannahme

für k Stützstellen

© 1999 IAW

Topologien für dynamische Bayes-Netze (I)


Markov-Ketteerster Ordnung

O1 O2 O3 OT...

t = 1 t = 2 t = 3 t = T...

Zeitscheiben

Interaktions-ereignis

Auslösung

Auswählen Ändern

Vorbedingung

Auswählen

Ändern

0,1

0,3

0,9

0,7


Wkt.Startbedingung

Auswählen

Ändern

0,5

0,5

© 1999 IAW

Topologien für dynamische Bayes-Netze (II)


Markov-Kettezweiter Ordnung

O1 O2 O3 OT...

t = 1 t = 2 t = 3 t = T...

Zeitscheiben


Auslösung

Auswählen Ändern

Vorbedingung

Auswählen

Ändern

0,05

0,5

0,95

0,5


Vor-Vorbedingung

Auswählen

Auswählen

Auswählen

Ändern

0,5

0,1

0,5

0,9

Ändern

Ändern


Wkt.Startbedingung

Auswählen

Ändern

0,5

0,5

© 1999 IAW

Topologien für dynamische Bayes-Netze (III)


Hidden-Markov-Modell

AutoregressivesHidden-Markov-Modell

Q1 Q2 Q3 QT...

O1 O2 O3 OT

Q1 Q2 Q3 QT...

O1 O2 O3 OT...

© 1999 IAW

Topologien für dynamische Bayes-Netze (IV)


Faktorielles Hidden-Markov-Modell

Einfach-hierarchischesHidden-Markov-Modell

O1 O2 O3 OT

Q21 Q2

2 Q23 Q2

T...

O1 O2 O3 OT

Q21 Q2

2 Q23 Q2

T...

Q11 Q1

2 Q13 Q1

T...

Q11 Q1

2 Q13 Q1

T...

© 1999 IAW

Topologien für dynamische Bayes-Netze (V)


BaumartigesHidden-Markov-Modell

O1 O2 O3 OT

Q21 Q2

2 Q23 Q2

T...

...Q11 Q1

2 Q13 Q1

T

© 1999 IAW

Fallbeispiel (I): ActiveUI als multimodale Benutzungsschnittstelle

Christopher Schlick3. Fallbeispiel

© 1999 IAW

Fallbeispiel (II): ActiveUI als multimodale Benutzungsschnittstelle


© 1999 IAW

Aufgabenhierarchie für Interaktionsszenarium


Durchfuehren Simulation mit

anschliessender Bearbeitung

Starten ACTIVE-UI

Durchfuehren Simulation

Beenden ACTIVE-UI

Parametrie- sieren Sensorik

Vorbereiten Sensor

Leistungs-messung

Vorbereiten Sensor

Durchschweiss-kontrolle

Aktivieren Sensor

Leistungs-messung

Einrichten Sensor

Leistungs-messung

Aktivieren Sensor

Durchschweiss-kontrolle

Laden Teileprogramm

TP.Click TP.Dlg.Ok

Ausfuehren Simulation

SIM.Click EXIT.Click SLM.Click SLM.Click SDK.Click

Vorbereiten ACTIVE-UI

Aktivieren Simulations-

ansicht

Aufstellung Teilepro-gramm

Auswaehlen Teilepro-gramm

Durchfuehren Bearbeitung

Aktivieren Bearbeitungs-

ansicht

Ausfuehren Bearbeitung

BEA.Click

© 1999 IAW

Vorbereiten ACTIVE-UI

Durchführen Bearbeitung Durchführen Simulation

Laden Teileprogramm Parametriesieren Sensorik

Vorbereiten Sensor Durchschweisskontrolle

Vorbereiten Sensor Leitungsmessung

START

ANS Gesamt SLM aktivieren

ANS Details

SDK aktivieren

SLM einrichten

ANS Gesamt

ANS Gesamt TP laden

SIM ausfuehren

BEA ausfuehren

ENDEANS Gesamt ANS Details

AUTO (1,00)

SLM.Click (0,15)

SDK.Click (0,08)

*browsen (0,77)

SLM.Click (1,00)

*browsen (0,82)ANS.Click (0,09)

SIM.Click (0,09)

AUTO (1,00)SDK.Click (0,50)

AUTO (0,50)

SIM.Click (0,55)

EXIT.Click (0,09)

*browsen (0,27)

ANS.Click (0,09)

TP.Click (0,17)

*browsen (0,83)

TP.Dlg.Ok (0,82)

TP.Dlg.Cancel (0,09)

TP.Dlg.OK (0,09)

EXIT.Click (0,50)

AUTO (0,50) EXIT.Click (1,00)ANS.Click (0,17)

*browsen (0,50)

EXIT.Click (0,17)

BEA.Click (0,17)

*browsen (0,82)

ANS.Click (0,09)

BEA.Click (0,09)

Stochastisches Aufgabennetz als Erzeugungsmodell


© 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):

L

1l

1pl)l(T

1i

opt1i1

1plii

optLpl ),OO(ognosePrRichtige

)l(T

1

L

1),O(MPQ

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

© 1999 IAW

Vorgehensweise

Christopher Schlick4. Versuchsplanung

1. Einfaktorielle Varianzanalyse der vollständigen Modellbasis (alpha=5%)

2. Zweifaktorielle Varianzanalyse der bereinigten 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%)

- 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

© 1999 IAW

Ergebnisse (I): Einfaktorielle ANOVA

Christopher Schlick5. Ergebnisse und Diskussion

Signifikante Differenz

© 1999 IAW

Ergebnisse (II): Zweifaktorielle ANOVA


Quelle Quadratsumme df MS F-Wert

Modelle 0,0372 2 0,0186 23,8000

Interaktionsfälle 0,0136 3 0,0045 5,8230

Wechselwirkung 0,0092 6 0,0015 1,9540

Fehler 0,2717 348 0,0007

Gesamt 0,3316 359

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

© 1999 IAW

Ergebnisse (III): Boxplots aus zweifaktorieller ANOVA


1 2 3

0.68

0.7

0.72

0.74

0.76

0.78

0.8

0.82

0.84

MP

Q p

ro R

ep

lika

tion

HMM Fakt-HMM EH-HMM

© 1999 IAW

Ergebnisse (IV): Boxplots aus zweifaktorieller ANOVA


1 2 3

0.68

0.7

0.72

0.74

0.76

0.78

0.8

0.82

0.84

MP

Q p

ro R

ep

lika

tion

HMM Fakt-HMM EH-HMM

© 1999 IAW

Ergebnisse (V): Boxplots aus zweifaktorieller ANOVA


1 2 3

0.72

0.74

0.76

0.78

0.8

0.82

0.84

0.86

MP

Q p

ro R

ep

lika

tion

HMM Fakt-HMM EH-HMM

© 1999 IAW

Zusammenfassung und Ausblick


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

© 1999 IAW Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen Christopher...

Documents

Transcript of © 1999 IAW Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen Christopher...