Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen

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

Gliederung des Vortrags 1. Einführung2. Grundlagen dynamischer Bayes-Netze 3. Fallbeispiel: ActiveUI als multimodale Benutzungsschnittstelle4. Statistische Versuchsplanung5. Ergebnisse und Diskussion6. 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

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

... ... Physische Ebene Ereignis- strom . . . t(2) t(n-1) t(n) t(0) t(1) 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 1. Einführung Christopher Schlick

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

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

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

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

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

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

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

Fallbeispiel (I): ActiveUI als multimodale Benutzungsschnittstelle 3. Fallbeispiel Christopher Schlick

Fallbeispiel (II): ActiveUI als multimodale Benutzungsschnittstelle 3. Fallbeispiel 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 derInteraktionssymbole zu approximieren und darauf aufbauend das synatktischeBenutzerverhalten 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 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 5. Ergebnisse und Diskussion Christopher Schlick

Syntaktische Benutzermodellierung mit diskreten stochastischen Prozessen