© 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
Christopher Schlick2. Grundlagen
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)
Christopher Schlick2. Grundlagen
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
Interaktions-ereignis
Wkt.Startbedingung
Auswählen
Ändern
0,5
0,5
© 1999 IAW
Topologien für dynamische Bayes-Netze (II)
Christopher Schlick2. Grundlagen
Markov-Kettezweiter Ordnung
O1 O2 O3 OT...
t = 1 t = 2 t = 3 t = T...
Zeitscheiben
Interaktions-ereignis
Auslösung
Auswählen Ändern
Vorbedingung
Auswählen
Ändern
0,05
0,5
0,95
0,5
Interaktions-ereignis
Vor-Vorbedingung
Auswählen
Auswählen
Auswählen
Ändern
0,5
0,1
0,5
0,9
Ändern
Ändern
Interaktions-ereignis
Wkt.Startbedingung
Auswählen
Ändern
0,5
0,5
© 1999 IAW
Topologien für dynamische Bayes-Netze (III)
Christopher Schlick2. Grundlagen
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)
Christopher Schlick2. Grundlagen
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)
Christopher Schlick2. Grundlagen
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
Christopher Schlick3. Fallbeispiel
© 1999 IAW
Aufgabenhierarchie für Interaktionsszenarium
Christopher Schlick3. Fallbeispiel
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
Christopher Schlick3. Fallbeispiel
© 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
Christopher Schlick5. Ergebnisse und Diskussion
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
Christopher Schlick5. Ergebnisse und Diskussion
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
Christopher Schlick5. Ergebnisse und Diskussion
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
Christopher Schlick5. Ergebnisse und Diskussion
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
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