Generic detection of user interaction behavior
Translated title
Generisk detektering af brugerinteraktionsmønstre
Authors
Pedersen, Thomas Wisbech ; Baadsgaard, Christoffer
Term
4. term
Education
Publication year
2011
Submitted on
2011-10-31
Pages
125
Abstract
Efterhånden som datamængder og sammenhænge vokser, er traditionelle, listebaserede datarepræsentationer utilstrækkelige, fordi de ikke viser relationer mellem dataobjekter. Når datastrukturer bevæger sig mod semantisk markup (mærkning, der beskriver betydning), bliver relationer i sig selv værdifulde og kan forstås som 'meta-affordanser'—ledetråde, som brugeren kan udnytte til at forstå og navigere i sammenhænge. Adaptive systemer, der bygger på brugermodeller (repræsentationer af en brugers viden og præferencer), har typisk været baseret på brugerens historik eller på en fuldstændig model af et lukket miljø. I åbne miljøer som internettet kræves en anden tilgang. Dette projekt præsenterer en generisk metode til at vurdere forskelle i brugeradfærd, som kan forfine eksisterende brugermodeller. Datagrundlaget er simple visuelle indekseringsopgaver, som brugere løser i et sæt forskellige miljøer, og som bruges til at opdage adfærdsmønstre. Resultaterne viser, at det er muligt at opdage brugeradfærd i visuelle grænseflader ved hjælp af simpel, generisk kalibrering. Metoden kan også have bredere anvendelser inden for human-computer interaction (HCI).
As data grows and becomes more interconnected, traditional list-based representations fall short because they do not show relationships between data objects. As structures move toward semantic markup (labels that describe meaning), the relationships themselves become valuable and can be seen as 'meta-affordances'—cues users can rely on to understand and navigate connections. Adaptive systems that use User Models (representations of a user’s knowledge and preferences) have typically relied on user history or a complete model of a closed environment. In open environments like the Internet, a different approach is needed. This project presents a generic method to evaluate differences in user behavior that can refine existing User Models. We use data from simple visual indexing tasks that users complete across a set of different environments to detect behavior patterns. The results show that detecting user behavior in visual interfaces is possible using simple, generic calibration. The method may also be applicable more broadly within human-computer interaction (HCI).
[This abstract was generated with the help of AI]
Keywords