User Interaction Context - Studying and Enhancing Automatic User Task Detection on the ComputerDesktop via an Ontology-based User Interaction Context Model

Das Forschungsthema Benutzerkontext hat in letzter Zeit an Dynamik gewonnen, dank dem Interesse von mehreren etablierten Forschungsbereichen, wie Information Retrieval, Personal Information Management, Technology Enhanced Learning sowie Task- und Prozessmanagement. Im Bereich Information Retrieval wird der Benutzerkontext für die Personalisierung der Suchanfrage und -ergebnisse verwendet, im Personal Information Management für die Verknüpfung von Aufgaben, Prozessen, Personen, Dokumente und Projekte, im Task- und Prozessmanagement für die automatische Detektierung von Aufgaben und Prozessabläufen sowie in den Bereichen Technology Enhanced Learning und dem Wissensmanagement zur Erstellung von detailierten Benutzerprofilen um geeignete Lern- und Arbeitsmaterialien bereitstellen zu können. Die automatische Erkennung der Aufgabe des Benutzers ist eine wichtige Herausforderung im Bereich der Benutzerkontexterkennung, denn sobald die Aufgaben der Benutzer erkannt wurden, können diese besser unterstützt werden. Die automatische Aufgabenerkennung des Benutzers am Computer-Desktop wird klassisch als maschinelles Lernproblem gesehen. Bis jetzt ist dieses nur mit Text-basierten und Sequenz-basierten Merkmalen modeliert worden. Weiteres sind auch keine öffentlichen Standarddatensätze über Laborexperimente oder über Experimente in der realen Welt zur Untersuchung der Taskerkennung verfügbar.

Das Ziel dieser Dissertation ist die automatische Erkennung der Aufgabe des Benutzers am Computer-Desktop um eine Aufgaben-spezifische Unterstützung zu ermöglichen. Besonders wichtig ist dies für Wissensarbeiter, die komplexe Aufgaben lösen müssen und mit einer großen Menge an Informationen in der heutigen wissensbasierten Welt konfrontiert sind. Genauer gesagt, geht es in dieser Forschungsarbeit um die Untersuchung und die Verbesserung der automatischen Aufgabenerkennung an Hand eines Ontologie-basiertes Benutzer-Interaktions-Kontext-Modells (User Interaction Context Model, kurz UICO) am Computer-Desktop. Der Benutzerinteraktionskontext (User Interaction Context) ist eine Teilmenge des Benutzerkontextes und ist definiert als “alle Interaktionen des Benutzers mit Ressourcen, Anwendungen und dem Betriebssystem auf dem Computer-Desktop”. Die vorgeschlagene Ontologie einschließlich dem automatisch erkanntem Benutzerinteraktionskontext wird für die Merkmalskonstruktion für die automatische Aufgabenerkennung, genauer gesagt die automatische Klassifizierung der Aufgabe des Benutzer, verwendet.

Diese Arbeit stellt einen neuartigen Ansatz zur Aufgabenerkennung, genannt die “Ontologie-basierte Aufgabenerkennung”, dar und evaluiert diese auf Basis von drei voneinander unabhängigen Datensätzen mit über 500 Aufgaben ausgeführt von über 40 Benutzern aus zwei verschiedenen Domänen. Diese Datensätze resultierten aus drei Laborexperimenten, die als Teil dieser Forschungsarbeit durchgeführt wurden. Die wichtigsten Erkenntnisse der Evaluierungen sind: (i) eine Kombinationen von Merkmalen konstruiert aus der UICO erreichen fast immer eine höhere Genauigkeit bei der Aufgabenerkennung als Merkmalskombinationen existierender Ansätze, (ii) der J48 Decision Tree und Naive Bayes Klassifikator erreichen auf den untersuchten Datensätzen global gesehen eine höhere Genauigkeit als die k-Nearest Neighbor und Linear Support Vector Machine Algorithmen, (iii) sechs einzelne robuste Merkmale konnten identifiziert werden, die eine gute Trenneigenschaft für die Klassifizierung der Aufgaben auf allen untersuchten Datensätze liefern (das acc. obj. name Merkmal, das window title Merkmal, das used res. metadata Merkmal, das acc. obj. value Merkmal, das datatype properties Merkmal und das acc. obj. role Merkmal), (iv) die besten Ergebnisse für die automatische Aufgabenerkennung wurden durch die UICO Kategorie Application Cat. und durch die Kombination aller 50 Merkmale (All Categories) erreicht und (v) wissensintensiven Aufgaben können ebenso wie Routineaufgaben mit hoher Genauigkeit klassifiziert bzw. automatisch erkannt werden.

 

Rigorosum →

Andreas S. Rath

Kontakt

Wenn Sie diese Seite nutzen stimmen Sie der Verwendung von Cookies zu mehr Information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close