1 Metodi formali per la progettazione di modelli di utente Paolo Bottoni [email protected]...

1

Metodi formali per la progettazione di modelli di utente

Paolo [email protected]

Pictorial Computing LaboratoryDipartimento di Informatica

Seminari di Interazione Avanzata

Seminario di Interazione Avanzata20/11/2006


2

Argomenti

• Utenti e Sistemi• Componenti della modellazione• Classificazione dell’utente• Modelli mentali• Coevoluzione di utenti e sistemi• Applicazione ai casi di studio



3

Utenti e sistemi

• User model• Modello utilizzato dal sistema per

caratterizzare l’utente corrente

• User’s model (o user mental model)• Modello cognitivo utilizzato / supposto

dall’utente



4

Architettura di riferimento

H. Bunt, M. Kipp, M. T. Maybury, W. Wahlster, FUSION AND COORDINATION FOR MULTIMODAL INTERACTIVE INFORMATION PRESENTATION. In Stock, O., Zancanaro, M. (eds.): Multimodal Intelligent Information Presentation. Kluwer, pp. 325-340



5

Definizioni dei comportamenti

• Basate sulle interazioni ammesse• Utente vincolato agire coerentemente

• Basate sui task• Ordini parziali

• Basate sui linguaggi• Trasformazioni dell’apparenza dell’interfaccia

• Modelli del dialogo• Grammatiche• Macchine a stati finiti• Strutture a eventi



6

Problema generale della modellazione dell’utente

• Comportamento umano non strettamente dettato da leggi logiche.

• Assunzione di comportamento razionale degli utenti:• obiettivi da realizzare• utilizzano conoscenza per raggiungerli

• Possibile genericità degli obiettivi• Creazione artistica, esplorazione di possibilità• Supporto all’handicap, sostegno ad attività quotidiane



7

Adattamento fra utenti e sistemi

• Adeguamento• L’utente adatta le proprie modalità di lavoro alle

caratteristiche del sistema

• Miglioramento / Coevoluzione• Diverse versioni del sistema vengono generate a seguito di

studi sull’utenza

• Adattabilità• L’utente modifica esplicitamente caratteristiche del sistema

interattivo

• Adattività• Il sistema modifica alcune proprie caratteristiche in base

all’osservazione delle azioni dell’utente



8

Modificabilità del sistema

• Modulazione del contenuto• Disponibilità di accesso alle azioni• Layout• Organizzazione delle strategie di

completamento



9

Incorporazione del modello

• Implicita• L’applicazione incorpora un modello di

utente come definito dal progettista• Separata

• File di configurazione• Collezione statica di dati sull’utente• Base di dati aggiornabile• Base di dati deduttiva



10

Modellazione di utenti

• Livelli di competenza• Definizione da teorie cognitive generali

• Belief, Desire, Intention• Logiche di ordine superiore

• Uso di data mining• Cluster mining• Association rule mining• Sequential pattern mining



11

Definizione di classi di utente

• Definizione di criteri da parte di esperti• Apprendimento automatico

• Supervisionato (classi identificate a priori)• Non supervisionato

• Vincolo su numero di classi• Vincolo su criteri di raggruppamento



12

Componenti della modellazione

• Domini• Dati, Relazioni

• Rappresentazioni• Elementi, Layout

• Task• Generici, strutturati

• Categorie• Accesso, Esperienza, Profili sociologici

• Individui• Preferenze, Similarità, Comunità



13

Descrittori per profilazione utenti

• Dati personali (e.g. età, genere, posizione, professione)

• Preferenze e interessi• Conoscenze• Pattern di comportamento



14

Profilazione utente• Raccolta dati interazione (non intrusiva)

• Log client• Log server• Valori introdotti durante sessione

• Preferenze esplicite (diversi livelli di intrusività)• Raccolta di questionari• Scelte • Configurazioni



15

Fasi nell’uso dei dati estratti

da: M. Koutri, N. Avouris, S. Daskalaki. “A survey on web usage mining techniques for web-based adaptive hypermedia systems”.



16

Problemi del data mining su Web

• Dati di navigazione non numerici• Rumore e incompletezza dei dati• Necessità di integrare i dati grezzi

con altri, e.g. informazione lato client, dati di registrazione, eventi legati al prodotto specifico

• Misure convenzionali troppo semplici



17

Variabili osservabili

• Web usage mining• Tecniche relative a dati grezzi di

accesso per rivelare pattern di uso. • Structure mining

• Analisi della struttura del sistema ipermediale.

• Content mining • Analsii del contenuto del sistema

ipermediale.



18

Esempio di campo di log (IIS)



19

Limitazioni del logging

• Riferimenti a documenti mancanti (e caching)

• Identificazione dell’IP reale in caso di proxy

• Povertà dei dati di solo accesso



20

Forme di adattamento sul Web

• Content selection• Selezione automatica e prioritizzazione degli

elementi più rilevanti• Navigation support

• Manipolazione di hyperlink, e.g. hiding, sorting, annotating.

• Presentation• Variazione forme di presentazione del

contenuto di un documento web.

Brusilovsky, P., and Maybury, M. T. (2002). From adaptive hypermedia to the adaptive web. Communications of the ACM 45, 5, 30-33.



21

Tecniche di clustering

• Clustering di riferimenti a documenti• Identifica collezioni di documenti legate al

loro uso• Clustering di visite

• Identifica sequenze tipiche di di riferimenti, pattern navigazionali

• Informazioni addizionali• Tempo di permanenza



22

Tipi di clustering• hard clusters

• Ogni oggetto appartiene a uno e un solo cluster

• overlapping clusters• Un oggetto può appartenere a diversi cluster. Possono

indicare interessi comuni a utenti diversi, o identificare documenti con contenuto non univoco.

• probabilistic clusters• Ogni oggetto appartiene a ogni cluster con una

probabilità (pi(o) = 1)

• fuzzy clusters• Ogni oggetto appartiene a ogni cluster con un grado di

appartenenza (max(pi(o)) = 1)



23

Estrazione di regole di associazione

• Identificazione delle associazioni fra elementi.• La presenza di un sottoinsieme di elementi implica la

presenza anche di altri

• Regola di associazione:

• (AB, c, s) A B = , 0c, s 1• c: confidence, c(A B) = P(B | A)). • s: support (support(A B)=P(AB))

(e-class/asp_fundamentals.html e_class/asp_examples.html, 0.7, 0.05)



24

Sequential pattern mining

• Istanza:

• Problema: trovare tutti i pattern sequenziali con un supporto minimo specificato • Supporto = numero di sequenze di dati che

contengono il pattern

}}it,...{it}, t,t, {tq {seq | seDB kiiin ,1

1 )()( 1 ii ttimettime

30% of users who placed an online order in book_store/book1.html have also placed an order in book_store/book5.html within 20 days



25

Conseguenze della profilazione

• Raccommandazione personale• Aggiustamento dinamico

• Highlighting, creazione di nuovi link

• Aggiustamento statico di pagina / sito• in genere eseguito off-line



26

Modelli cognitivi computazionali

• Long-term episodic memory.• Memoria stabile di eventi significativi. • Indirizzabile per contenuti. Episodi ritrovati

da vari indizi, e.g. persona, posto, azione.

• Affective reflexive memory • Associazioni istantanee e istintive.• Formata filtrando esposizione ripetuta.



27

Strutture di memorizzazione per LTEM e ARM



28

Valutazione di valenza affettivaDimensioni affettive• Pleasure-Displeasure, e.g., felicià / infelicità; • Arousal-Nonarousal, i.e., intensità dei sentimenti;• Dominance-Submissiveness, ruoli giocati

H. Liu P. Maes, What Would They Think? A Computational Model of Attitudes, Intelligent User Interfaces, 38-45, 2004

S(E) = salienza dell’episodio, V(E) = valenza affettiva



29

Agenti personali• Costruiscono modelle di preferenze del proprietario

• Acquisti on line, classificazione di email, links seguiti• Ricevono feedback su proposte fatte

• Possono scambiare informazioni con altri agenti• Possono usare decisioni di agenti di utenti con profili

simili a quelli del proprietario• Predizioni su prossime mosse

• Presentazione di link correlati, suggerimenti di acquisti, azioni su email



30

Assistenti personali



31

Modi di apprendimento



32

Agenti che raccomandano modifiche all’interfaccia

Agent mental stateDomain ontology History of suggestions

Effectiveness of the agent

Negotiation set: cambi proposti al modello

Utility function per correzioni di agente ai

Protocol function

Negotiation strategies

Requirement metrics



33

Modelli BDI

• Rappresentano agenti o modelli di utente• Belief: conoscenza dell’agente sullo stato del mondo

• Insiemi di letterali

• Desire: obiettivi di lungo periodo, stati del mondo da fare diventare veri

• Piani per raggiungerli. Descritti da body, precondition, e invocation condition (trigger)

• Intention: impegno a portare avanti un’azione che trasforma lo stato del mondo

• Organizzati in stack, possibilmente paralleli



34

Sistemi logici per BDI

• Semantica in termini di mondi accessibili• Time tree indicano diramazioni del comportamento.• Due mondi M1 e M2, possono essere uno

sottoinsieme dell’altro e viceversa, essere identici o non confrontabili.

• Assunzioni di realismo• Realismo: se un agente crede a una proposizione,

desidererà che diventi vera• Realismo forte: se un agente desidera ottenere una

proposizione, crederà che essa sia un’opzione• Realismo debole: se un agente desidera ottenere una

proposizione non crederà che la sua negazione sia inevitabile.



35

Requisiti di razionalità

• Mantenimento di coerenza fra credenze, desideri e intenzioni, ma non completezza.

• Credenze, desideri e intenzioni non devono essere chiusi sotto le implicazioni di ognuno degli altri.



36

Esempi di time tree



37

AssiomatizzazioneInizializzazione:Differenze fra stato obiettivo e belief adottate come goal

Terminazione: Comportamento agente indeterminato quando tutti obiettivi raggiunti

Obbligazione: Agente deve impegnarsi a portare avanti un obiettivo

Impegno comporta realizzare precondizioni per operatori adottati

Goal adottati rimossi da quelli in attesa



38

Mantenimento del belief

Agente crede all’effetto degli operatori applicati

Agente crede a osservazioni dello stato del mondo



39

Coevoluzione di modelli di utente e sistema



40

Specifica del sistema



41

Specifica dell’utente• Espressa in termini di belief

• Informazioni legate allo stato del sistema

• Definizione delle azioni possibili



42

Conseguenze sul progetto

• Modellazione di comportamenti utente• Es. esplorazione casuale, ordine stretto

• Identificazione di comportamenti ottimali• Definizione dell’interfaccia in modo da

supportare comportamenti ottimali• Rimozione di cause di errore

• Es. mantenere informazioni su link ancora da esplorare.



43

Modulazione del contenuto



44

Modelli in Higher Order Logic

• Architettura cognitiva• Modelli di utente e di sistema

• Funzioni di history• Permettono di accedere a informazioni

sugli stati passati dell’utente o del sistema



45

Notazione per Higher Order Logic



46

Relazioni per USER



47

Modelli per verifica comportamenti

• Proprietà di correttezza1. Per ogni possibile comportamento del sistema interattivo

l’utente è in grado di raggiungere l’obiettivo principale associato allo stato

2. L’utente deve essere in grado di completare tutti i task sussidiari generati nel raggiungimento dell’obiettivo



48

Post-completion error

Utente naive

Al termine dell’interazione l’utente non recupera la carta



49

Identificazione di errori e revisione

Revisione

Problema se utente seleziona servizio prima di inserire la carta



50

Revisione dei modelli di utente

• Architettura cognitiva per utente sofisticato (uso di conoscenza sul task)



51

Possibilità di design più flessibili



52

Applicazione ai casi di studio

• Categorizzazione dell’utente• Rappresentazione esplicita dei task• Utilizzo di agenti• Adattamento al contesto



53

Categorizzazione dell’utente

• Fruizione beni culturali• Turista, studioso, curatore

• Creazione artistica• ?

• Supporto all’handicap• Tipologia di handicap [+ modello task]

• E-learning• Progettista corso, Produttore contenuto, Studente

+ livello conoscenza, Valutatore



54

Rappresentazione dei task

• Fruizione beni culturali• Guide interattive

• Creazione artistica• Definizione delle possibilità di esecuzione

• Supporto all’handicap• Suggerimenti

• E-learning• Rappresentazione dei percorsi



55

Utilizzo di agenti

• Fruizione beni culturali• Elicitazione di interessi, suggerimenti

• Creazione artistica• Agenti di critica, confronto con prodotti precedenti

• Supporto all’handicap• Predizione di azioni successive, creazione di macro

• E-learning• Ritrovamento di materiale di supporto



56

Adattamento al contesto

• Fruizione beni culturali• Localizzazione, capacità dei dispositivi

• Creazione artistica• Temporizzazioni, condizioni di illuminazione

• Supporto all’handicap• In progetto, in base alle capacità residue

• E-learning• Capacità dei dispositivi, modulazione del

contenuto



57

Riferimenti• H. Bunt, M. Kipp, M. T. Maybury, W. Wahlster, “Fusion and coordination for multimodal

interactive information presentation”, in O. Stock, M. Zancanaro, (eds.): Multimodal Intelligent Information Presentation, Kluwer, 325-340, 2005.

• M. Koutri, N. Avouris, S. Daskalaki. “A survey on web usage mining techniques for web-based adaptive hypermedia systems”, in S. Y. Chen, G. D. Magoulas (eds.), Adaptable and Adaptive Hypermedia Systems, IRM Press, 125-149, Hershey, 2005.

• P. Brusilovsky, M. T. Maybury, “From adaptive hypermedia to the adaptive web”, Communications of the ACM 45(5): 30-33, 2002.

• H. Liu P. Maes, “What Would They Think? A Computational Model of Attitudes”, Intelligent User Interfaces, ACM Press, 38-45, 2004

• P. Curzon, R. Rukšėnas, A. Blandford, “Formal Verification In Human Error Modelling”, http://www.dcs.qmul.ac.uk/research/imc/hum/pubs/FAC-FormalVerification.pdf, 2006

• R. H. Guttman, A. G. Moukas, P. Maes, “Agent-mediated Electronic Commerce: A Survey”, Knowledge Engineering Review, 13(2): 147-159, 1998.

• S. M. Brown, E Santos Jr., S. B. Banks, M. E. Oxley, “Using Explicit Requirements and Metrics for Interface Agent User Model Correction”, Proc. 2nd International Conference on Autonomous Agents (Agents'98), 9-13, ACM Press, 1998.

• P. Maes, “Agents that reduce work and information overload”, Communications of the ACM, 37(7):811-821,1994.

• Y. Shoham, “Agent oriented programming”, Artificial Intelligence, 60(1):51-92, 1993

http://www.dcs.qmul.ac.uk/research/imc/hum/pubs/FAC-FormalVerification.pdf

1 Metodi formali per la progettazione di modelli di utente Paolo Bottoni [email protected]...

Documents

Transcript of 1 Metodi formali per la progettazione di modelli di utente Paolo Bottoni [email protected]...