Toward a Task-driven Intelligent GUI Adaptation by Mixed-initiative

Mezhoudi, Nesrine; Vanderdonckt, Jean

doi:10.1080/10447318.2020.1824742

Cited by 7 publications

(6 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Finally, an adaptation machine learning system can monitor the whole process over time, learn what the good adaptations are or which are preferred by the end-user, and recommend them in the future [7]. For example, TADAP [27] suggests adaptation operations based on the user's interaction history that the end-user can accept, reject, or re-parameterise by employing Hidden Markov Chains. -The external sources contain any form of information that can be exploited in order to support and improve the adaptation process: data concerning individual items, information for semantically related data, knowledge gained from exploiting the information within a certain domain, and wisdom when knowledge can be reproduced in different domains.…”

Section: Conceptual Framework and Properties For Ui Adaptationmentioning

confidence: 99%

“…-Task/domain model: when a task model and/or a domain model are exploited in order to perform UI adaptation. For example, TADAP [27] maintains a task model of the end-user's activity and suggests a final UI adaptation depending on its parameters (Fig. 11).…”

Section: Wherementioning

confidence: 99%

“…Why not mix the best of both fields by feeding classical or new models with users' data abstracted by means of ML techniques [27], thus obtaining "grey models"? A representative example is a model-based reinforcement learning approach proposed by Todi et al [38], which plans a sequence of adaptation steps (instead of a one-shot adaptation) and exploits a model to assess the cost/benefit ratio.…”

Section: Opportunities For the Modelling Communitymentioning

confidence: 99%

See 2 more Smart Citations

Model-based intelligent user interface adaptation: challenges and future directions

et al. 2021

Self Cite

View full text Add to dashboard Cite

Adapting the user interface of a software system to the requirements of the context of use continues to be a major challenge, particularly when users become more demanding in terms of adaptation quality. A considerable number of methods have, over the past three decades, provided some form of modelling with which to support user interface adaptation. There is, however, a crucial issue as regards in analysing the concepts, the underlying knowledge, and the user experience afforded by these methods as regards comparing their benefits and shortcomings. These methods are so numerous that positioning a new method in the state of the art is challenging. This paper, therefore, defines a conceptual reference framework for intelligent user interface adaptation containing a set of conceptual adaptation properties that are useful for model-based user interface adaptation. The objective of this set of properties is to understand any method, to compare various methods and to generate new ideas for adaptation. We also analyse the opportunities that machine learning techniques could provide for data processing and analysis in this context, and identify some open challenges in order to guarantee an appropriate user experience for end-users. The relevant literature and our experience in research and industrial collaboration have been used as the basis on which to propose future directions in which these challenges can be addressed.

show abstract

Section: Conceptual Framework and Properties For Ui Adaptationmentioning

confidence: 99%

Section: Wherementioning

confidence: 99%

Section: Opportunities For the Modelling Communitymentioning

confidence: 99%

See 1 more Smart Citation

Model-based intelligent user interface adaptation: challenges and future directions

et al. 2021

Self Cite

View full text Add to dashboard Cite

show abstract

“…• TADAP (Mezhoudi & Vanderdonckt, 2020) un enfoque basado en modelos, capaz de generar una interfaz adaptable al contexto y predictiva con base en aprendizaje automático y cadenas de Markov incluyendo en los contenedores las tareas acordes a la predicción como respuesta a la retroalimentación de los usuarios en forma mixta que incluye comentarios explícitos e implícitos.…”

Section: Figura No 3 Navegación De Cadenas De Markovunclassified

“…Mezhoudi y col. (Mezhoudi & Vanderdonckt, 2020) proponen un enfoque basado en modelos llamado TADAP para generar una interfaz adaptable al contexto y predictiva basada en el aprendizaje automático y las cadenas de Markov. Las interfaces presentan los controles de tareas basados en comentarios de usuarios explícitos e implícitos.…”

Section: Enfoques Similares En Otras áReas De Aplicaciónunclassified

Interfaces proactivas móviles desde Legacies Web: Un enfoque de diseño conductual

Cajas¹

View full text Add to dashboard Cite

Contexto: Los sistemas heredados o legacies son sistemas independientes construidos en una era tecnológica anterior que disponen de precaria documentación que se resisten significativamente a su modificación y evolución, para cubrir cambios en sus requerimientos, además son grandes sistemas parcialmente desconocidos y vitales para las organizaciones y que en su mayoría no poseen financiamiento para mejoras. En contraposición a los legacies, las aplicaciones móviles cambiaron inesperadamente la vida de las personas dado que las aplicaciones son una herramienta omnipresente en la vida cotidiana y clave fundamental en los modelos de negocio en todo el mundo. Los problemas de usabilidad de aplicaciones heredadas se han estudiado en diferentes trabajos, debido a que desde este auge estos inconvenientes se han hecho evidentes cada día, algunos de los más relevantes radican en la legibilidad de la tipografía, los iconos, el tamaño, la orientación de la pantalla, la pérdida de tiempo y la excesiva carga cognitiva para los usuarios debido al tamaño de la pantalla, entre otras limitaciones de los dispositivos. Objetivo: En esta tesis se propone un enfoque empático multidisciplinario que permite la correcta portabilización de legacies web a móviles a través de algoritmos predictivos como las cadenas de Markov que ofrecen una mejorada experiencia de usuario a través de la obtención del modelo de comportamiento de navegación avalada por métricas de usabilidad, de manera adicional se logra la mejora de la productividad laboral y el cumplimiento de las heurísticas de Nielsen. Método: Este estudio se basó en el método de ingeniería del paradigma evolutivo el cual se trata de observar las soluciones existentes, etapa realizada a través de un mapeo y revisión sistemática de la literatura de la última década, luego se debe proponer mejores soluciones, crear o desarrollar, medir y analizar y repetir hasta que no haya más mejoras posibles, etapa en la cual se propone el enfoque empático basado en el modelo Markoviano para obtener el modelo de navegación del usuario, entregado a través del mínimo producto viable en varias iteraciones hasta lograr perfeccionar el modelo. Por lo tanto, llegar a una mejor propuesta final depende en gran medida de la creatividad y el sentido común aplicado a la construcción del nuevo método. Esta vista orientada a la mejora evolutiva supone que el investigador ya tiene modelos del proceso de software, producto, personas, del entorno y modifica el modelo o los aspectos del modelo para mejorar lo que se está estudiando. Resultados: En el mapeo sistemático se obtienen 44 artículos que presentan diferentes enfoques que solucionan de manera básica, parcial o especifica la portabilización, se evidencia que no existen enfoques de diseño centrados en el usuario, tampoco basados en modelos de Markov y que las propuestas no son evaluadas con métricas como la de la productividad laboral, heurísticas de Nielsen ni las de la ISO 9241-11, así como la Leyes de Fitts y Hick. Al proponer y posteriormente implementar este enfoque empático a través de una herramienta se logra demostrar que la productividad laboral mejora en un rango de 75% a 530% con respecto a la aplicación original, por otro lado, los tiempos de consecución de las tareas se reducen en una proporción de 3 a 1 para los casos analizados. Los deslizamientos en pantalla se reducen en promedio a la mitad. Además, la satisfacción del usuario a través de una encuesta muestra un aumento en la calificación de parámetros de estética y diseño, la facilidad de uso, los contenidos e información, y la utilidad para el 100% de los usuarios. Cabe destacar que a partir de este estudio se han logrado cinco publicaciones SCOPUS. Conclusiones: La contribución incluye un trabajo transdisciplinario que demuestra que este modelo hace posible un diseño de interfaz inteligente y proactivo, considerando además variables sociodemográficas directamente relacionadas que contribuyen a la economía del contexto. Este estudio apoya la idea de que incluir cadenas de Markov para predecir el comportamiento del usuario podría ser una de las teorías conductuales que se pueden aplicar para mejorar otros enfoques, como los sistemas basados en modelos, en términos de asignación automática de pesos y prioridades. Por otro lado la tecnología al fin de cuentas debe apoyar la producción de valor en el negocio, por lo que los enfoques para el desarrollo y diseño de sistemas deben considerar metodologías interdisciplinarias, transversales que incluyan profesionales o teorías establecidas por otras áreas como la sociología, economía, matemática que permitan humanizar el software con la capacitad de predecir las conductas para que el producto llegue a ser lo que el cliente quiere, inclusive alcanzar una investigación aplicada al ciudadano. A través de este tipo de enfoques, las empresas pueden llegar a ser más independientes de las redes sociales enriqueciendo la base de clientes, generando su propio big data, CRMs, business intelligence y finalmente inbound marketing que permita ser una organización orientada por los datos generando la hiperpersonalización. Por tanto, los perfiles de usuario juegan un papel importante ya que ayudan a definir diferentes niveles de personalización para aumentar el valor de vida útil del cliente (CLV) y también el retorno sobre inversión (ROI) en la transformación digital. Como trabajo futuro, se planea la mejora continua del enfoque e integrar en primera instancia todas las personalizaciones en un solo sitio web para que el usuario con un único inicio de sesión pueda acceder a todas sus personalizaciones y comportamientos de navegación para que no deba instalar el script de un dispositivo a otro.

show abstract

A Review About Machine and Deep Learning Approaches for Intelligent User Interfaces

Ferraro

Giacalone

2022

Advanced Information Networking and Applications

View full text Add to dashboard Cite

Toward a Task-driven Intelligent GUI Adaptation by Mixed-initiative

Cited by 7 publications

References 25 publications

Model-based intelligent user interface adaptation: challenges and future directions

Model-based intelligent user interface adaptation: challenges and future directions

Interfaces proactivas móviles desde Legacies Web: Un enfoque de diseño conductual

A Review About Machine and Deep Learning Approaches for Intelligent User Interfaces

Contact Info

Product

Resources

About