論文の概要: Learning from Interaction: User Interface Adaptation using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2312.07216v1
• Date: Tue, 12 Dec 2023 12:29:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 16:14:07.010352
• Title: Learning from Interaction: User Interface Adaptation using Reinforcement Learning
• Title（参考訳）: インタラクションから学ぶ:強化学習を用いたユーザインタフェース適応
• Authors: Daniel Gaspar-Figueiredo
• Abstract要約: この論文では、生理的データを用いたRLベースのUI適応フレームワークを提案する。 このフレームワークは、ユーザインタラクションから学び、ユーザエクスペリエンス(UX)を改善するための情報適応を実現することを目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The continuous adaptation of software systems to meet the evolving needs of users is very important for enhancing user experience (UX). User interface (UI) adaptation, which involves adjusting the layout, navigation, and content presentation based on user preferences and contextual conditions, plays an important role in achieving this goal. However, suggesting the right adaptation at the right time and in the right place remains a challenge in order to make it valuable for the end-user. To tackle this challenge, machine learning approaches could be used. In particular, we are using Reinforcement Learning (RL) due to its ability to learn from interaction with the users. In this approach, the feedback is very important and the use of physiological data could be benefitial to obtain objective insights into how users are reacting to the different adaptations. Thus, in this PhD thesis, we propose an RL-based UI adaptation framework that uses physiological data. The framework aims to learn from user interactions and make informed adaptations to improve UX. To this end, our research aims to answer the following questions: Does the use of an RL-based approach improve UX? How effective is RL in guiding UI adaptation? and Can physiological data support UI adaptation for enhancing UX? The evaluation plan involves conducting user studies to evaluate answer these questions. The empirical evaluation will provide a strong empirical foundation for building, evaluating, and improving the proposed adaptation framework. The expected contributions of this research include the development of a novel framework for intelligent Adaptive UIs, insights into the effectiveness of RL algorithms in guiding UI adaptation, the integration of physiological data as objective measures of UX, and empirical validation of the proposed framework's impact on UX.
• Abstract（参考訳）: ユーザのニーズに合わせたソフトウェアシステムの継続的適応は、ユーザエクスペリエンス(UX)を高める上で非常に重要です。 ユーザインタフェース(ui)適応は、ユーザの好みや状況に応じてレイアウト、ナビゲーション、コンテンツのプレゼンテーションを調整することで、この目標を達成する上で重要な役割を果たす。 しかし、適切なタイミングと適切な場所における適切な適応を提案することは、エンドユーザに価値を与えるために依然として課題である。 この課題に取り組むために、機械学習アプローチが使用できる。 特に,ユーザとのインタラクションから学習できることから,強化学習(Reinforcement Learning, RL)を採用している。 このアプローチでは、フィードバックは非常に重要であり、異なる適応に対するユーザの反応に関する客観的な洞察を得るためには、生理学的データの使用が有益かもしれない。 そこで本論文では,生理的データを用いたRLベースのUI適応フレームワークを提案する。 このフレームワークは、ユーザインタラクションから学び、UXを改善するための情報適応を作ることを目的としている。 この目的のために、我々の研究は以下の質問に答えることを目指している。 RLベースのアプローチはUXを改善するのか? UI適応を導く上でRLはどの程度有効か? 生理学的データによるUI適応はUXの強化に有効か? 評価計画では,これらの質問に対する回答を評価するためのユーザスタディを実施する。 経験的評価は、提案された適応フレームワークの構築、評価、改善のための強力な経験的基盤を提供する。 この研究の期待されている貢献は、インテリジェント適応UIのための新しいフレームワークの開発、UI適応を導くためのRLアルゴリズムの有効性に関する洞察、UXの客観的尺度としての生理的データの統合、提案したフレームワークがUXに与える影響の実証的検証である。

関連論文リスト

• Reinforcement Learning-Based Framework for the Intelligent Adaptation of User Interfaces [0.0]
  ユーザのニーズや好みを満たすために、ソフトウェアシステムのユーザインターフェース(UI)を適用するのは、複雑な作業です。 機械学習(ML)技術の最近の進歩は、適応プロセスを支援する効果的な手段を提供するかもしれない。 本稿では,Reinforcement Learning (RL) をMLコンポーネントとして,インテリジェントユーザインタフェース適応のための参照フレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2024-05-15T11:14:33Z)
• Generating User Experience Based on Personas with AI Assistants [0.0]
  私の研究は、大規模言語モデルとペルソナを組み合わせた新しいアプローチを紹介します。 本研究は,(1)既存の適応型UXプラクティスの批判的レビューと自動化の可能性,(2)UX適応性向上におけるペルソナの役割と有効性の検討,(3)LCM機能を活用してよりダイナミックで応答性の高いUX設計とガイドラインを作成する理論的枠組みの提案,の3分野を中心に構成されている。
  論文  参考訳（メタデータ） (2024-05-02T07:03:16Z)
• Improving the Validity of Automatically Generated Feedback via Reinforcement Learning [50.067342343957876]
  強化学習(RL)を用いた正当性と整合性の両方を最適化するフィードバック生成フレームワークを提案する。 具体的には、直接選好最適化(DPO)によるトレーニングのための拡張データセットにおいて、GPT-4のアノテーションを使用してフィードバックペアよりも好みを生成する。
  論文  参考訳（メタデータ） (2024-03-02T20:25:50Z)
• Introducing User Feedback-based Counterfactual Explanations (UFCE) [49.1574468325115]
  対実的説明(CE)は、XAIで理解可能な説明を生成するための有効な解決策として浮上している。 UFCEは、アクション可能な機能のサブセットで最小限の変更を決定するために、ユーザー制約を含めることができる。 UFCEは、textitproximity(英語版)、textitsparsity(英語版)、textitfeasibility(英語版)の2つのよく知られたCEメソッドより優れている。
  論文  参考訳（メタデータ） (2024-02-26T20:09:44Z)
• Persona-DB: Efficient Large Language Model Personalization for Response Prediction with Collaborative Data Refinement [79.2400720115588]
  本稿では,タスクコンテキスト間の一般化を改善するための階層的な構築プロセスからなる,シンプルで効果的なフレームワークであるPersona-DBを紹介する。 応答予測の評価において,Persona-DB は精度を著しく低減した検索サイズで維持する上で,より優れたコンテキスト効率を示す。 我々の実験は、ユーザーが極めて少ないデータを持つ場合、コールドスタートシナリオで10%以上の顕著な改善が示されていることも示している。
  論文  参考訳（メタデータ） (2024-02-16T20:20:43Z)
• A Comparative Study on Reward Models for UI Adaptation with Reinforcement Learning [0.6899744489931015]
  強化学習は、使用状況ごとにインターフェイスをパーソナライズするために使用することができる。 それぞれのアダプティブの報酬を決定することは、UIアダプティブに対するRLの課題である。 最近の研究では、この課題に対処するための報酬モデルの使用について検討されているが、このタイプのモデルに関する実証的な証拠はない。
  論文  参考訳（メタデータ） (2023-08-26T18:31:16Z)
• Computational Adaptation of XR Interfaces Through Interaction Simulation [4.6193503399184275]
  本稿では,ユーザエクスペリエンスとパフォーマンスの向上を目的として,XRインタフェースを適応するための計算手法について論じる。 メニュー選択タスクに適用した新しいモデルでは,認知的コストと運動的コストの両方を考慮してユーザインタラクションをシミュレートする。
  論文  参考訳（メタデータ） (2022-04-19T23:37:07Z)
• Adapting User Interfaces with Model-based Reinforcement Learning [47.469980921522115]
  インターフェースへの適応には、変更がユーザに与えるポジティブな効果とネガティブな効果の両方を考慮する必要があります。 保守的な適応政策をもたらす適応的ユーザインターフェースの新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-11T17:24:34Z)
• Optimizing Interactive Systems via Data-Driven Objectives [70.3578528542663]
  本稿では,観察されたユーザインタラクションから直接目的を推測する手法を提案する。 これらの推論は、事前の知識によらず、様々な種類のユーザー行動にまたがって行われる。 本稿では,これらの推定対象を最適化するために利用する新しいアルゴリズムであるInteractive System(ISO)を紹介する。
  論文  参考訳（メタデータ） (2020-06-19T20:49:14Z)
• Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
  我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。 本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。 複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
  論文  参考訳（メタデータ） (2020-05-09T16:02:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。