Empirical basis for the development of adaptative interfaces : behavioral and neurophysiological evidences of decision-making and expertise development in a sequencial choice scenario.
Loading...
Date
2017
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
En el día a día nuestra interacción con interfaces computacionales está llena de situaciones en las cuales pasamos de ser usuarios inexpertos a expertos mediante la repetición de una misma tarea. En muchas de estas interacciones debemos aprender a encontrar una ruta, dentro de una secuencia de decisiones y acciones, la cual nos lleva al resultado buscado. Por ejemplo, cuando retiramos dinero de un cajero automático, las elecciones son presentadas paso a paso y una secuencia específica de acciones debe ser realizada en orden de obtener el resultado deseado. Entonces, a medida que nos hacemos expertos en el uso de estas interfaces, ¿es posible identificar estrategias especificas de búsqueda aprendizaje? De ser así, ¿podemos usar esa información para predecir acciones futuras? Además de comprender mejor los procesos cognitivos que subyacen a la toma de decisiones secuencial, esto podría permitir construir interfaces adaptativas que puedan facilitar la interacción en diferentes momentos de la curva de aprendizaje. Aquí abordamos la pregunta de modelar el comportamiento de toma de decisiones secuencial usando una interfaz visual simple representada por un árbol de decisión binario (por sus siglas en inglés BDT) de cuatro niveles. Registramos datos conductuales de participantes voluntarios mientras tratan de resolver la tarea. Utilizando un enfoque basado en el modelo oculto de Markov, que se capitaliza la estructura jerárquica del comportamiento, luego modelamos el desempeño de los participantes durante la interacción. Nuestros resultados muestran que una partición del espacio del problema en un pequeño grupo de estrategias estereotipadas y relacionadas jerárquicamente pueden capturar potencialmente una serie de comportamientos de b´usqueda. Esto nos permite seguir c´omo los participantes aprendeny desarrollan habilidades en el uso de la interfaz. Más aún, usando una Mezcla de Expertos basadas en las estrategias, somos capaces de predecir el comportamiento de los participantes que aprenden la tarea. Además, usando indicadores conductuales derivados de nuestro modelamiento, somos capaces de capturar la compleja estructura de los procesos de aprendizaje y desarrollo de expertise presente en los registros de Electroencéfalograma (EEG) de los participantes, revelando a nivel cerebral las diferentes etapas del proceso de toma de decisión a través de Potenciales Relacionados a Eventos (pos sus siglas en inglés ERP). Nuestra meta a largo plazo es informar acerca de la construcción de interfaces que puedan establecer una conversación dinámica con sus usuarios, en orden de facilitar la interacción con ellas.
Description
Tesis (Doctor in Engineering Sciences)--Pontificia Universidad Católica de Chile, 2017