Tez No	İndirme	Tez Künye	Durumu
754331		Context-aware prediction of user performance problems caused by the situationally-induced impairments and disabilities / Durumsal kaynaklı bozuklukların ve yetersizliklerin neden olduğu kullanıcı performans sorunlarının bağlama duyarlı tahmini Yazar:MEHMET ELGİN AKPINAR Danışman: PROF. DR. PINAR KARAGÖZ ; DOÇ. DR. YELİZ YEŞİLADA Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bağlam = Context ; Bağlamsal faktörler = Contextual factors ; Cep telefonu = Mobile phone ; İnsan-bilgisayar etkileşimi = Human-computer interaction	Onaylandı Doktora İngilizce 2022 263 s.
Küçük ekranlı cihazlarla etkileşime girdiğimizde yeteneklerimiz/engellerimiz, dikkatimizi dağıtan bağlamsal faktörler veya arayüzle ilgili sorunlar nedeniyle hatalar yapabiliriz. Bu hataları önceki kullanıcı etkileşimi ve bağlamsal faktörlere dayalı olarak tahmin etmek, öğrenmek ve bu hataları önlemek için kullanıcı arayüzünü uyarlamak, kullanıcı performansını ve memnuniyetini artırabilir. Bu tez çalışması, kullanıcı performansını ve bağlamsal değişiklikleri izleyen ve bağlama dayalı olarak performans sorunlarını öngören bir sistemin nasıl geliştirilebileceğini araştırmaktadır. Bu çalışma kapsamında, öncelikle bağlamı ve bunun kullanıcıların performansı üzerindeki etkisini anlamak için sistematik bir literatür taraması yapıldı. Ardından, metin girişi etkileşimlerini, sensör verilerini ve kullanıcıların mevcut bağlam sınıflarını toplamak amacıyla, kullanıcıların kendi ortamlarında katıldıkları bir kullanıcı çalışması gerçekleştirildi. İlk olarak, toplanan bu veriler, önceden tanımlanmış bir görev modeli olmadan otomatik bir sistem aracılığıyla kullanıcı performansını yazma hızı ve hata oranı bazında ölçmek için kullanıldı. Hesaplanan kullanıcı performansı verileri ve kullanıcıların bağlam atamaları kullanılarak, farklı bağlam boyutlarının kullanıcı performansını nasıl etkilediği araştırıldı. Bulgularımız bağlamın kullanıcıları farklı şekilde etkilediğini gösterdi; bu nedenle, kullanıcıya özel uyarlamalar dikkate alınmalıdır. Mevcut sensörler kullanılarak farklı bağlam faktörlerinin algılanıp algılanamayacağı da araştırıldı. Ayrıca, performans sorunlarını tahmin etmek için sensör ve kullanıcı performans verileri kullanıldı. Yazma hatalarını tahmin etmeye yönelik regresyon modelinin, rastgele yapılan tahminlere göre daha iyi performans gösterdiği görüldü. Son olarak, yapılan çalışmalara dayanarak, farklı bağlamlarda kullanıcının etkileşimini desteklemek için uyarlama teknikleri araştırıldı, derlendi ve geliştiriciler için tasarım önerileri olarak sunuldu.
When we interact with small screen devices, we can make errors due to our abilities/disabilities, contextual factors that distract our attention, or problems related to the interface. Predicting and learning these errors based on the previous user interaction and contextual factors and adapting the user interface to prevent these errors can improve user performance and satisfaction. This thesis aims to understand how a system can be developed that monitors user performance and contextual changes and predicts performance problems based on context. In this thesis, we first conducted a systematic review to understand the context and its effect on user performance. Then, we conducted a user study in the wild to collect text entry interactions, sensor data, and context labels. First, we used this data to measure user performance regarding typing speed and error rate in an automated system without a predefined task model. Moreover, we investigated how different context dimensions affect user performance. Our findings showed that context affects users differently; therefore, user-specific adaptations should be considered. We also investigated whether different context factors can be sensed using available sensors. Our experiments with machine learning algorithms using available smartphone sensors show that we can differentiate different context factors, particularly mobility and environment. Moreover, we used sensor and user performance data to predict performance problems. The regression model to predict typing errors outperformed the random baseline. Finally, based on these informative studies, we propose adaptation techniques and design guidelines for developers to support user interaction in different contexts.