在设备、应用程序和web服务日益增多的泛在计算时代,用户的关注成为计算的新瓶颈。
本文提出了一种新型中间件Attelia,该中间件无需任何专用的心理-生理传感器,可实时感知用户智能手机上的用户注意力状态。
为了更好的找到从各种应用程序和服务到移动用户的中断通知的传递发送时间,Attelia检测用户在智能手机上的活动的断点[16],使用我们的新颖的“应用程序作为传感器”(AsaS)方法和机器学习技术。
在无处不在的计算时代,用户的“注意力”保持不变,而提供的信息量却在不断增加。比如:
多功能网络设备的数量,用户使用的应用程序、web服务和通信渠道的数量也在增加。
在这样的背景下,有限的人类关注资源成为了计算的新瓶颈。
从人类用户的角度来看,这些提供的过量信息通常被称为广义上的“信息过载”。
特别是在这项研究中,我们将重点关注中断过载,由于来自计算系统的通知过多和不适当的传递而导致的中断对用户的干扰。
中断过载:
造成的主要原因是来自计算系统的“通知”。
典型的即时通知系统会对用户的工作效率甚至情绪产生各种负面影响。
在最近的通知中也观察到几个显著的特征。
•增加通知类型和来源的多样性
这类通知的自适应处理支持,包括根据用户当前的关注状态和要通知的信息动态调整通知时间、媒体或内容,显然需要缓解用户的中断过载。
对这种支持的不同要求如下。
•移动设备的可行性
•实时传感
•适用于不同类型的通知源
•全天候使用的亲和性 就是一天都在玩手机 然后这个功能也不卡
为了实现这种自适应的通知支持,我们提出了一个新的中间件,感知用户在用户智能手机上的注意力状态。
A检测断点: 心理学领域最早的概念,作为 感知适当中断时间的时间目标.
断点是两个相邻动作之间的边界, 人的感知系统在用户目标导向的活动中对其进行分割。
我们使用的一种方法来感知粗粒度且易测量的指标, 就用人现在的设备, 来判断合适的通知时间。
具体方法: A引入一种新的AsaS方法, 用户的应用(app)使用模式将扮演 传感器和机器学习技术。
app作为传感器 , 运行在手机, 实现与移动设备的亲和力。
通过机器学习技术,Attelia实现感知能力。 在应用程序下作为中间件, 从当前操作的应用程序中输入UI事件,实现对不同应用程序的适用性和易部署。对app不修改。不需专门传感器,so全天用OK。
Attelia的系统架构 :整个系统是什么样子的 如上图1 包含什么如下
UIEventLogger,UI事件记录器
BreakPointLogger, 断点记录器
FeatureExtractor,特征提取器
Weka[15] machine learning engine, Weka[15]机器学习引擎,
GroundTruthAnnotator application, 人工标注的小数据集标注器 应用程序
off-line components for model training.模型训练的离线组件
GroundTruthAnnotator的解释很多。。。。。。?????
Attelia可以在安卓平台实现, 可以输入和记录UI事件流(敲,点击,滚动或修改UI组件)
可以在谷歌平台分发,有助于系统部署。
整个工程::
1.在收集 真实标签 阶段:
应用程序使用期间, 断点时间的真实标签值是:通过用户自愿的手动标注收集。
(人在这个应用程序页面中点哪 就是真实标签了)
图2显示了一个截图: 我们的Annotation应用程序 浮动在手机屏幕上。
在操作普通的Android应用程序时,用户按下浮动按钮,按下断点的时间。
Attelia服务持续将UI事件流(不包括那些来自注释按钮的事件)和断点时间戳(按下注释按钮的时间)记录到本地存储。 (UI事件流(敲,点击,滚动或修改UI组件))
2.在离线模型训练阶段:
每个3秒的时间段 将提取45个定义特征,如图3所示,
并将其输入Weka以训练分类器模型。
3.测试阶段,服务捕获的UI事件流将在移动设备上实时输入到模型,服务将动态检测断点
评估: 找一些人 要求用我们的系统在三星手机上 随意的自然的使用十个app 使用时长五分钟, 凭感觉注视断点。
数据说话: 在两种模型上 和统一模型上 效果都挺好
总结 结论:
本文提出了一种新型中间件:Attelia
中间件 :它可以实时感知用户在智能手机上的注意力状态,无需任何专门的心理-生理传感器。
利用我们新颖的“应用作为传感器AsaS”方法和机器学习技术,检测智能手机上用户活动的断点。
AsaS具体方法: 用户的应用(app)使用模式将扮演 传感器和机器学习技术。
通过机器学习技术,Attelia实现感知能力。 在应用程序下作为中间件, 从当前操作的应用程序中输入UI事件,实现对不同应用程序的适用性和易部署。对app不修改。不需专门传感器,so全天用OK
最后收到协会支持!
我们的初步评估显示相当乐观的准确率在80-90%左右。本研究得到美国国家信息与通信技术研究所(NICT)的部分支持。